夜雨聆风去年12月初中兴nubia与字节豆包合作的“豆包手机”现象级火了一下，然后在众多互联网大厂和银行等机构的围剿下，声势暂时平稳了下去。
1个多月之后的1月底，OpenClaw发布（原clawdbot）多项自主任务执行案例被广大关注，后面迅速被大厂接入，引起全民养龙虾热潮，甚至很多人其实并不很了解AI，也在跟风养龙虾。而淘宝上配置Openclaw的人工费甚至最高有上千元。飞书claw，微信claw，QQ claw…除了token在满天飞，很少比例的用户真的把钱花在了刀刃上。
其实大厂拥抱Openclaw，抵制豆包手机助手，归根在于大厂可以通过Openclaw继续维持，甚至扩展自己的生态。而不是完全被豆包手机助手掠夺说有的注意力价值。
话题引子：效率的本质差异
话题说的有点远了，介绍豆包手机助手和Openclaw，都是因为两者都是通过AI来提升效率，达到事半功百倍的效果。但两者明显的区别是，豆包手机助手本身并没有脱离指令操作，价值可能只是解放了用户双手。但是Openclaw是可以根据用户部署后的设定，7×24小时不间断工作（代价是token花钱如流水）。
本篇想和大家讨论交流的，就是AI提升手机操作效率的话题。豆包手机助手和Openclaw给出了不同的方向，都很有用。但对于普罗大众来说，AI提效的方向或者目标，应该更加聚焦，更加细化一下。也就是普通用户，需要AI在哪方面提效。
普通用户的日常场景拆解
通常情况下，用户的按日或者按周操作都比较少，我们可以大概列举一下：
闹钟 上下班打卡 点外卖 吃保健品/药品 看新闻/文章 追剧/漫画 某些app签到 写日记/完成创作 写作业/完成学习任务 锻炼身体/健身 烹饪 群发通知
……
这是普通用户都可能在做的事情，因为每个人的工作不同，可能一部分用户还有更多高频的操作，比如中介和销售等。但其实原理是一样的，解决好普通场景的效率提升问题，其他特殊场景其实更好解决，因为需求都非常精准。
任务分类：确定性与不确定性
通过列出的场景分析，需求可以分为两类：
- 完全确定性任务
——到了指定时间，完成固定任务。比如闹钟，吃药，打卡等。 - 不完全确定性任务
——到了指定时间，完成指定任务类型，但不固定任务内容。比如外卖具体点什么，烹饪具体做什么，健身练哪里等。
或许还有第三类任务，用户没有习惯，也没有计划，但是AI根据用户的行为数据，推断出用户应该，或者可以做些什么，然后为用户做好准备，或者直接执行。
对于确定任务：规则执行的自动化
对于确定的任务，AI可以直接根据用户设定的规则，自动执行。但是要做到及时告知，确保用户对于过程有掌控。整体的AI执行度比较容易，很多产品推出的任务大师，都是类似的场景，也就是满足固定条件，执行固定任务。
对于不确定任务：AI如何代替用户选择？
对于不确定的任务，AI如何提效呢？涉及到用户选择的倾向性，如果需要用户介入，那就本身失去了提效的意义。所以话题的前提还是，如何让AI代替用户选择。
不确定任务的浅前提，其实是用户不一定关注任务结果，本身只是想快速度过这个过程，想减少的就是选择过程，或者抉择过程的纠结。比如说点外卖：作为每天都要进行至少1-2次的常态化任务，用户的诉求不断降低，温饱之上健康可口就好了。之前豆包手机助手核心旋转点是自动完成比价，但价格并不是外卖选择的核心，点单内容才是。
如果用户确定了点单内容，那么比价本身的操作成本其实并不高，换句话说AI的价值不大。用户需要的是每天中午下班的第一时间，外卖已经在外卖柜了。所以每天什么时间点外卖，点什么外卖，这都是AI需要思考的。那AI的参考信息来自于哪里。用户之前的点餐记录，用户的身高，体重，籍贯。运动记录，定位等信息都是有效的参考内容。如果用户想把好最后一道关，可以在下单前，给用户三个选择来做决策。也可以作为AI管家，在早起的第一时间，就给用户一个今日行程报告。
Claw的本质：AI作为决策者
claw的关键不是根据指令去执行，而是根据用户的设定或信息，进行7×24小时的去执行。确定性的任务可以执行。不确定的任务也需要执行，而且对应的AI价值是更大的。点外卖，看新闻，写日记，写作业，健身，烹饪……，对应的其实是将AI和用户的位置互换，AI作为“决策者”，而用户作为“执行者”。到了固定的时间，告诉我吃什么，给我推送我感兴趣的新闻，准备好创作的模版和大纲。给我今天的健身计划，告诉我今天做什么菜，甚至已经帮我下好了食材的订单……
现实中的探索与AIOS的初步形态
手机厂商中，小米借助自己生态的优势，最早推出了手机claw，集成了智能家庭中心的控制，帮用户自主的进行家庭操控，走的也是我上面说的思路。不过，这些提效虽然是很有AI力的表现，但也只是用户日常中的提效。并不只是手机操作的效率提升。那从纯粹的手机操作效率提升来看，有哪些方向可以选择呢。
最典型的其实就是输入法的自动纠错，用户输错了，但是备选是正确的。AI对于手机提效，就是根据用户习惯进行的预测和纠错。还有一个典型案例，就是iPhone X上市后，iOS推出的Siri建议这个功能。几乎可以100%准确的预测出用户下一个要打开的app是什么。
这也和iOS当时的桌面方式有关，那是还没有应用库，平铺桌面下，100多个应用确实很难定位。虽然用户自己会进行桌面排布，但是效率还是低下的，所以iOS延续了spotlight，也就是安卓里的全搜，当用户唤起时，推荐位基本就是正要启动的应用。
这更像是手机AIOS的初步阶段，通过尽可能的预判让AI能够真正的满足用户提效的需求。而且比较容易控制准确率，通常情况下，iOS只有概率足够高的时候才执行推荐，所以会让用户觉得非常准确。
桌面给用户推进用户心理想启动的app，音乐推荐给用户想要播放的音乐，本地生活服务推荐用户准备吃的午餐，输入法的持续联想出用户想输入的内容，为主导的会议推送讲话大纲，等等。那种感觉就像是脑机连接，思维即输入。
落地现状：从细节拆解与未来展望
具体的AI提效，真到现阶段落地，会拆分的特别细，为了达到最好的效果，只能从应用的全部需求场景出发去拆解，寻找很细节的点，去植入AI。初期不会有太多的用户感知。随着AI能力的加深，用户会慢慢觉得应用更好用了。
现阶段从AIOS上层去思考整体如何AI提效是比较困难的。手机厂商只有用户操作数据，没有成型的模型。后期需要不断完善模型，不断训练，才能补齐能力。达到从上到下的AI能力。
怎么从应用细节去进行AI提效，后面会进行深度分析，整体还是从足够多的用户操作数据去分析，如何提高UI Flow关键节点的预测准确率，只有意图判断准了，才能辅助用户去进行高效操作。
结语：等待那个杀手级的闪光点
回到文章标题的问题，我认为豆包手机助手和Openclaw两者都是很厉害的产品，都是在推动AI应用化的进程。但正如之前文章所说，AI先驱者不断地推进AI前进，跑通了一个又一个的应用场景。但是用户大部队还在“原始阶段”。而根据库兹韦尔的推断，2029年左右，AI就能通过图灵测试。2045年AI奇点就会到来。那对于大多数用户迎接AI的转折点在哪，就非常重要。当billion级用户涌入进来，AI的应用化进程就会得到极大的推进。而要让这么多用户开始使用AI，那AI的算力成本必定也会降到一个新的低点。
那个突破图灵测试的功能场景，或许就是手机AI中的第一个杀手级应用。AIGC不是，豆包手机助手不是，即便搜百度变成了问豆包，但这都是用户感受AI中的一个过渡，真正让用户感受到AI强大的点，行业内还在不断地挖掘，所以如果对ai感兴趣，可以持续的投入进去，没准就会被你遇到第一个闪光点。
我是久歌。
👁我，一起学习AI！
