Sam Altman：AI需要全新硬件形态，而非寄生在手机上

在最近的一次访谈中，OpenAI CEO Sam Altman抛出了一个颇具冲击力的判断：AI不应该继续寄生在为人类设计的设备里，它需要一种全新的消费硬件形态。

现有设备是为人类设计的，不是为AI

Altman对笔记本电脑和iPhone的评价并不吝啬——他称它们是"人类技术史上最伟大的发明之一"。但紧接着的话锋一转："我感觉AI被限制在使用一个为人类、而不是为AI设计的东西上。"

这句话背后是一个容易被忽略的结构性矛盾。当前的AI能力，尤其是智能体（Agent）能力，几乎全部通过模拟人类操作来释放——点击按钮、读取屏幕、填写表单。AI在借用人类的交互界面工作，而这种借用本身就意味着巨大的效率损耗。

智能体（Agent） 是指能够感知环境、自主决策并执行动作以完成特定目标的AI系统。与仅生成文本的聊天模型不同，智能体需要与外部世界交互——读取信息、调用工具、操作软件。当前主流实现方式包括浏览器自动化（如Playwright）、桌面控制（模拟鼠标键盘）和屏幕理解（OCR、视觉定位）。这种“拟人化”路径的优势是通用性强，无需目标软件提供接口；代价则是效率低、易出错、依赖界面稳定性。Altman所说的“结构性矛盾”正源于此：智能体的能力上限被人类界面的设计逻辑所框定，而非由任务本身决定。

一个"有点傻"的技术现实

Altman用了一个很直白的比喻来描述当下的荒诞感：看着AI熟练地操作电脑确实令人惊叹，但仔细想想又"有点傻"——计算机耗费大量算力去渲染一个供人眼观看的界面，然后AI再努力把这个界面"读"回来，而不是直接获取底层数据。

这个观察点出了当前AI应用层的一个根本性瓶颈。无论是浏览器自动化还是桌面智能体，本质上都是在人类界面的表层做逆向工程。每一次屏幕渲染、每一次OCR识别、每一次坐标点击，都是本可以省略的中间环节。传统GUI是为人眼的带宽和人脑的认知习惯优化的，而不是为模型的token吞吐优化的。

GUI（图形用户界面） 自20世纪80年代起成为人机交互的主流范式，其核心是以视觉层级、图标、窗口和指针操作来匹配人类的感知与认知习惯。每一帧界面的渲染都涉及布局计算、字体栅格化、合成与刷新，这些开销是为“人眼观看”服务的。当AI通过截屏加OCR或视觉模型来“理解”界面时，等于把已经结构化的数据重新降维成像素，再由模型反向推断语义——这一来一回造成了算力与延迟的双重浪费。更高效的AI原生交互应直接消费结构化数据（如JSON、API响应、DOM树），或通过意图协议直接调度任务，从而绕开渲染—识别的中间层。

为什么这指向硬件，而不只是软件

如果问题仅仅是"AI不该读屏幕"，那通过API直连数据似乎就够了。但Altman的论点更进一层：这是一种"想要新形态"的技术。

这个判断的深层含义在于，AI的交互模式与人类的交互模式存在本质差异。人类依赖视觉层级、触控反馈、窗口管理；AI更擅长结构化数据流、并行任务调度、无界面的意图执行。当一种技术的核心使用者从人变成模型，承载它的物理容器理应随之改变。历史上，GUI催生了鼠标和窗口，触屏催生了智能手机——每一次交互范式的迁移都伴随着硬件形态的重构。

有意思的是，Altman并未在访谈中描述具体产品形态，但"消费硬件"（consumer hardware）这个措辞暗示了面向大众市场的野心，而非企业级或开发者工具。结合OpenAI此前在硬件方向的布局传闻，这条路线图的方向已经相对清晰。

交互范式迁移与硬件重构 在计算史上反复出现：命令行界面催生了键盘与终端，GUI催生了鼠标与窗口系统，触屏与移动互联网催生了智能手机，语音助手则推动了智能音箱等新形态。每一次迁移的本质，是“谁在使用计算资源”发生变化——从专业操作员到普通消费者，再到今天的AI模型。当核心使用者变为模型时，交互原语也会改变：人类需要视觉反馈和触控确认，模型更需要低延迟的数据管道、并行任务队列和可编程的意图接口。因此，“为AI设计”的硬件不一定是去掉屏幕，而是重新定义数据如何被直接消费、任务如何被原生表达，这可能催生全新的传感器组合、输入输出方式和设备形态。

对行业意味着什么

短期看，智能体仍将在人类界面的夹缝中运行，屏幕读取和模拟操作依然是主流方案。但Altman的表态释放了一个信号：AI原生硬件的竞争窗口正在打开。谁能定义"为AI设计"的交互原语——数据如何被直接消费、任务如何被原生表达——谁就可能掌握下一个计算平台的入口。

这也给现有的硬件厂商提出了一个尖锐问题：当AI不再是手机上的一个App，而是拥有专属形态的独立存在时，今天的设备霸主地位还稳固吗？

Altman没有给出答案，但他把问题摆上了台面。