Google 正在把 Gemini 从“会回答问题”的 AI，推进到“能完成任务”的智能体阶段。在周四举行的 Google Cloud 活动上，Google 宣布推出统一智能体产品，能够代表用户规划任务、调用工具、连接企业内部系统，并在单个界面中完成执行。这项能力将首先面向企业客户推出。从回答问题到“接受目标”Google Cloud CEO Thomas Kurian 在介绍中表示，新智能体可以接受“目标，而不仅仅是指令”。这意味着它不只是根据一句话执行单步操作，而是能够拆解任务、规划工作路径、调用定制技能和工具，并连接企业内部系统来完成结果。这一变化反映出 AI 助手行业正在从聊天式交互，转向更接近数字员工的产品形态。近期，Meta 推出了面向消费者的 Muse，Instinct 等产品则探索基于消息应用的智能体能力，ChatGPT 也推出了 Dots。Google 此时将 agentic AI 引入 Gemini，意味着大型云厂商正在把 AI 助手推向真实业务流程。Google CEO Sundar Pichai 在活动开场提到，Gemini 目前拥有超过 10 亿月活跃用户，并且近 90% 的财富 100 强企业已经在使用 Gemini Enterprise。这也解释了 Google 为什么选择先从企业场景切入：相比消费级市场，企业客户已经存在较明确的数据、权限、协作和管理需求。Pichai 表示，先面向企业推出智能体，有助于 Google 解决这类强大系统在安全、规模和性能方面的问题。模型选择、任务收件箱与子代理协作在产品机制上，Gemini 新智能体会默认选择最适合完成任务的模型，但用户也可以手动切换模型。目前第三方模型选项首先支持 Anthropic 的 Claude 模型，Google 表示未来还会加入开源模型和其他私有模型。用户在发起请求时可以附加文件、文件夹，或针对特定工作流设计的项目组合。智能体可以连接企业的数据和业务系统，包括 Google Workspace、Microsoft 365、Slack、Jira、Confluence、Git、BigQuery、Databricks、Postgres、Snowflake 等。同时，它也可以与企业网络内外的 Model Context Protocol（MCP）服务器安全连接。为了让用户理解 AI 正在做什么，Google 提供了一个“任务收件箱”界面。用户可以在其中查看 Gemini 的思考过程、任务如何分配给子代理、加载了哪些特殊技能、代码执行情况和整体进度。更值得注意的是，这个 AI 智能体将拥有自己的 Workspace 账户，就像公司里的一名普通同事。它拥有自己的邮箱和上下文，可以了解公司内部的团队结构、成员时区、审批流程、日历安排等信息。用户可以通过 @提及、邮件、文件共享或群聊方式调用它。当智能体执行操作时，系统会生成归属于该智能体而非某个员工的操作审计记录。任务规划：接受目标后自动拆解工作并选择工具模型调度：默认自动选择模型，也支持手动切换，首批第三方模型包含 Claude系统连接：支持 Google Workspace、Microsoft 365、Slack、Jira、BigQuery、Snowflake 等过程透明：通过“任务收件箱”查看思考过程、子代理分工和进度企业身份：智能体拥有独立 Workspace 账户，并生成独立审计记录企业 AI 助手竞争，进入执行层该智能体将支持 iOS、Android、Windows、Mac、命令行、Google Workspace、Microsoft 365、ServiceNow 和 Slack 等多个入口。早期测试客户包括运动品牌 On、Shopify 和 PayPal。Google 同时列出，Gemini Enterprise 客户还包括 BNP Paribas、Bradesco、Merck、Orange Spain、Santee Cooper、SOMPO、Ulta Beauty 和 Wesfarmers 等企业。成本方面，Google 提出了新的弹性支出选项，包括多模型编排、智能路由和实时支出上限，帮助企业控制 AI 使用费用。这一点对于企业级智能体尤为关键：当 AI 开始调用多个模型、访问多个系统并执行复杂任务时，计费透明和成本边界会成为采购决策中的核心问题。对企业市场而言，Gemini 新智能体的意义不只是增加一个聊天入口，而是把 AI 推向任务执行层。过去企业 AI 助手更多停留在知识问答、内容生成和简单自动化；而 Gemini 试图通过模型选择、跨系统连接、子代理协作、独立身份和审计机制，构建一个更接近“数字同事”的产品形态。这也让企业 AI 助手的竞争重点发生变化：不再只是比模型谁更聪明，而是比谁能更安全地接入企业系统、更可控地调度模型、更完整地记录执行过程，并在真实业务流中承担责任。Google 选择先从企业客户开始，既是因为其企业基础更强，也因为在企业环境中验证权限、审计、成本和安全性，是这类智能体真正落地前必须解决的问题。

阿里通义实验室开源Mobile-Agent-v3，通过GUI-Owl模型与多智能体架构探索移动端GUI自动化的新路线。

本地运行 Qwen3.8-27B 做代码补全，速度长期卡在 14 tok/s 左右。通过 DFlash2 投机解码与 LemonSeed Engine 优化，特定工作站环境可提升至近 159 tok/s。但速度提升背后，硬件门槛与模型能力边界同样需要正视。

国务院《关于发展新质生产力的意见》将AI手机、AI PC、人形机器人等智能终端纳入场景应用重点，政策正在为这些产品打开新的落地入口。

125B级MoE模型不再只属于服务器。Strata在单张RTX 5090上通过量化、专家缓存、KV分层和投机解码跑通大模型，本地AI部署的工程路径正在被重新定义。