تصور کنید به جای کلیک کردن روی ده‌ها آیکون، کافی باشد به گوشی خود بگویید «ارزان‌ترین قهوه یخ‌زده را پیدا و سفارش کن» و او تمام مراحل را بدون دخالت شما پیش ببرد. این رویای تبدیل گوشی از یک ابزار ساده به یک «مجری» (Operator) که به او کار می‌سپارید تا عمل کند، محور رقابت میان دو محصول جدید است.
طبق تحلیل‌های مقایسه‌ای منتشر شده در ۲۰ جولای ۲۰۲۶، تفاوت بنیادی در این است که آیا هوش مصنوعی باید در دل سخت‌افزار ادغام شود یا به عنوان یک لایه زیرساختی روی سیستم‌عامل قرار بگیرد. نتایج نشان می‌دهد در حالی که سخت‌افزار اختصاصی تجربه‌ی کاربری یکپارچه‌تری ارائه می‌دهد، اما رویکرد لایه‌ی زیرساختی در حال حاضر از نظر قابلیت اطمینان و انعطاف‌پذیری برنده است. صنعت اکنون از APIهای ایستا و ادغام‌های ساده‌ی اپلیکیشنی فاصله گرفته و به سمت عامل‌هایی (Agents) می‌رود که درست مانند انسان با صفحات نمایش تعامل دارند؛ یعنی پیکسل‌ها را می‌خوانند، روی دکمه‌ها ضربه می‌زنند و متن تایپ می‌کنند. این گذار، در واقع انتقال از مفهوم «اپلیکیشن به‌عنوان ابزار» به «عامل به‌عنوان اپراتور» است، جایی که هوش مصنوعی می‌تواند جریان‌های کاری چندمرحله‌ای را به‌صورت خودگردان در اپلیکیشن‌های مختلف مدیریت کند. این تحول در مدیریت فرآیندها، شباهت زیادی به رویکرد بهینه‌سازی مقیاس‌پذیری در استارتاپ‌های SaaS دارد که در آن هوش مصنوعی برای افزایش بهره‌وری عملیاتی به کار گرفته می‌شود.
تفاوت این دو محصول را می‌توان با این مثال درک کرد: تفاوت میان خرید یک دستگاه تخصصی که فقط یک کار را به‌طور کامل انجام می‌دهد، با نصب یک سیستم‌عامل جهانی که به شما اجازه می‌دهد موتور موردعلاقه‌تان را انتخاب کنید. این دقیقاً همان تنش اصلی میان این دو رویکرد است.
زمینه: دو پاسخ متفاوت به یک پرسش واحد
هر دو محصول را می‌توان پاسخ به یک پرسش بنیادی دانست: آیا یک عامل هوش مصنوعی می‌تواند اپلیکیشن‌های گوشی را مانند یک انسان مدیریت کند و به جای اتکا به نقاط انتهایی API (که اغلب در دسترس نیستند یا توسط توسعه‌دهندگان ارائه نشده‌اند)، مراحل مختلف یک تکلیف را پیش ببرد؟
شرکت بایت‌دنس با Doubao این مشکل را از طریق سیستم‌عامل پاسخ داده است. در این مدل، هوش مصنوعی به‌طور عمیق در یک گوشی هوشمند اختصاصی ادغام شده که بر اساس تجربه‌ی «عامل‌محور» (Agent-first) طراحی شده است. در مقابل، Mobilerun پاسخ را در زیرساخت می‌جوید. این محصول به جای عرضه سخت‌افزار، یک پلتفرم برای توسعه‌دهندگان فراهم می‌کند تا بتوانند مدل‌های هوش مصنوعی را به دستگاه‌های موجود اندروید یا iOS متصل کنند.
رویکرد سخت‌افزاری: گوشی Doubao AI
Doubao هوش مصنوعی را مستقیماً در سیستم‌عامل گوشی اختصاصی Nubia M153 جای داده است. این دستگاه دارای یک دکمه فیزیکی مخصوص AI است که بلافاصله دستیار را برای اجرای وظایف فرا می‌خواند. در این سیستم، هوش مصنوعی اپلیکیشن‌ها را باز می‌کند، در رابط‌های کاربری پیمایش می‌کند و به‌طور خودکار بین صفحات جابه‌جا می‌شود؛ به‌طوری که تجربه کار با آن شبیه به سپردن کارهای اداری به یک دستیار تازه‌کار است.
طبق گزارش وب‌سایت dev.to، Doubao در «سطوح آشنا» (Familiar Surfaces) بسیار موفق عمل می‌کند. در تست‌های دنیای واقعی، این عامل موفق شد با باز کردن یک اپلیکیشن سفارش غذا، جست‌وجوی قهوه، مقایسه قیمت‌ها و انتخاب ارزان‌ترین گزینه، یک قهوه آمریکانو یخ‌زده سفارش دهد. این فرآیند تقریباً سه دقیقه زمان برد و عامل در جاهایی که نیاز به شفاف‌سازی بود، به‌درستی توقف کرد.
با این حال، Doubao در مواجهه با عناصر ناشناس رابط کاربری (UI) و موانع امنیتی دچار مشکل می‌شود. برای مثال، این مدل نتوانست دکمه کامنت در اینستاگرام را شناسایی کند و پس از اینکه چندین بار متن را تایپ و سپس پاک کرد، در نهایت تسلیم شد. همچنین، این دستگاه قادر به مدیریت اپلیکیشن WeChat نبود. گزارش‌های عمومی نشان می‌دهند که چالش‌های سازگاری و بلوک‌های امنیتی در اپلیکیشن‌های بزرگ چینی، مانع از آن می‌شود که Doubao بتواند وظایف را به‌طور کامل خودکارسازی کند.
رویکرد زیرساختی: Mobilerun
Mobilerun به عنوان لایه‌ای عمل می‌کند که مدل‌های هوش مصنوعی را به دستگاه‌های اندروید یا iOS موجود متصل می‌کند. این سیستم هیچ سخت‌افزار اختصاصی را نمی‌طلبد؛ کاربران می‌توانند گوشی‌های فیزیکی خود را متصل کنند یا برای اتوماسیون‌های مقیاس‌پذیر و از راه دور، از «گوشی‌های ابری» (Cloud Phones) استفاده نمایند.
برخلاف Doubao، این سیستم «مدل-آگنوستیک» است، meaning یعنی توسعه‌دهندگان می‌توانند طیف گسترده‌ای از موتورهای استدلالی را به آن متصل کنند. مدل‌های پشتیبانی شده عبارت‌اند از:
- OpenAI
- Anthropic (Claude)
- Gemini
- Ollama
- DeepSeek
- Hermes
- OpenClaw
Mobilerun برای تفسیر رابط‌های کاربری، از ترکیبی از «بینایی ماشین» (Computer Vision) و اطلاعات «درخت دسترسی‌پذیری» (a11y tree) استفاده می‌کند. این معماری فنی به آن اجازه می‌دهد تا عناصر عملیاتی UI را با اطمینان بیشتری شناسایی کند. در تضاد با Doubao، سیستم Mobilerun توانست با موفقیت به یک پست اینستاگرام برود، کامنت را وارد کرده و آن را ارسال کند. همچنین توانست به‌طور موفقیت‌آمیز WeChat را برای چت با یک دوست باز کند.
جزئیات: تفاوت‌های عملیاتی کلیدی
مقایسه دقیق این دو رویکرد، تباین شدیدی در فلسفه طراحی و اجرای آن‌ها را آشکار می‌کند:
- حضور انسان در حلقه (Human-in-the-Loop): در Mobilerun، برای اقداماتی که پیامدهای مالی دارند، یک مرحله تأیید وجود دارد. برای مثال در تسک سفارش قهوه، این سیستم آیتم را به سبد خرید اضافه کرد اما برای نهایی کردن سفارش توقف کرد تا از کاربر اجازه بگیرد. در مقابل، Doubao تلاش می‌کند کل جریان کاری را به‌طور کاملاً خودگردان و بدون توقف به پایان برساند.
- مقیاس‌پذیری: Mobilerun از گوشی‌های ابری برای اتوماسیون از راه دور پشتیبانی می‌کند و قابلیت گسترش به چندین دستگاه را دارد. اما Doubao به یک سخت‌افزار فیزیکی واحد (Nubia M153) وابسته است.
- تجزیه رابط کاربری (UI Parsing): استفاده Mobilerun از درخت a11y در کنار حالت بینایی، به آن اجازه می‌دهد دکمه‌های خاصی (مانند «ارسال» یا Send) را پیدا کند؛ دکمه‌هایی که عامل Doubao معمولاً در شناسایی آن‌ها شکست می‌خورد.
- پیچیدگی راه‌اندازی: Doubao برای مصرف‌کننده نهایی طراحی شده و نصب آن ساده است، در حالی که Mobilerun برای پیکربندی توسط توسعه‌دهندگان، به سطح متوسطی از تخصص فنی نیاز دارد.
تحلیل راهبردی
Doubao یک نقطه عطف واقعی است زیرا امکان‌پذیر بودن یک گوشی «عامل‌محور» را به اثبات رساند. برخلاف تلاش‌های اولیه مانند Rabbit R1 که حتی در وعده‌های ابتدایی خود شکست خورد، Doubao جریان‌های کاری واقعی پایان-به-پایان (End-to-End) مانند پخش پادکست یا سفارش غذا را در دستگاهی که همین امروز قابل خرید است، اجرا می‌کند. با این حال، این محصول همچنان یک محیط آزمایشگاهی است؛ یک تجربه بسته که به محض برخورد با دفاع‌های سطح اپلیکیشن یا عدم توانایی در تجزیه یک عنصر UI، متوقف می‌شود.
در مقابل، Mobilerun نمایانگر «مسیر توسعه‌دهنده» است. با جدا کردن عامل از سخت‌افزار، این سیستم از «قفل شدن به فروشنده» (Vendor Lock-in) جلوگیری کرده و انعطاف‌پذیری لازم برای اتوماسیون‌های سازمانی را فراهم می‌کند. Mobilerun با این مسئله به عنوان یک «لایه» برخورد می‌کند و نه یک «دستگاه»، و از طریق مدل چت خود اطمینان حاصل می‌کند که کاربر کنترل پرداخت‌های حساس را در دست دارد.
برای بازار گسترده‌تر، این رویارویی نشان می‌دهد که ادغام سخت‌افزاری، هدف نهایی برای راحتی مصرف‌کننده است، اما انعطاف زیرساختی، برنده فعلی برای کاربردهای عملی و واقعی است. Doubao محصولی است که شما در دست می‌گیرید، اما Mobilerun لایه‌ای از زیرساخت است که با آن عملیات را مدیریت می‌کنید.
اگر شما توسعه‌دهنده‌ای هستید که به دنبال خودکارسازی جریان‌های کاری موبایل یا ادغام گوشی‌ها در سیستم‌های بزرگتر هوش مصنوعی است، زیرساخت Mobilerun انتخاب بسیار کاربردی‌تری است. مصرف‌کنندگانی که می‌خواهند نگاهی به آینده بیندازند، باید تماشا کنند که بایت‌دنس چگونه سخت‌افزار Doubao را برای غلبه بر شکست‌های تجزیه UI تکامل می‌دهد.
گام بعدی شما
- اگر به اتوماسیون اندروید علاقه دارید، مستندات Mobilerun را برای اتصال مدل‌های بازمتن بررسی کنید.
- برای ارزیابی دقت عامل‌ها، تفاوت بین «بینایی ماشین» و «درخت دسترسی‌پذیری» را در تحلیل‌های فنی مطالعه کنید.
- منتظر به‌روزرسانی‌های نرم‌افزاری Nubia برای بهبود شناسایی UI در Doubao باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه پردازنده‌های جدید چگونه این استنتاجهای سنگین را در لبه (Edge) انجام می‌دهند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو