谷歌将“Computer use”能力原生集成至 Gemini 3.5 Flash

谷歌近日正式宣布，将原本独立存在的“Computer use”（计算机使用）功能，原生集成到了其主力模型 Gemini 3.5 Flash 中。 💡 简单来说，以前开发者如果想要让 AI 像一个人类一样去操作电脑界面、点击按钮、填写表单，需要使用一个单独的 Gemini 2.5 模型。现在，这些能力在 3.5 Flash 这个版本里直接就能用了。 🚀 这对开发者意味着什么？他们可以直接调用 Gemini API，更可靠地构建能在浏览器、手机和桌面环境中“看出问题并动手解决”的 AI 代理。 ⚡ 对具体的打工人有什么用？虽然这更像是一个底层的技术变动，但它直接指向了一批能真正干活的自动化工具。比如，谷歌提到这项技术现在能分析自家的 Gemini 应用界面，给功能做分类归纳；还会去查阅自己的技术文档，检查有没有无障碍访问做得不到位的地方。更实际一点，在需要长时间才能跑完的软件自动化测试，或者跨多个专业应用完成的知识型工作中，这种能直接操作界面的 AI 都可能派上大用场。 🔒 既然 AI 能像人一样操作电脑了，安全问题自然绕不开。针对可能出现的“提示注入”等风险，谷歌表示使用了针对性的对抗训练来提升模型的安全系数。同时，他们还额外推出了两套可选的企业级防护系统，并建议开发者配合使用安全沙箱、增加人工复核环节以及严格的访问控制。 通过自家的 AI 来审计自家的文档，这本身就是一个很有趣的实践。

EntAI观察

谷歌此次动作，可能意味着大模型竞赛正在从“对话式智力”转向“代理式执行力”的下半场。把 Computer use 这种具备跨应用操作能力的工具内化到 Flash 这种主打轻量快速的模型里，反映出谷歌希望将 AI 代理的低成本化和普及化推进得更快一些。当大模型不再只满足于回答问题，而是开始去控制你的鼠标和键盘执行任务时，企业自动化流程的天花板或许会被彻底打开。值得关注的是，谷歌在安全方面采取的双重防护举措，也侧面说明了让 AI 拥有“行动力”这件事，风险与收益同样巨大。