Google DeepMind发布Gemini 2.5 Computer Use模型，让AI学会操作网页与App界面

Google DeepMind于2025年10月8日在官方博客宣布推出“Gemini 2.5 Computer Use”模型。这是一款基于Gemini 2.5 Pro打造的专用模型，聚焦“视觉理解＋推理”能力，让AI系统能像真人使用电脑一样，直接在屏幕画面上操作网页或应用程序界面——包括点击按钮、填写表单、滚动页面等动作，而不需要依赖传统的API对接。官方将该模型定位为供开发者打造“能实际操作软件界面的AI代理”的基础组件，目前已通过Gemini API在Google AI Studio与Vertex AI上以公开预览形式发布。官方公布的基准测试显示，该模型在多项网页与移动设备操控评测上优于竞争对手，同时延迟更低——这对“电脑操作代理”是关键指标，因为每一步动作都需模型实时“看画面、想动作、下指令”。

技术意义：从“调用API”到“看画面操作”

过去AI完成线上任务多半依赖软件公司开放的API，但大量企业内部系统、老旧网页、没有API的服务，AI过去完全无法触及。“电脑操作型”模型改为直接读取屏幕画面，判断可交互元素，再模拟鼠标键盘完成操作，理论上可操作“任何有画面的软件”，大幅扩展AI代理能触及的工作范围。

与前代及竞品的比较

这类能力并非Google首创，OpenAI与Anthropic此前也推出过类似方向的能力。Google这次的差异在于将该能力独立成“基于Gemini 2.5 Pro的专用模型”，同时针对网页与App做基准测试与优化，官方强调的“多项测试优于对手、延迟更低”，显示Google正尝试在“代理型AI”战场建立技术优势，而非只是跟进。

业界反应

由于模型以“公开预览”形式先开放给开发者，讨论多集中在其对“AI代理生态系统”的基础建设意义——开发者可用它打造自动完成网页流程（填单、比价、批量录入）的助理工具，不需为每个目标网站单独开发集成接口。同时，AI能自主操作界面完成点击、提交、付款等动作，也引发数据安全与误操作风险的讨论，如何防止误触敏感操作是部署前必须正视的课题。

对管理者的意义

这类“AI能直接操作软件界面”的能力，长期意味着企业内部大量依赖人工重复点击、填表、跨系统搬运数据的作业流程，未来有机会被AI代理直接接管，不必等IT部门开发专属对接。管理者现阶段不需急于导入，但可以开始盘点团队里“纯粹是鼠标点击、复制粘贴”的重复性工作，这正是这类技术未来最先能替代的环节。