Google 发布 Gemini 2.5 Computer Use：像人一样操作网页，主打低延迟

过去一年里，AI 已经很擅长写代码和聊天，但如果你让它去一个连 API 都没有的老网站上填张表、选个下拉菜单，它往往只能两手一摊。

Google 刚刚推出的 Gemini 2.5 Computer Use 模型，就是要解决这个尴尬。它是基于 Gemini 2.5 Pro 的视觉理解和推理能力专门打造的，能让 AI 智能体像真人一样看着屏幕，在网页上点选、打字和滑动。

目前这个模型已经在 Google AI Studio 和 Vertex AI 的 Gemini API 中开启公开预览。

像真人一样看屏幕、循环操作

这个模型的核心能力通过 API 里的 computer_use 工具调用。它不是单次对话，而是一个持续的执行循环。

工作流程其实很直观：客户端先把用户需求、当前环境的屏幕截图以及最近的操作历史打包发给模型。模型看懂画面后，生成下一步的 UI 操作指令，比如点击某个坐标或者输入一段文字。

本地代码执行完这步操作后，会抓取一张最新的界面截图和当前 URL，再回传给模型。只要任务没做完，这个「截图、判断、操作」的循环就会一直跑下去。

如果遇到涉及付款等关键动作，模型也可以主动向人类请求确认。开发者还能自行裁剪操作权限，决定允许或禁止哪些动作。

需要说明的是，这次发布的模型主要针对 Web 浏览器进行了深度优化，在移动端 UI 上也有不错表现，但目前还没针对桌面操作系统的底层控制做优化。

压低延迟，把安全锁死在网页里

操控界面的智能体最让人头疼的就是慢。根据 Browserbase 在 Online-Mind2Web 等基准测试上的评估，Gemini 2.5 Computer Use 不仅在多项网页和移动控制测试中拿到领先成绩，还把响应延迟压得很低。

在 Google 内部，这个模型已经被塞进了很多一线业务。比如用来做自动化的软件 UI 测试，以及给 Project Mariner、Firebase Testing Agent 和 Google 搜索里的 AI Mode 提供智能体能力支持。

但让 AI 自由操控浏览器，风险显然比单纯聊天大得多，比如误中钓鱼网站、遭遇提示词注入，或者被恶意操纵去破解安全防线。

Google 在模型训练阶段就内置了针对这些风险的安全规则，同时在外部增加了一套推理时的步进安全服务。这套独立服务会在模型提出每一个动作时进行实时审查，开发者也可以配置指令，禁止模型自动绕过验证码、破坏系统完整性或接管高风险设备。

为什么重要

我们认为，AI 智能体的竞争焦点正在从打字对话全面转向操作界面。

对开发者和企业来说，它的最大价值在于绕过了 API 的门槛。现实中有大量老旧系统、第三方 SaaS 根本没有开放接口，以往做自动化只能靠死板的脚本，页面结构一变就报错。现在开发者可以用 Playwright 或 Browserbase 配合它，直接把跨网站录入、复杂 UI 自动化测试跑起来。

普通用户虽然暂时不能开箱即用，但随着各类基于它构建的助手落地，繁琐的搬砖式操作会大幅减少。

Google 这次把重心完全压在浏览器和移动端，而不是急于抢占整个桌面系统，看起来是一步很聪明的取舍。毕竟现代工作流绝大部分都发生在线上，浏览器的沙箱环境也比操作系统底层更好做安全隔离。

不过，现在的隐患依然摆在眼前。真实网络环境极其混乱，各种反爬弹窗、突如其来的验证码和动态加载随时可能打乱动作循环。模型能不能在复杂的真实长链路任务中保持高成功率，依然需要在公共测试里接受检验。