Google 升級 Gemini 3.5 Flash：內建電腦操作工具，跨桌面與移動端可用

讓 AI 代替人類操作螢幕，之前通常需要開發者去呼叫一個昂貴且遲鈍的專用模型，生怕它一步操作不慎點錯按鈕。

Google 剛剛把這一套邏輯收歸到了主力梯隊。6 月 24 日，Google 宣佈將「電腦操作」（computer use）作為內建工具原生整合進 Gemini 3.5 Flash，不再需要切換到特定的實驗性模型。

把螢幕操作塞進主力輕量模型

在此之前，這項能力僅作為獨立的 Gemini 2.5 computer use 專用模型存在。

如今它被徹底整合進了 3.5 Flash。結合 Gemini 原本就具備的函式呼叫、Google 搜尋與地圖 grounding 能力，現在的 3.5 Flash 可以直接在單一模型內看懂螢幕、理解邏輯，並在瀏覽器、桌面以及移動端環境裡模擬操作。

Google 把這項能力的重心放在了長流程與企業自動化任務上，典型的用例包括跨專業軟體的資料處理，以及繁瑣的軟體持續自動化測試。

目前開發者和企業使用者已經可以通過 Gemini API 以及 Gemini Enterprise Agent Platform 直接接入，第三方測試平臺 Browserbase 也同步上線了免配置的試用環境。

提示詞注入與兩道安全剎車

讓智慧體直接在真實環境裡亂跑，最大的威脅就是網頁或文件裡藏著的提示詞注入攻擊。

為了防範這類風險，Google 稱在底層針對電腦操作場景對 Gemini 3.5 Flash 進行了專門的對抗訓練。

除了模型本身的防禦，Google 還面向企業推出了兩套可選的安全防護系統。

第一道是敏感或不可逆操作的確認機制，只要涉及高危動作，系統必須強制彈出視窗要求真人確認才能繼續。

第二道是間接提示詞注入的主動防禦，一旦系統識別到外部環境裡潛藏的惡意誘導指令，就會立即自動中止任務。

Google 同時也提醒開發者，不要指望靠單一機制完全杜絕風險，在生產環境部署時，必須配合沙箱隔離、人機協同驗證以及嚴格的許可權管理等多層防禦手段。

為什麼重要

對於需要構建自動化流程的團隊來說，這項更新最大的價值在於成本和響應速度。過去拿高階大模型做螢幕互動，不僅單次操作計費昂貴，每一步推理的延遲也極容易導致流程超時中斷。把能力塞進以快和省見長的 Flash 模型，才真正讓大規模跑自動化測試這種髒活累活具備了商業可行性。

我們認為，Google 最聰明的地方在於放棄了「特種模型」的路線，把它做成了與搜尋、地圖平級的內建基礎工具。這意味著開發者不用再去維護兩套割裂的模型排程邏輯，AI 調動鍵鼠和調動一次網頁搜尋在工程架構上變得一樣平常。

不過隱患依然非常明顯。在開放的桌面和瀏覽器裡，間接注入就像隨時可能踩中的地雷，駭客在網頁背景色裡藏一行小字就可能劫持整個會話。儘管 Google 提供了自動剎車和人工確認開關，但這本質上依然是一場攻防拉鋸。我們認為，在沒有嚴格沙箱隔離的前提下，現在就讓它去觸碰包含核心憑證和不可逆資產的生產環境，依然冒著不小的風險。