Gemini 3.5 Flash内置计算机使用能力：工程优化的实然与产业叙事的偏差

2026年6月24日，谷歌DeepMind正式宣布为Gemini 3.5 Flash主模型新增内置计算机使用能力[3][7]。消息发布后，“基座吞并工具链、独立智能体公司将被边缘化”的叙事快速传播[1]，甚至被解读为大模型厂商重构智能体行业格局的标志性动作。但拆解技术实现的底层逻辑、产业落地的真实边界与合规框架的约束，即可发现这一更新本质是一次降低开发门槛的工程优化，而非重构行业格局的架构突破，其影响范围远小于主流叙事的描述。

技术实然：“内置”的本质是预集成，而非架构级突破

要理解这次更新的真实分量，首先需要厘清计算机使用能力的演进路径。2025年谷歌推出的Gemini 2.5计算机使用版本，是一款独立的专项模型，开发者需要单独调用接口，自行适配浏览器、桌面端、移动端等不同设备的GUI动作映射规则，独立处理提示注入、越权操作等安全问题[3]。根据智能体开发行业的普遍估算，对于大多数中小开发者而言，仅多端动作适配这一项工作，就需要占用整个智能体项目30%左右的研发资源。

此次更新的核心变化，是将原本独立的计算机使用功能，整合进了Gemini 3.5 Flash主模型的API接口中。但这里的“内置”并非多数叙事中描述的“将操作逻辑内化进基座参数”，而是谷歌将原本需要开发者单独编写的GUI动作映射规则、基础提示注入防护逻辑，打包成了API的可选输出项[3][4][7]。DeepMind官方发布渠道仅提及针对计算机使用场景做了对抗训练和输出格式对齐，未披露任何基座参数或模型结构的调整[3][7]。

打一个通俗的比方：这就像手机厂商原本只销售裸机，用户需要自行采购贴膜、保护壳等配件，现在厂商将通用款的贴膜和保护壳预装在了手机上，用户拿到手即可直接使用，但手机本身的芯片、操作系统等核心配置没有任何改动。用户节省了采购配件的成本，但无法通过预装的配件获得超出原有硬件能力之外的功能。

从运行机制上看，该功能的能力边界十分清晰：开发者调用计算机使用能力时，所有操作都运行在谷歌托管的Browserbase沙箱中，模型不具备直接访问用户本地设备的权限；每一步操作都需要处理屏幕截图的多模态输入，单步token消耗是纯文本推理的3-4倍[4]；官方明确要求所有使用场景必须搭配安全沙箱和人在回路机制，这意味着该能力并不支持无人值守的生产级场景，人在回路的核验成本仍然是落地的最大开销[4]。

截至目前，尚无任何第三方机构公开该功能在MiniWoB++、WebArena等通用GUI智能体基准测试上的独立测试结果，谷歌官方也未披露具体错误率、人工干预频率或单位任务成本的量化数据，仅在发布公告中提及该功能可“提升长周期与企业自动化任务表现”[3][4][7]。这一核心性能数据的缺失，意味着所有关于“性能大幅提升”“成本显著下降”的判断，目前仍停留在理论推演层面，尚未得到公开验证。

产业边界：仅挤压通用框架厂商，垂直场景反而受益

主流叙事中“基座吞并工具链、独立智能体被边缘化”的判断，核心逻辑是基座厂商将智能体开发的核心能力内化，独立厂商失去利润空间。但拆解智能体行业的价值分配逻辑，即可发现这一判断混淆了“通用动作层”和“场景核心层”的价值差异，其影响范围仅局限于极小部分厂商。

仅通用GUI框架厂商的生存空间被压缩

此次更新直接冲击的，是此前主打通用GUI自动化框架、靠标准化工具授权盈利的中小厂商。这类厂商的核心价值，就是帮开发者省掉编写多端GUI动作映射层的成本，通过售卖框架授权、提供技术支持获得收入。而这次更新后，开发者只需在调用Gemini API时开启对应参数，即可获得标准化的结构化动作输出，根据行业估算接入成本可下降约70%[4]，无需再自行维护多端动作映射规则。行业估算显示，这类厂商依赖通用框架授权的40%以上毛利空间会被直接压缩，其原有核心价值被基座厂商的预集成能力替代。

但根据金元证券2026年5月发布的智能体行业研报统计，这类通用GUI框架厂商在整个独立智能体行业中的占比不足10%，远非行业主体[11][12]。智能体行业的核心利润池，主要来自垂直场景的工作流编排、领域知识适配、合规逻辑设计等环节，这些环节的价值并未受到此次更新的任何冲击。

垂直场景智能体厂商反而获得成本红利

对于深耕垂直场景的独立智能体厂商而言，此次更新不仅不会挤压其生存空间，反而会将其从底层动作接口开发的重复劳动中解放出来，进一步强化其核心竞争优势。我们可以通过同期同类垂直智能体的落地案例，验证这一逻辑：AWS发布的医疗预约语音智能代理方案[2]，基于自研Amazon Nova 2 Sonic和Bedrock AgentCore构建，可完成患者语音核验、预约全流程管理，必要时转接人工，配套开源示例代码与浏览器测试界面[2]。其核心竞争力来自HIPAA合规适配、患者身份核验逻辑、医疗排班系统接口适配、异常场景人工转接待机流程，这些能力与底层的通用GUI动作输出能力完全无关[2]。对于同类型的医疗智能体开发者而言，此前开发这类产品时，需要投入约30%的研发资源做多端GUI动作适配，现在这部分工作可以直接通过调用Gemini API完成，厂商可以将更多资源投入到垂直场景的核心壁垒搭建中，反而进一步拉开与竞争对手的差距。

第二个案例是谷歌在2026年6月升级的NotebookLM科研工具[8]。新版NotebookLM集成了Gemini 3.5 Flash的能力，为每个用户的笔记本配备独立云端计算环境，可自主规划研究路径、调用工具并验证结果，在65%的评估场景中性能超越前代[8]。其核心壁垒是针对科研场景的知识管理、文献关联、研究路径规划逻辑，底层的代码执行、网页操作等通用能力，完全可以通过基座API实现，不需要自行开发，大幅降低了研发成本，加快了功能迭代速度。

成本优势的适用场景十分有限

主流叙事中提到的“单项目开发成本大幅下降”，是理想场景下的理论估算，仅覆盖模型调用、框架授权和基础安全开发的成本，并未计算长周期多轮交互的推理成本、人在回路的核验成本、合规审计成本[4]。由于每一步操作的单步token消耗是纯文本的3-4倍，长周期任务的总成本并没有比此前用开源智能体框架搭配低价开源模型的方案有明显优势，仅对10步以内的短周期通用任务有明确的成本吸引力[4]。

对于金融、医疗等长周期、高复杂度的场景，根据金元证券2026年5月的智能体行业研报测算，人在回路的核验成本、合规审计成本通常占总项目成本的60%以上[11][12]，这部分成本并未因此次更新有任何下降，反而可能因为责任边界的模糊而进一步上升。

合规天花板：数据与归责约束决定能力覆盖范围

此次更新的最大约束并非技术能力本身，而是全球AI监管框架下的合规硬约束，这些约束直接决定了该能力的落地场景天花板，远非主流叙事中描述的“可覆盖全行业自动化需求”。

归责原则与服务条款的直接冲突

谷歌Gemini API的服务条款中明确规定，“开发者对使用计算机使用功能的所有场景后果承担全部责任”，而欧盟《人工智能法案》、美国《人工智能行政命令》及中国《生成式人工智能服务管理暂行办法》均确立了“风险控制权与合规责任匹配”的核心原则——掌握AI系统核心风险控制能力的主体需承担首要合规义务[4][11]。

由于谷歌同时掌握动作输出的核心逻辑和所有操作的全量日志，是风险的实际控制者，一旦出现误删核心数据、越权访问敏感系统、提示注入引发的恶意操作，监管极有可能要求谷歌承担首要举证责任，这与谷歌的免责条款存在直接冲突[4]。这一冲突意味着，企业使用该功能时，不仅要承担场景本身的合规责任，还要承担基座厂商免责条款与监管规则冲突带来的额外风险，进一步推高了高价值场景的落地成本。

数据出境的硬约束

该功能仅支持通过谷歌公有API调用，无本地部署权限，且操作过程中会全量获取屏幕截图数据，谷歌未明确承诺不将该类数据用于模型训练[4]。这意味着金融、政务、医疗等数据不出域的场景完全无法合规使用，中国境内企业也无法满足《数据安全法》的重要数据出境要求，直接把该能力的核心落地场景锁定在中小SaaS的公开数据爬取、表单自动填写、中小企业内部无敏感数据的流程自动化领域[4]。

对于有严格数据合规要求的高价值场景，企业宁愿多付3-5倍的成本采购第三方智能体厂商的本地化方案，也不会直接调用谷歌的公有云API。毕竟一旦出现数据泄露或合规事故，企业自身的合规责任不会因为使用了基座厂商的能力而豁免，反而会因为使用了通用基座的能力，更难举证自身已尽到安全核验义务。

黑灰产风险的监管压力

大量中小开发者会被“全自动长周期任务”的叙事诱导，跳过谷歌建议的人在回路、权限管控机制，直接部署无人值守的自动化任务，根据行业估算，黑灰产利用该能力开展自动化诈骗、定向爬虫的门槛比使用开源智能体框架低70%以上[4]。这一风险已经引起监管机构的关注，一旦出现一起利用该功能的公共安全事件，监管极有可能对该功能的开放范围、使用门槛做出严格限制，进一步收窄其落地场景。

叙事偏差的本质：把工程优化包装成行业重构

此次Gemini 3.5 Flash内置计算机使用能力的更新，本质是大模型厂商将通用能力标准化的一次工程优化，谷歌在2026年I/O开发者大会上便已明确，Gemini系列模型的迭代方向是降低智能体开发的通用门槛，而非替代垂直场景的应用开发[10]。其核心价值是降低了通用GUI智能体的开发接入门槛，让开发者无需再投入大量资源做底层动作接口的重复开发。但主流叙事将其包装成“基座吞并工具链、独立智能体被边缘化”的行业重构事件，本质是混淆了“通用动作层”和“场景核心层”的价值差异，放大了更新的影响范围。

未来智能体行业的核心竞争，仍然是垂直场景的工作流编排、领域知识适配、合规逻辑设计等环节的积累，而非底层通用动作能力的竞争。基座厂商的通用能力越标准化，深耕垂直场景的独立智能体厂商的核心壁垒反而越突出——他们可以将更多资源投入到核心价值环节，进一步强化自身的竞争优势。所谓的“基座吞工具、独立智能体被边缘化”的叙事，更多是对技术更新的过度解读，并未反映行业的真实价值分配逻辑。