在昨天拿到 Manus AI 的測試碼、連續進行了數個小時的測試之后，有不少在手機/PC 廠商的工程師/產品經理朋友，來找我「打聽」Manus AI 的真正能力如何。

為什么硬件行業這么關注 Manus？這與當下硬件行業最受關注的概念——LAM 有關。LAM 是一個從 LLM 延伸而來的名詞，全名為大型行動模型 ，也稱為大型智能體模型。

與 LLM 致力于「超越人類」，因此在訓練方法上也經常突破人類經驗完全不同，現階段 LAM 想要做到的，是成為人類的手，去作為人類用戶在數字世界中的代理人。

這與 Manus 的核心理念有相通之處。目前而言，Manus AI 的體驗，圍繞在一個運行在云端的 Ubuntu 操作系統虛擬機上，同時在操作系統中打開 Chrome 瀏覽器界面，在網頁中或是調用其他軟件，來完成各種用戶的請求。

為了完成這個要求，Manus 需求同時具備「自然語義理解和計算機視覺」，以及「用戶行為習慣學習與場景感知」，同時擁有「意圖識別自主決策」的能力，當然最重要的，同時也是讓 Manus AI 與此前的 Computer Use 在體驗上拉開明顯差距的，還是「跨應用調用工具」的能力。

舉例來講，對于常見的「能不能用 Manus AI 生成一段視頻」這個問題，嚴格來講回答是「可以」，但 Manus AI 去生成一段視頻的方式，也是通過在網絡上搜索第三方 AI 視頻生成工具，并在這個過程中使用到各種工具，來完成用戶的請求。

一、LAM 真正的未來

進入 2025 年，Agent AI，或者說 LAM 在端側的落地，已經是再明顯不過的趨勢。但怎么落地，以及最終呈現給用戶的會是怎樣的商業產品，仍然有很多問題。

早在 2024 年初，彼時發布的 Rabbit R1 硬件，以及對應的 LAM 工具——Rabbit LAM Playground 其實已經展現出了今天我們在 Manus AI 中看到的能力雛形。

在官方的演示中，Rabbit R1 所搭載的 LAM Playground，能主動幫助用戶完成類似音樂播放、打車等服務，實際上背后的技術原理，就是通過使用 LAM 來訪問對應服務的網站，通過模擬人類與網站的交互方式，完成用戶指令中的工作內容。

但彼時的 Rabbit Playground 受限于模型以及開發能力的限制，還并不能做到像人類一樣，在互聯網中暢通無阻。

在實際用戶的測試中，面對類似人機驗證這樣的場景 Rabbit Playground 仍然難以通過，也無法使用第三方工具，來完成生成復雜表格、導出 PPT 這樣的用戶需求。

由于在實際使用中面臨著諸多挑戰，Rabbit R1 作為一款明星 AI 硬件，很快就退出主流用戶的視野，AI 時代的熱點變化的是如此之快，以至于到了 2025 年年初，在互聯網上已經很難找到關于這款產品討論的聲音。

但 LAM 這個概念，作為一個可能改變人類用戶與智能硬件設備交互的火種，留存了下來，仍然作為行業中一個重要的研究方向而存在。

Manus AI 的出現，尤其是它在自然語義理解，以及在互聯網訪問網站時，面對各種各樣的人機識別，都能「暢行無阻」的能力，讓不少仍然在致力于 LAM 產品開發、并希望在今年推出相關測試產品的人，再次看到了一個契機，并希望通過 Manus AI 目前的能力以及展現出的短板，來進一步完善自己的產品。

目前，在致力于開發 LAM 產品、來提升用戶對手機/電腦等產品使用體驗的硬件廠商中，系統級廠商在做 LAM 中，有著最明顯的優勢。

「Manus AI 這種命令執行方式，對于算力要求非常高，但如果是瀏覽器或智能手機操作系統來做這件事，能通過獲得更多高質量數據的方式，大幅降低算力成本與提升運行速度」。

「做通用 LAM 并不用針對某些單一網站去適配，雖然在某些場景下可能」

「ManusAI中的一些簡單的場景，并不需要完全搬到上面去處理，反而是留在端側效果會更好」據這位面向桌面端開發 LAM 應用的開發者介紹，當前的端側模型經過針對性訓練之后，目前也能實現簡單的通用網頁訪問并內容識別能力，已經能初步完成例如「訪問旅游相關網站并制定旅游計劃」這樣的需求。

此外由于端側有著更便捷的文件管理系統，同時也有更強大的本地文件管理工具，遇到類似「整理并分析簡歷」這樣的需求，端側 LAM 同樣能做到更好的效果。

在我的實際測試中，我想要讓 Manus AI 幫我生成一個 PPT 文件，它就能自動在電腦上安裝對應的依賴環境，然后利用工具來自動完成 PPT 生成，雖然最終仍然完成了用戶指令中的需求，但仍然因此大幅拉低了對請求的響應時間。

二、如何理解 Manus 的意義

當前，Manus AI 展示出的邏輯中，已經向外界展示了 LAM 在「生產力」領域能帶來怎樣的改變，但仍然有很多問題亟待解答。

其中最重要的，也是被問到最多的，或許就是商業化這件事:不少用戶對于 Manus AI 這樣的服務，最終會定價多少有著諸多的猜測。

除了類似 Manus AI 這樣，完全交給云端運行，用戶端只需要「輸入命令 - 返回成果」的模式，前面提到的不少硬件廠商，實際上是將端側/云端混合運行的模式作為主流方案。

這其實也暗示了，未來 LAM 的發展，或許將分為兩個不同的主流方向；不僅有基于現有硬件算力，在端側實現性能稍差的 LAM，也有完全基于云端的「數字代理」服務。

但這樣的服務，距離最終投向市場可能還有不小的距離。「Manus AI 如果訂閱的話，這樣的服務 20 美元顯然是完全不夠的。」一位目前就職于手機廠商，研發 LAM 端側應用的工程師對此評價道。

僅僅是全程虛擬機運行以及以及實時顯示內容串流的高昂成本，就足以成為此類服務現階段面向普通消費級市場的*阻力。

對于以 ChatGPT 為代表的 LLM 產品來講，過去幾年已經迅速建立起一套行之有效的訂閱系統，用戶也在「每個月 20 美元」的周期往復中，建立起了一個準確的心理預期。

如果 LAM 未來想要以這種「前端硬件 + 后端云服務」的方式繼續存在，同樣也要經歷這樣一個過程，同時在這個過程中將訂閱成本快速拉低，最終將這一商業模式跑通。

隨著完全在云端部署的 LAM 進一步完善，我們大概率會再次看到像 Rabbit R1 這樣、有著更靈活形態的 AI 硬件設備出現:它可以是智能手表、也可以是 AI 眼鏡，甚至都可能是完全不需要屏幕的智能耳機等設備。

到這個階段，LAM 實際上已經進化成了 Agent UI:用戶并不再需要傳統手機桌面、瀏覽器那樣的用戶交互界面，只需要一個供用戶輸入指令的方式，以及接受 LAM 最終交付成果的終端。

它或許不如 LLM 那樣科幻，但它卻是在現有硬件的基礎上，短期內我們能看到最明顯、最有能力給用戶與硬件的交互，帶來改變的方向。

隨著 Manus AI 進一步將 LAM 以及 Agent AI 能做到什么，展現給更多普通用戶，這或許就是 Manus AI 在這場浪潮最終退去之后，給我們留下的最重要的收獲。

「即便最終贏家不是它，它也足夠意義重大。」一位 LAM 產品經理這樣評價 Manus AI 的行業價值。