•
狂熱過後，我和幾位硬體工程師聊了聊Manus 的價值和意義
「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 的產業價值。
在昨天拿到Manus AI 的測試碼、連續進行了數個小時的測試之後，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。
為什麼硬體產業這麼關注Manus？這與當下硬體產業最受關注的概念—LAM 有關。 LAM 是從LLM 延伸而來的名詞，全名為大型行動模型(Large Action Models)，也稱為大型智能體模型。
與LLM 致力於「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，去作為人類使用者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，圍繞在一個運行在雲端的Ubuntu 作業系統虛擬機器上，同時在作業系統中開啟Chrome 瀏覽器介面，在網頁中或呼叫其他軟體，來完成各種使用者的請求。
為了完成這個要求，Manus 需求同時具備「自然語義理解和電腦視覺」，以及「使用者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 與先前的Computer Use 在體驗上拉開明顯差距的，還是「跨應用程式呼叫工具」的能力。
舉例來講，對於常見的「能不能用Manus AI 生成一段影片」這個問題，嚴格來講回答是「可以」，但Manus AI 去生成一段影片的方式，也是透過在網路上搜尋第三方AI 影片產生工具，並在這個過程中使用到各種工具，來完成使用者的請求。
01 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。但怎麼落地，以及最終呈現給使用者的會是怎樣的商業產品，還是有很多問題。
早在2024 年初，彼時發佈的Rabbit R1 硬體，以及對應的LAM 工具——Rabbit LAM Playground 其實已經展現了今天我們在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，能主動幫助使用者完成類似音樂播放、打車等服務，實際上背後的技術原理，就是透過使用LAM 來訪問對應服務的網站，透過模擬人類與網站的互動方式，完成使用者指令中的工作內容。
但彼時的Rabbit Playground 受限於模型以及開發能力的限制，還不能做到像人類一樣，在網路中暢通無阻。
在實際使用者的測試中，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，來完成產生複雜表格、匯出PPT 這樣的使用者需求。
由於在實際使用中面臨著諸多挑戰，Rabbit R1 作為一款明星AI 硬體，很快就退出主流使用者的視野，AI 時代的熱點變化的是如此之快，以至於到了2025 年年初，在網際網路上已經很難找到關於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使用者與智慧硬體裝置互動的火種，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，以及在網際網路存取網站時，面對各種各樣的人機識別，都能“暢行無阻”的能力，讓不少仍然在致力於LAM 產品開發、並希望在今年推出相關測試產品的人，再次看到了一個契機，並希望通過Manus AI 目前的能力以及展現出自己的完美產品。
目前，在致力於開發LAM 產品、來提升使用者對手機/電腦等產品使用體驗的硬體廠商中，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，對於算力要求非常高，但如果是瀏覽器或智慧型手機作業系統來做這件事，能透過獲得更多高品質資料的方式，大幅降低算力成本與提升運行速度」。
「做通用LAM 並不用針對某些單一網站去適配，雖然在某些場景下可能」
「 Manus AI 中的一些簡單的場景，並不需要完全搬到（雲端）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後，目前也能實現簡單的通用網頁訪問並內容識別能力，已經能初步完成例如“旅遊相關網站並制定旅行計畫”的需求。
此外由於端側有著更便利的檔案管理系統，同時也有更強大的本機檔案管理工具，遇到類似「整理並分析履歷」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 檔案，它就能自動在電腦上安裝對應的依賴環境，然後利用工具來自動完成PPT 生成，雖然最終仍然完成了使用者指令中的需求，但仍然因此大幅拉低了對請求的響應時間。
02 如何理解Manus 的意義
目前，Manus AI 展現的邏輯中，已經向外界展示了LAM 在「生產力」領域能帶來怎樣的改變，但仍有許多問題亟待解答。
其中最重要的，也是被問到最多的，或許就是商業化這件事：不少使用者對於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，完全交給雲端運行，使用者端只需要「輸入命令- 返回成果」的模式，前面提到的不少硬體廠商，實際上是將端側/雲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；不僅有基於現有硬體算力，在端側實現性能稍差的LAM，也有完全基於雲端的「數位代理」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（訂閱費）顯然是完全不夠的。」一位目前就職於手機廠商，研發LAM 端側應用的工程師對此評價道。
僅僅是全程虛擬機器運作以及以及即時顯示內容流的高昂成本，就足以成為此類服務現階段面向普通消費級市場的最大阻力。
對於以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，使用者也在「每個月20 美元」的周期往復中，建立起了一個精準的心理預期。
如果LAM 未來想要以這種「前端硬體+ 後端雲端服務」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。
隨著完全在雲端部署的LAM 進一步完善，我們大機率會再次看到像Rabbit R1 這樣、有著更靈活形態的AI 硬體裝置出現：它可以是智慧手錶、也可以是AI 眼鏡，甚至都可能是完全不需要螢幕的智慧耳機等裝置。
到這個階段，LAM 其實已經進化成了Agent UI：使用者並不再需要傳統手機桌面、瀏覽器那樣的使用者互動介面，只需要一個供使用者輸入指令的方式，以及接受LAM 最終交付成果的終端。
它或許不如LLM 那樣科幻，但它卻是在現有硬體的基礎上，短期內我們能看到最明顯、最有能力給使用者與硬體的互動，帶來改變的方向。
隨著Manus AI 進一步將LAM 以及Agent AI 能做到什麼，展現給更多普通使用者，這或許就是Manus AI 在這場浪潮最終退去之後，給我們留下的最重要的收穫。
「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 的產業價值。 （極客公園）