2026年6月24日，Google DeepMind 团队宣布将计算机使用（Computer Use）能力作为内置工具，原生集成到 Gemini 3.5 Flash 模型中。开发者现在可以通过单一模型，构建能够在浏览器、移动设备和桌面环境之间自主执行任务的 AI Agent。
这意味着 Google 在 AI Agent 能力上迈出了一大步——不再需要借助独立的第三方框架或额外部署的计算机视觉模型，Gemini 3.5 Flash 本身就具备了"看懂屏幕并操作界面"的能力。AI 从对话工具升级为跨平台操作者，AI Agent 终于有了真正意义上的"手和脚"。
一、Computer Use 的技术实现与能力边界
本次 Gemini 3.5 Flash 内置的 Computer Use 能力，与 Anthropic 此前在 Claude 中推出的 Computer Use 功能在定位上有所不同。其核心差异在于：Google 将这一能力作为模型的"原生内置工具"来处理，而非独立的端侧应用或额外的插件。
从技术实现来看，Gemini 3.5 Flash 集成了对屏幕内容的视觉理解、元素定位和交互操作能力。模型能够：
- 查看屏幕：识别浏览器、桌面应用或移动端界面的视觉内容
- 推理操作：理解当前界面状态，决定下一步应该点击哪里、输入什么内容
- 执行交互：模拟鼠标点击、键盘输入等操作，完成跨应用的工作流
Google 强调，Computer Use 不是独立的应用或产品，而是 Gemini 3.5 Flash 模型本身的一项基础能力。开发者可以通过 Gemini API 直接调用这一能力，在现有应用中为 AI Agent 赋予"操作计算机"的功能。
二、企业级应用场景与安全防护体系
Computer Use 的集成使 Gemini 3.5 Flash 在多个企业级场景中展现了实用价值。最典型的应用方向包括：
持续软件测试：AI Agent 可以自动在浏览器中打开测试环境、执行用户操作流程、检查页面响应和错误状态，实现真正的端到端自动化测试。
专业知识和数据提取：对于没有开放 API 的旧系统或外部网站，AI Agent 可以像人类操作员一样登录系统、导航菜单、提取数据并录入目标系统。
跨平台工作流自动化：Agent 可以在浏览器中执行一项任务，将结果同步到桌面应用中，再触发移动端的通知或操作——打通不同平台之间的数据孤岛。
安全方面，Google DeepMind 为 Computer Use 配备了多层防护体系：模型经过对抗性训练以识别和抵御恶意指令；所有敏感操作（如资金交易、数据删除）需要用户手动确认；内置自动终止机制用于检测潜在的提示注入攻击。这些安全措施旨在防止 AI Agent 在自主操作过程中被恶意利用。
三、"Computer Use"能力竞赛：各大厂商的差异化路径
Computer Use（或更广义的"AI 操控设备"）已成为 2026 年 AI Agent 能力竞赛的核心赛道之一。各大厂商在这一能力上走了不同的技术路线：
Anthropic Claude：早在 2025 年底就在 Claude 桌面版中引入了 Computer Use 功能，通过独立的计算机视觉模型实现屏幕理解和操作。但 Claude 的 Computer Use 被视为"附加能力"，需要额外配置。
OpenAI Codex / Operator：OpenAI 通过 Codex 的 Record & Replay 功能和 Operator 产品实现类似能力，但更多聚焦在编程场景和预设工作流的录制回放上。
Google Gemini 3.5 Flash：最大的差异化在于"原生集成"——Computer Use 不是插件、不是独立服务，而是模型本身内置的能力。这意味着调用成本更低、集成更简单、响应速度更快。
三种路径各有优劣：Claude 的方案灵活性高但配置复杂，OpenAI 的方案强调用户可控但场景受限，Google 的方案胜在系统集成度最高但在精细控制上还需打磨。
四、对 AI Agent 产业的深层影响
Gemini 3.5 Flash 原生集成 Computer Use，对 AI Agent 产业至少产生三个层面的影响：
第一，降低了 Agent 自主操作的技术门槛。此前，开发者构建一个能自主操作计算机的 Agent 需要集成视觉模型、动作规划模型、环境适配层等多个组件。现在通过单一模型的 API 调用即可实现，这意味着更多中小开发者和企业可以进入这一领域。
第二，加速了从"推荐"到"执行"的闭环。当 AI Agent 不仅可以回答问题，还能实际操作软件完成业务流程时，AI 的角色从"建议者"转变为"执行者"。这一转变对企业办公自动化、客户服务自动化等领域的影响将是结构性的。
第三，安全治理面临新挑战。AI 获得了操作计算机的能力，意味着一旦发生安全漏洞，AI 可以造成的"物理影响"远大于纯文本对话模型。Google 的安全防护体系提供了参考，但整个行业仍需建立更加系统化的 Computer Use 安全规范和审计标准。
值得注意的是，在 Google 之前，微软在 Build 2026 上发布的 Scout 智能体也展示了类似的"永远在线、跨平台操作"能力。Computer Use 正从单一公司的技术亮点演变为整个 AI 行业的标配能力——2026 年下半年，几乎所有主流模型都可能内置这一功能。