👩 作者: 壹小姐
🥷 编辑: Koji
🧑🎨 排版: NCon
7月13日，阶跃带来一场“Agent时代真正的智能体”终端品牌发布。
大屏幕上，一颗微小的橙色像素点在混沌的信息碎片中亮起。它环顾四周，轻声问了一句：“我是谁？我在哪？”
台下没人能回答它。但接下来的几分钟里，这颗像素——阶跃Amoo用一段动画，走完了AI六十年的进化之路。
AI的历史，从来不是一条平滑的上升曲线。最早1956年达特茅斯会议，约翰·麦卡锡为这项新兴学科正式命名“人工智能”。那是AI发展史上的黄金年代。
1966年，是一个关键技术节点。那一年，ELIZA聊天机器人开启人机对话先河，首个语音识别系统让机器初识人言，Shakey机器人项目则首次将AI带向物理行动，共同奠定了自然交互与智能体探索的早期基石。
但现实远比预期波折。1973年，数学家詹姆斯·拉特希尔向英国政府提交报告，尖锐地指出AI的宏伟目标几乎全部无法实现。经费被大幅削减，AI进入第一次寒冬。而后专家系统在80年代短暂繁荣后，又迅速泡沫破裂，AI再一次被放逐到学术荒野。
直到2012年，一个被称为“ImageNet时刻”的事件改变了这一切。多伦多大学Hinton团队用深度卷积神经网络AlexNet，在ImageNet图像识别竞赛中以绝对优势夺冠，错误率比第二名低了超过10个百分点。 沉睡的巨人终于醒来。此后十余年，深度学习以摧枯拉朽之势重塑了整个技术版图。
从规则系统到ResNet，从大语言模型到生成式AI，从RLHF到Agent——在这场动画结尾，用户用一句“我想念两年前去的挪威森林”唤醒了那片森林时，它寓示着一个AI的里程碑时刻发生了： AI不再只是“能聊”或“能想”了。它开始行动了。
Amoo诞生记：六幕戏，一部AI简史
阶跃《Amoo诞生记》动画的六幕场景，本质上是把AI六十年的技术演进，压缩进了几分钟的视觉叙事里。
每一幕都是一个时代，每一帧都有典故。 第一幕：诞生。
黑暗中漂浮的信息碎片，是文本、图像、声音、代码、标注数据——人类全部知识的数字化沉淀。橙色像素点醒来，问出那个哲学般的命题。它此刻还不理解世界，它只是存在于世界之中。 第二幕：撞墙。
屏幕上出现指令：“IF WALL → FALL”。Amoo按指令前进，撞墙、弹回、再撞、再弹回。这是符号AI与规则系统的缩影——机器能执行人类写好的规则，但从不真正理解自己在做什么。
这一幕背后，是AI历史上最深刻的一条路线之争——符号主义与连接主义。
从纽厄尔和西蒙到麦卡锡和明斯基，符号主义相信智能来自符号操作与逻辑推理，一切行为由“If-Then”式的规则驱动。Amoo撞墙、弹回、再撞，正是这套范式的一个隐喻：它能执行规则，但却无法理解规则之外的世界。
而连接主义者相信智能来自大量简单计算单元的连接与学习，但它一度被视作学术界的异端。这一派的代表如1958年发明感知机的弗兰克·罗森布拉特，1986年与同事在《Nature》发表反向传播算法论文的杰弗里·辛顿。但这条路被主流质疑了几十年。辛顿和他的同路人曾被嘲笑为一小撮顽固的“蠢货”，直到2012年。 第三幕：贴标签。
一只人类的手给猫贴上“CAT”标签。Amoo兴奋地冲上去，把“BREAD”贴到了猫身上——猫变成了“吐司猫”。它慌乱中从身体里掏出一本像素小书，封面写着“ResNet”，翻页时闪过“shortcut connected”和“x+F(x)”。合上书，它终于正确地识别了猫。
2015年，ResNet横空出世，由张祥雨（阶跃首席科学家）和他的合作者提出，核心思想是用“shortcut connection”让深层网络得以训练——输出等于原始输入加上学到的残差。这一思想解决了深度学习最致命的“梯度消失”问题，让神经网络第一次可以做到上百层甚至上千层。
2016年，ResNet获得CVPR最佳论文奖；十年后的2026年6月，它再次荣获CVPR Longuet-Higgins时间检验奖，这是对一项研究十年影响力的最高认证。从残差连接衍生出的思想，早已溢出计算机视觉，渗透进自然语言处理、语音、多模态等几乎所有深度学习分支。
这一幕中，Amoo翻书、学习、修正、最终正确识别——“每认错一次，世界就清楚一点”，是从ResNet到所有监督学习。
!Image 5: 图片 第四幕：吞Token。
文字、代码、emoji、标点像海洋生物一样涌来，冲刷着Amoo。它一开始吞下词语只能吐出乱码，但吞得越来越多后，它开始尝试说话：“ooo……o？”
这一幕映射的是大语言模型的预训练与“预测下一个词”的核心任务。而这一切的基础，是2017年一篇险些被埋没的论文。
2017年6月12日周一下午17点57分，8位谷歌研究人员在arXiv上提交了一篇题为《Attention Is All You Need》的论文。Transformer横空出世，完全摒弃了递归结构，依赖注意力机制，实现了并行计算。
“Transformer就是ChatGPT里的‘T’，几乎所有人工智能的创造，底座都是Transformer。”这篇论文被视为现代人工智能的奠基性文献，截至2025年被引次数已超18万次。
这一幕中，Amoo被文字浪潮冲刷的画面，正是Transformer“并行注意力”机制的视觉呈现：每一个Token都同时被关注、被处理、被理解。
这时，画面中飘过的文字包括：Alan Turing、John McCarthy、Marvin Minsky、Fei-Fei Li、Convolutional Neural Network、Backpropagation、Word Embedding……以及“AI Infra”和“Distributed Training”——这是对阶跃首席技术官朱亦博的致敬。
朱亦博的职业生涯几乎与AI Infra的发展同步。他曾在微软研究院从事分布式系统研究，是RoCE网络技术的早期奠基人之一；然后在字节跳动从零建设国内最大规模的AI Infra之一；又担任过Google Cloud GPU产品技术负责人。
他认为，AI Infra“不再只是配角，而是决定大模型成败的核心要素”。“想做最优秀的大模型，必须有最优秀的Infra”——给定算力，Infra水平决定最终模型质量。关于万卡级AI基建怎么建、怎么管，他是这块真正的专家。
这一幕中，当Amoo被词语浪潮卷着跑的时候，它背后不仅仅是“训练”，更是整个AI基础设施在支撑它不被溺亡。
从GPT-1到ChatGPT，大语言模型的演进，在Amoo的第四幕中一闪而过。2018年6月，OpenAI发布GPT-1（1.17亿参数），初代产品“还平平无奇”。2019年GPT-2（15亿参数）、2020年GPT-3（1750亿参数），模型大小呈指数级增长。Scaling Law被验证：模型越大，数据越多，性能越佳。2022年底ChatGPT问世，生成式AI时代真正到来。
事实上，人类和生成式AI的命运，也是从2017年6月12日周一下午17点57分开始交汇。那一周，Transformer诞生；那一周，大语言模型的未来正在被悄然写就。
!Image 7: 图片 第五幕：六根手指。
聊天框弹出人类指令：“画一只手。”Amoo挥手，一只漂亮的手被生成出来——但有六根手指。手指摇了摇，比了一个“NO”，红色贴纸落下：“WRONG”。多余的手指变成补丁，回到Amoo身上。它的头顶长出了一根呆毛。
这是AIGC时代的所面临的经典困境：生成能力越强，幻觉与失控的风险越大。人类反馈、RLHF、安全对齐——每一次“错误”，都被吸收为经验，模型被修正一次。
这一幕还暗含了另一个重要的技术节点：2014年，生成对抗网络（GAN）被提出，开启了机器生成内容的大门。而2022年ChatGPT的RLHF（基于人类反馈的强化学习），则让AI第一次学会了与人类价值观对齐。
从GAN到扩散模型，从指令微调到人类反馈，AI从“能生成”到“生成得好”、再到“生成得对”，这背后每一步都伴随着无数次的“WRONG”与修正。
这一幕中，Amoo出现呆毛和四肢的形态，其实正是AI智慧演进的体现。
!Image 9: 图片 第六幕：开始行动。
用户耳语般说：“我现在很想念两年前去的挪威的那片森林。”没有追问，没有确认，Amoo自己判断：你不在挪威，你在家里，你需要的是被唤起回忆。
它伸出手释放“魔法”——森林、水流声、风、画面，一起被带到了用户身边。天外来音：“Hi, Amoo。”
!Image 10 这是对话、推理之外，A智能体开始主动行动。 此刻，AI正经历第三次时代变迁。从ChatEra对话时代到ReasoningEra推理时代，今天我们站在AgentEra智能体时代的门口。
从符号主义到连接主义，从规则系统到神经网络，从感知到语言，从生成到对齐，阶跃Amoo的六幕旅程，走完了AI从婴儿到成人的全部蜕变。Amoo，是阶跃站在AgentEra门槛上，递向新世界的那张入场券。
为什么是阶跃Amoo？它的主动行动与其他智能体有什么不同？
在这背后，让这颗像素Amoo得以走出屏幕、走进真实世界的，是系统的力量。
在Amoo之下，STEPX做了更多，它不是“在系统上装一个AI助手”，而是“为智能体构建了一套完整的行动底座”。这也是多模态“卷王”阶跃星辰的一个突破，首次把触角从基模伸向了硬件终端。
同一天，阶跃星辰做了系列重磅发布：终端品牌 STEPX、智能体系统 Step AOS，以及大模型原生智能体手机 STEPX Neo。
Step AOS，为Agent而生
真的有必要为阶跃Amoo，专门搭建一整套系统吗？
今天的手机里并不缺AI。几乎所有旗舰机都宣称自己“AI赋能”。但“能修图、做摘要、接电话、读屏幕的手机已经太多了”。但卡点在于，普通手机AI助手只能完成单应用内的问答、修图、翻译，却无法跨软件连贯执行任务。
比如，当我们让它们干一件跨应用的事时，“帮我比价机票，然后预约一辆去机场的车。”得到的结果往往是：你需要自己打开航司App、比价，然后再切到打车软件手动输入地址。 原因在于：在传统操作系统里，AI是一个外挂的“访客”，而不是系统底层的“原住民”。
Step AOS团队把这个问题归纳为“三堵墙”。
!Image 13 第一堵：记忆墙。
传统OS各层级数据不流通，App之间数据彼此割裂，端与端更是孤岛。App级别的智能体注定只有“局部记忆”——它记不住你昨天在另一个App里说过什么，更不可能形成跨设备、跨场景的长期记忆。但真正的智能体需要“记得全、记得清、忆得准、忆得快”。没有系统级重构，这些都无从谈起。 第二堵：决策墙。
好的决策需要端侧快反应——设闹钟、找照片、开应用，百毫秒级响应；也需要云侧深思考——复杂推理、长文分析、多步骤规划。但在传统系统里，两者缺乏统一的协同调度。 第三堵：行动墙。
这是最致命的一堵。没有原生接口，智能体只能模拟点击——像一只看不见的手在屏幕上“戳”。没有合法身份，智能体拿不到授权，无法获得可信的行动通道和可管可回溯的超级权限。它想做，但系统不让它做。
目前，行业主流的“OS+AI”方案，面对这三堵墙的做法是：加插件、加语音入口、加一个悬浮球。但本质上还是在现有OS上嵌入Agent能力。比如，Google在Android系统层嵌入Gemini Intelligence，Apple把Foundation Models框架开放给开发者，华为发布鸿蒙智能体框架HMAF。 这次，阶跃的选择完全不同。它是从模型层出发、自下而上重新设计整套系统的第一家，为Agent而生。
Step AOS采用三层架构。底层是资源供给底座——把Android、Linux、RTOS等传统操作系统的能力拆解为计算、数据、应用与服务三类资源，供给对象从“人与应用”扩展为“智能体”。中间层构建记忆、决策、安全三大核心特性。顶层以意图驱动的自然语言交互，把全部系统能力统一交付给用户。
别人的Agentic OS是在旧系统上给Agent开一扇窗，而Step AOS是直接为Agent盖了一座房子。它从设计第一天起，系统的服务对象就变了：它不仅要服务人，还要服务智能体。这里，智能体不再是访客，而是原住民。 不过，“盖房子”的前提是：你得先有一个足够聪明的大脑住进来。对此，阶跃用一整套模型矩阵来充当这颗大脑。
在基础模型层面，阶跃布局了“Pro+Flash+Edge”三 维度完整梯队。旗舰Pro系列（Step 2，总参数1T）负责深度推理与复杂任务；标准Flash系列（Step 3.7 Flash，总参196B+1.8B ViT，激活仅11B）专为生产级Agent场景优化；端侧Edge系列则让智能体在本地实现低延迟、零Token成本的即时响应。同时，Step Audio R2.5在语⾳理解上，让智能体可以拥有”五 感六觉”。
据阶跃介绍，这三大模型的分工，贯穿了Amoo的每一次行动。三者之间通过协同——能端则端、需云则云、端云接力，确保每一步都有最合适的模型来处理。这不是一个大模型干所有事，而是一个模型矩阵让每一件事都有最合适的模型。 而且，这一切并没有停留在实验室里。
这不是模型厂商的“技术授权”故事，而是一套已经在数千万台设备上跑通的端侧模型体系。截至目前，阶跃已发布超40款自研模型，国内60%头部手机品牌已与阶跃达成深度合作，模型装机量超过4200万台，日均服务近2000万人次。
现在，STEPX，不过是把这套能力从“赋能别人”变成了“做给自己”。这也是阶跃作为⼤模型公司的原⽣优势，终端⼚商不具备、也建不起来的壁垒。
我怎么确定Amoo是可信的？
当AI从“数字大脑”进化为“物理世界行动者”，一个必须直面的问题是：当它不再只是“说”，而是开始“做”，我们凭什么信任它？
阶跃的回答是，把Amoo的行动准则，写进Step AOS的安全框架里。
发布会上，阶跃提出了智能体行动治理四要素：可信、可见、可控、可逆。
可信——操作在可信执行环境中完成，数据不出安全边界；可见——每一步操作可审计、可回溯；可控——权限按需授予、用完即收，智能体记忆可删除；可逆——误操作可一键撤回，行动可控。
而这套安全实践和标准，现在已经沉淀为行业准则。最近，STEPX联合上海人工智能实验室发布了《新一代智能体系统安全技术白皮书》，首次系统提出以上四要素。
当行业还在讨论“监管会不会扼杀创新”时，它已经把合规做进了系统底层。技术前进的速度和安全边界的建设同步进行，而不是“先狂奔再刹车”。
在外部合作层面，阶跃Amoo的生态伙伴也在继续扩容。STEPX 与携程、支付宝、滴滴、美团等首批生态伙伴达成 AI 深度合作，覆盖旅游出行、民生政务、本地生活、办公提效、内容创作等全场景服务，为用户带来 AI 生态新体验。 在这个量级的生态里，“可信、可见、可控、可逆”绝不是锦上添花，而是让智能体真正进入物理世界的一个通行证。
最后，当Agent智能体开始真正来到我们身边时，我们有必要——重新认识它。
回到阶跃Amoo那颗像素最初问出的第一个问题：“我是谁？”
动画结尾时，Amoo给出了它的回答：不是“我是一个超级智能”，而是——“我理解你，我陪伴你，我把世界带给你。”
这背后，是阶跃Amoo智能体的叙事里，一个反复出现的词：共生。
这种共生体现在三个层面：人与智能体共生——Amoo越用越懂你，从工具变成伙伴；智能体与生态共生——服务提供商通过原子能力接入Step AOS；技术进化与安全边界共生——四要素安全框架从第一天就嵌入系统。
那么，当Agent开始承担了所有“怎么做”的繁琐，人类开始真正有时间去问“为什么”和“为什么不”，去思考“我要去做什么、到哪里去”的。
这也是阶跃为Amoo设定的最终进化方向：把人从操作和琐碎中解放出来，让人回到与生俱来的想象、热爱与创造中去。
欢迎来到 AgentEra
在“AI的iPhone时刻”被行业喊了多年之后，STEPX直接把一款大模型原生手机摆上了桌，而且比苹果、OpenAI还要提早一步。这是行业第一次有公司把“模型—系统—硬件”的完整链路走通。
从2023年4月阶跃成立，到今年7月STEPX发布会，这三年里，阶跃以一个基模厂商后来者入局，今天，当AI真正开始走入物理世界，它选择了又一条更有挑战的路——从模型走向终端。
STEPX的名字，其中“STEP”继承阶跃星辰基因，寓意技术阶跃式增长；“X”则代表探索与边界突破。
今天，一颗像素阶跃Amoo，逐渐从混沌中醒来，走过规则、感知、语言、生成、修正，最终开始行动，成为人类的智能体伙伴。它的行动边界，也正在从个人设备向真实世界的IoT全场景延伸。
而它标记的，不仅是一个新产品的诞生，更是一个时代的拐点——欢迎来到AgentEra！ 十字路口正在寻找独立撰稿人，撰写 AI 产品和模型评测。
如果你写过类似文章：《实测 PixVerse C1[1]》、《实测 LibTV[2]》，请联系 zeo0811@gmail.com ，邮件内容请包括：① 个人介绍、② 你写过的 AI 评测文章。
我们会提供有竞争力的稿酬。期待与你一起观察与记录 AI 时代 🎪