真正的 Computer Use，从来不该是"马拉火车"

最近总能刷到 GPT-6 操纵 Blender、操纵 Figma 的演示案例。说实话，我看着这些视频，脑子里冒出来的第一反应是，这不就是当年慈禧太后用马拉火车吗。

1881 年，唐胥铁路建成，是中国第一条实际运营的铁路。蒸汽机车一响，守旧官员就急了，说震动皇陵风水，喷烟冒火有伤地脉。慈禧太后一道懿旨，机车拆了，车厢照旧跑，前面改套上骡马来拉。

铁轨还是那条铁轨，车厢还是那节车厢，动力方式却退回了几千年前的老办法。技术的壳换了，内核死死焊在旧秩序里，没人敢把权力真正交给那个看不见摸不着的引擎。

现在很多 Computer Use 产品，本质上也是这套"骡马拉火车"的逻辑。给 Agent 一双眼睛截图，再给它一只手模拟点击、拖拽、输入。看着像是在"用电脑"，其实是在用最笨拙的方式模仿人类的操作路径，而不是真正打通系统。

Blender 有完整的 Python API，Figma 有成熟的插件和 REST 接口，结果 Agent 却要靠猜按钮位置、猜坐标对不对、点了有没有生效，一次次试错。这不是 Computer Use，这是计算机版的摸着石头过河。

我理解这套方式的价值，兼容性好，不需要软件厂商配合，几乎什么应用都能塞进这套框架里跑起来。但脆弱也是真的，界面一变识别就崩，效率天花板明显，走不远。

真正的 Computer Use，应该发生在系统级。不是靠眼睛看屏幕再猜坐标，而是 Agent 直接理解应用暴露出来的结构化状态，调用原生接口完成操作，像操作系统内部组件之间通信那样自然。

未来的系统，或许该主动向 Agent 开放一层语义化的能力接口，不管是 accessibility tree、协议化的 API，还是类似 MCP 这样的统一协议，核心都是让 Agent 用"骨骼和血管"去操作，而不是用"眼睛和手"去模仿。

穷则变，变则通，通则久。铁路终究拆掉了骡马，换回了机车。Computer Use 也终将走出这场漫长的模仿秀。