永远不会有“Linux 桌面之年”：AI 智能体时代的底层逻辑重构

背景

每年都有人预言“今年是 Linux 桌面之年”，但历史证明这从未发生。长期以来，阻碍 Linux 在桌面端普及的原因被归结为驱动程序缺失、游戏兼容性差、Adobe 和 Microsoft Office 等关键软件缺席，以及电池续航和笔记本休眠唤醒等体验问题。这些解释虽然具体且正确，但仅能说明为什么某个普通用户上周四没有切换到 Linux，却无法解释为什么桌面操作系统这一“制度性存在”将继续由 Apple 和 Microsoft 主导。

然而，随着人工智能代理（AI Agents）时代的到来，出现了一个更令人沮丧但也更深刻的新解释：未来的计算机用户不再仅仅是人，或者说，不再只是人。 机器人正在接管桌面交互。而这一转变的基石，早已存在于我们熟悉的系统中——那就是无障碍 API（Accessibility APIs）。

核心内容

1. 被忽视的“第二层”计算机界面

如果你使用 Mac 并打开系统内置的“辅助功能检查器”（Accessibility Inspector），你会看到计算机的第二个版本，它隐藏在视觉界面之下。

• 第一层（视觉层）：这是用户直接看到的界面，包含窗口、阴影、圆角矩形、Slack 图标等视觉元素。
• 第二层（结构层）：这是一棵字面意义上的对象树（Object Tree）。它包含窗口、组、按钮、文本字段、滚动区域、静态文本等对象。每个对象都有属性、值、动作、位置信息和包含内容。

这种设计最初并非为了视力正常、使用鼠标的人，而是为了那些无法依赖像素的用户。VoiceOver（旁白）、Switch Control（切换控制）和语音输入系统需要操作系统能够描述自身。如今，AI 智能体也需要这种结构化的数据接口。

2. OpenAI 的押注：Sky 与 macOS 的优势

OpenAI 的 Codex 计算机使用功能（Computer Use）清晰地展示了这一趋势。在 macOS 上，Codex 不仅仅截取屏幕截图，它还能从最前端的窗口中提取“可用文本”，包括那些在可视滚动区域之外、技术上不在屏幕上的内容。此外，它允许智能体在不中断用户使用的情况下，通过一个独立的后台鼠标与整个 Mac 进行交互。

OpenAI 在 2025 年 10 月收购了一家名为 Software Applications Incorporated 的十二人初创公司。该公司的产品 Sky 从未公开发布，但 Sam Altman 个人参与了其种子轮投资。Sky 的创始人此前曾将 Workflow 出售给 Apple，后者成为了 Shortcuts（快捷指令）。OpenAI 获得的不仅是团队，更是他们对“AI 模型驱动 Mac 的正确方式”的赌注。这一赌注被证明是正确的，目前运行在 Codex 内部的二进制文件仍被命名为 SkyComputerUseClient。

3. 默认设置（Defaults）胜过 API 本身

很多人可能认为 macOS 对智能体友好是因为其无障碍 API，但这并非全貌。Windows 和 Linux 同样拥有无障碍 API。API 本身很容易编写，问题在于执行。

macOS 领先的原因在于默认设置。在 1990 年代末，当 Apple 将无障碍功能整合进系统时，它并没有预见到未来会有估值超 8000 亿美元的“随机鹦鹉”（指大型语言模型）需要更改 Finder 中的设置。Apple 的决定是：如果你使用标准的 Mac 控件（如 NSButton、NSTextField、WKWebView）构建一个正常的 Mac 应用，那么该应用默认就是可访问的。

开发者无需额外操作，编写常规应用即可免费获得高保真度的无障碍树。Apple 将合规成本内置于 SDK 中，而非应用程序中。盲用户因此受益，而多年后的意外受益者则是 Codex 智能体。这是一种道德关怀最终转化为基础设施的典型案例。

4. Windows：优秀的 API 与考古学般的混乱

Windows 拥有非常严肃的无障碍树——Microsoft UI Automation (UIA)。从工程角度看，UIA 极其优秀：

• 它提供了完整的桌面对象模型，包含原始（raw）、控件（control）和内容（content）三种过滤视图。
• 它拥有真实的模式系统：InvokePattern（按钮）、TextPattern（文档）、ValuePattern（输入框）等。
• 微软文档曾乐观地指出，该 API 既可用于辅助技术，也可用于自动化测试脚本，这成为微软多年来最具前瞻性的陈述。

然而，Windows 的问题在于考古学。每一台 Windows 机器都是一个“电力博物馆”，应用生态极度碎片化：

• 存在 Win32、WPF、WinForms、UWP、WinUI、Electron 等多种技术栈。
• 还有 2009 年由已转行务农的合同工编写的定制业务应用。
• 有些设置面板实际上是隐藏的网页，有些桌面应用则是伪装成传统应用的 Chromium 内核应用。

UIA 本身很好，但应用程序必须“ halfway ”（配合）它。而在 Windows 上，应用程序经常无法做到这一点。扫描真实 Windows 桌面的 UIA 树充满了响应空洞的区域，就像空房子对敲门声的反应一样。

5. Linux：技术栈存在，但生态碎片化

公平地说，Linux 拥有真正的无障碍栈，称为 AT-SPI（Assistive Technology Service Provider Interface）。它运行在 D-Bus 之上，暴露了 Accessible、Action、Component、Document、Text、Value 等接口。GTK 应用、Qt 应用、Firefox 和 LibreOffice 都支持它，GNOME 的屏幕阅读器 Orca 自 2006 年以来一直在其上生产运行。

但是，智能体不仅需要无障碍树，还需要：

• 枚举窗口。
• 捕获屏幕。
• 合成输入。
• 一致的权限模型。
• 在不让用户感觉像是在观看“闹鬼的鼠标表演社区戏剧”的情况下完成上述任务。

Linux 在这些系统集成和权限管理方面仍显混乱，导致智能体难以像 macOS 那样无缝、可信地控制桌面。

关键要点

• 用户定义的转变：未来的计算机用户不仅是人类，还包括 AI 智能体。桌面操作系统需要同时服务于这两种“用户”。
• 无障碍即兼容性：无障碍树（Accessibility Tree）原本是为视障人士设计的，但现在意外地成为了智能体兼容性（Agent Compatibility）的基础。糟糕的无障碍树不仅排斥残障用户，也排斥智能体。
• macOS 的护城河：macOS 的优势不在于拥有独特的 API，而在于 Apple 在 90 年代末将无障碍合规成本内置于 SDK，使得大多数原生应用默认拥有高质量的结构化数据。这种“默认正确”的基础设施为当前的 AI 智能体提供了巨大优势。
• Windows 的困境：Windows 拥有工程上卓越的 UIA 接口，但应用生态的历史包袱（Archaeology）太重，技术栈碎片化严重，导致智能体难以可靠地解析和控制界面。
• Linux 的局限：Linux 拥有成熟的 AT-SPI 技术栈，但在窗口枚举、屏幕捕获、输入合成及权限模型的系统级整合上存在缺失，导致智能体体验不佳。
• 智能体的信任需求：智能体不仅需要 API，更需要一个“文明”的应用生态，其中按钮承认自己是按钮，文本字段承认包含文本，表格不会暴露为一堆未命名的矩形。

意义与影响

1. 操作系统竞争的维度升级

传统的操作系统竞争主要围绕硬件性能、应用生态丰富度和用户体验流畅度。在 AI 时代，竞争维度增加了一层：机器可读性（Machine Readability）。操作系统是否能为 AI 提供清晰、一致、默认开启的结构化界面，将成为新的核心竞争力。Apple 凭借早期的无障碍投资，意外获得了这一先发优势。

2. “无障碍”概念的重新定义

无障碍（Accessibility）不再仅仅是一个社会责任或合规要求，它变成了基础设施（Infrastructure）。对于开发者而言，遵循无障碍标准不再仅仅是为了帮助残障人士，更是为了让应用能够被未来的 AI 智能体所理解和操控。这将促使开发者更加重视应用的结构化语义。

3. Windows 和 Linux 的