科技日?qǐng)?bào)記者 張夢(mèng)然
當(dāng)?shù)貢r(shí)間23日一場(chǎng)在線直播中，OpenAI團(tuán)隊(duì)揭開(kāi)了首個(gè)AI智能體Operator的神秘面紗。這一創(chuàng)新成果打破了傳統(tǒng)應(yīng)用程序編程接口的限制，賦予了AI直接與圖形用戶界面交互的能力，從而向?qū)崿F(xiàn)通用人工智能邁進(jìn)了一步。
演示中，Operator展現(xiàn)了其強(qiáng)大的能力。它不僅能夠精確理解指令，還能自主完成復(fù)雜任務(wù)，如自動(dòng)填寫在線表單、進(jìn)行網(wǎng)購(gòu)、創(chuàng)建表情包以及處理重復(fù)性瀏覽器任務(wù)等。這一切都是通過(guò)一個(gè)被稱為CUA的新模型實(shí)現(xiàn)的。該模型結(jié)合了GPT-4o的視覺(jué)功能和高級(jí)推理技術(shù)，并通過(guò)強(qiáng)化學(xué)習(xí)不斷優(yōu)化自己的性能。
值得注意的是，在多個(gè)測(cè)試環(huán)境中，CUA模型的表現(xiàn)令人印象深刻。例如，在OSWORLD上執(zhí)行計(jì)算機(jī)使用任務(wù)的成功率達(dá)到了38.1%，比之前最佳結(jié)果提高了近16%；而在WebArena上的成功率更是高達(dá)58.1%，提升了22%。盡管這些成績(jī)與人類相比還有一定差距（人類分別為72.4%和78.2%），但CUA在某些特定場(chǎng)景下展示了驚人的效率，比如在網(wǎng)頁(yè)代理WebVoyager平臺(tái)上，達(dá)到了87%的成功率。
為確保安全性和用戶體驗(yàn)，當(dāng)Operator執(zhí)行任務(wù)時(shí)，會(huì)采取行動(dòng)、抓取屏幕截圖并創(chuàng)建子計(jì)劃，形成一個(gè)“觀察—計(jì)劃—執(zhí)行”的閉環(huán)。此外，用戶可以隨時(shí)接管控制權(quán)，并且在接管期間的所有操作都不會(huì)被記錄下來(lái)，以此保護(hù)隱私。即使遇到買錯(cuò)東西或訂錯(cuò)酒店的情況，Operator也會(huì)在繼續(xù)行動(dòng)之前請(qǐng)求人類確認(rèn)。
面對(duì)可能存在的風(fēng)險(xiǎn)，如詐騙網(wǎng)站，OpenAI引入了一個(gè)提示注入監(jiān)視器，類似于防病毒軟件的功能，可以在發(fā)現(xiàn)可疑行為時(shí)立即停止操作。這標(biāo)志著L3級(jí)別的智能體時(shí)代正式到來(lái)，而OpenAI也重申了其對(duì)2025年的展望——這一年將是智能體之年。
隨著Operator的發(fā)布，未來(lái)幾個(gè)月內(nèi)，人們或有望見(jiàn)證更多智能體的出現(xiàn)。它們將進(jìn)一步擴(kuò)展動(dòng)作空間，適應(yīng)更加廣泛的應(yīng)用場(chǎng)景，開(kāi)啟下一輪人機(jī)交互革命。目前，Operator僅限于美國(guó)的ChatGPT Pro（付費(fèi)服務(wù)）用戶試用，不過(guò)未來(lái)很快會(huì)向更多用戶提供服務(wù)。
