OpenAI智能體能像人那樣使用電腦向實現通用人工智能邁進一步

當地時間23日一場在線直播中，OpenAI團隊揭開了首個AI智能體Operator的神秘面紗。這一創新成果打破了傳統應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，就仿佛能像人類那樣使用電腦，從而向實現通用人工智能邁進了一步。

演示中，Operator展現了其強大的能力。它不僅能夠精確理解指令，還能自主完成復雜任務，如自動填寫在線表單、進行網購、創建表情包以及處理重復性瀏覽器任務等。這一切都是通過一個被稱為CUA的新模型實現的。該模型結合了GPT-4o的視覺功能和高級推理技術，并通過強化學習不斷優化自己的性能。

值得注意的是，在多個測試環境中，CUA模型的表現令人印象深刻。例如，在OSWORLD上執行計算機使用任務的成功率達到了38.1%，比之前最佳結果提高了近16%；而在WebArena上的成功率更是高達58.1%，提升了22%。盡管這些成績與人類相比還有一定差距（人類分別為72.4%和78.2%），但CUA在某些特定場景下展示了驚人的效率，比如在網頁代理WebVoyager平臺上，達到了87%的成功率。

為確保安全性和用戶體驗，當Operator執行任務時，會采取行動、抓取屏幕截圖并創建子計劃，形成一個“觀察—計劃—執行”的閉環。此外，用戶可以隨時接管控制權，并且在接管期間的所有操作都不會被記錄下來，以此保護隱私。即使遇到買錯東西或訂錯酒店的情況，Operator也會在繼續行動之前請求人類確認。

面對可能存在的風險，如詐騙網站，OpenAI引入了一個提示注入監視器，類似于防病毒軟件的功能，可以在發現可疑行為時立即停止操作。這標志著L3級別的智能體時代正式到來，而OpenAI也重申了其對2025年的展望——這一年將是智能體之年。

隨著Operator的發布，未來幾個月內，人們或有望見證更多智能體的出現。它們將進一步擴展動作空間，適應更加廣泛的應用場景，開啟下一輪人機交互革命。目前，Operator僅限于美國的ChatGPT Pro（付費服務）用戶試用，不過未來很快會向更多用戶提供服務。