OpenAI官方介紹：

Operator是我們的首批智能體之一。這些AI能夠獨(dú)立為你完成工作——只需給它一個(gè)任務(wù)，它就會(huì)執(zhí)行。

文字編輯｜ 宋雨涵

1

OpenAI讓AI學(xué)會(huì)“用電腦”了？

Operator：AI界的“電腦高手”

在人工智能領(lǐng)域，OpenAI再次邁出了重要的一步。其最新推出的AI助手Operator，不僅標(biāo)志著AI技術(shù)的一次重大飛躍，更被視為邁向通用人工智能（AGI）的重要里程碑。作為OpenAI首款真正模擬人類操作網(wǎng)頁(yè)瀏覽器的AI助手，Operator的出現(xiàn)徹底改變了我們對(duì)AI能力的認(rèn)知。

Operator的最大亮點(diǎn)在于其能夠像人類一樣自如地操作網(wǎng)頁(yè)瀏覽器，執(zhí)行各種復(fù)雜的在線任務(wù)。無(wú)論是預(yù)訂旅行住宿、餐廳預(yù)約，還是在線購(gòu)物，Operator都能輕松應(yīng)對(duì)。用戶只需在多個(gè)類別中選擇所需的自動(dòng)化任務(wù)，Operator便能自動(dòng)完成整個(gè)流程，從搜索、比較到下單，一氣呵成。這種能力不僅極大地提高了效率，更讓AI在數(shù)字生活中扮演了更加主動(dòng)和智能的角色。

應(yīng)用場(chǎng)景廣泛：覆蓋多個(gè)生活領(lǐng)域

Operator的應(yīng)用場(chǎng)景非常廣泛，涵蓋了購(gòu)物、配送、餐飲和旅行等多個(gè)生活領(lǐng)域。用戶可以根據(jù)自己的需求，選擇相應(yīng)的自動(dòng)化任務(wù)，讓Operator代為完成。例如，在旅行領(lǐng)域，Operator可以幫助用戶搜索并預(yù)訂酒店、機(jī)票，甚至規(guī)劃整個(gè)行程；在購(gòu)物領(lǐng)域，Operator則能夠自動(dòng)比較不同商品的價(jià)格和質(zhì)量，幫助用戶做出最優(yōu)選擇。

技術(shù)突破：從被動(dòng)到主動(dòng)

Operator的推出，是AI技術(shù)從被動(dòng)工具向主動(dòng)參與者轉(zhuǎn)變的重要體現(xiàn)。傳統(tǒng)上，AI往往作為輔助工具存在，需要人類提供明確的指令才能完成任務(wù)。而Operator則能夠主動(dòng)分析用戶需求，模擬人類操作，實(shí)現(xiàn)真正的智能化服務(wù)。這種轉(zhuǎn)變不僅提高了AI的實(shí)用性和便捷性，更為未來(lái)AGI的發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。

雖然Operator目前還只能執(zhí)行特定的在線任務(wù)，但其背后的技術(shù)原理和實(shí)現(xiàn)方式卻為AGI的發(fā)展提供了寶貴的經(jīng)驗(yàn)。AGI作為人工智能的最終目標(biāo)，旨在讓機(jī)器具備像人類一樣的智能和學(xué)習(xí)能力，能夠處理各種復(fù)雜的問(wèn)題和任務(wù)。而Operator的出現(xiàn)，則展示了AI在模擬人類行為和思維方面的巨大潛力，為AGI的實(shí)現(xiàn)提供了重要的參考和借鑒。

2

Operator的工作原理

計(jì)算機(jī)使用代理?(Computer-Using Agent, CUA)

Operator的底層使用了一個(gè)全新的模型Computer-Using-Agent（CUA）。

通過(guò)將GPT-4o的視覺(jué)能力和高級(jí)推理強(qiáng)化學(xué)習(xí)相結(jié)合，CUA可以進(jìn)行GUI交互。Operator可以看到網(wǎng)頁(yè)界面的內(nèi)容，使用鼠標(biāo)、鍵盤允許的所有操作。由此它可以自動(dòng)操作，而無(wú)需自定義的API集成。

如果遇到問(wèn)題或者出現(xiàn)錯(cuò)誤，Operator可以利用推理能力自我糾錯(cuò)。并在它卡住需要幫助時(shí)，將控制權(quán)交還給用戶。CUA在WebArena和WebVoyager兩個(gè)基準(zhǔn)測(cè)試中都取得了SOTA。

與以往需要定制API集成的AI工具不同，Operator直接利用用戶每天使用的網(wǎng)頁(yè)界面，無(wú)需復(fù)雜的后臺(tái)對(duì)接，極大地?cái)U(kuò)展了AI的應(yīng)用場(chǎng)景。它能夠處理各種重復(fù)性的瀏覽器任務(wù)，例如填寫表格、訂購(gòu)食品雜貨，甚至制作表情包。

3

OpenAI的未來(lái)計(jì)劃

一、通過(guò)API使用CUA：揭示驅(qū)動(dòng)Operator的模型

OpenAI表示，很快就會(huì)通過(guò)API揭示驅(qū)動(dòng)Operator的模型，即計(jì)算機(jī)使用代理（CUA）。這一舉措將為開發(fā)者提供一個(gè)強(qiáng)大的工具，使他們能夠利用Operator的功能來(lái)構(gòu)建自己的computer use智能體。CUA結(jié)合了OpenAI的GPT-4o模型的視覺(jué)功能與更高級(jí)模型的推理能力，使其能夠在無(wú)需使用面向開發(fā)人員的API的情況下，與網(wǎng)站的前端進(jìn)行交互。這意味著開發(fā)者可以利用CUA來(lái)開發(fā)各種自動(dòng)化任務(wù)，如在線購(gòu)物、預(yù)訂旅行等，從而極大地提高工作效率。

二、增強(qiáng)功能：提高處理更長(zhǎng)、更復(fù)雜工作流程的能力

除了通過(guò)API揭示模型外，OpenAI還計(jì)劃繼續(xù)提高Operator處理更長(zhǎng)、更復(fù)雜工作流程的能力。Operator的核心功能包括自動(dòng)化任務(wù)執(zhí)行和自我學(xué)習(xí)能力，這使得它能夠理解用戶指令，并根據(jù)實(shí)時(shí)數(shù)據(jù)反饋調(diào)整工作策略。隨著技術(shù)的不斷進(jìn)步，Operator將能夠處理更加復(fù)雜和多步驟的任務(wù)，如編寫報(bào)告、編輯文檔、編程等。這將為用戶帶來(lái)更加智能化、個(gè)性化的服務(wù)體驗(yàn)。

三、讓更多人可用：擴(kuò)展到Plus、Team和Enterprise用戶

OpenAI還計(jì)劃將Operator擴(kuò)展到Plus、Team和Enterprise用戶。目前，Operator已通過(guò)ChatGPT的200美元Pro訂閱計(jì)劃向美國(guó)用戶推出。未來(lái)，隨著技術(shù)的不斷成熟和市場(chǎng)的不斷擴(kuò)大，OpenAI將逐步將Operator推廣給更多層級(jí)的用戶。這將使得更多企業(yè)和個(gè)人能夠享受到Operator帶來(lái)的便捷和高效。

四、集成到ChatGPT中：實(shí)現(xiàn)無(wú)縫的實(shí)時(shí)和異步任務(wù)執(zhí)行

OpenAI還表示，一旦在安全性與大規(guī)模可用性方面建立信心后，就會(huì)將Operator的功能直接集成到ChatGPT中。這一舉措將實(shí)現(xiàn)無(wú)縫的實(shí)時(shí)和異步任務(wù)執(zhí)行，使得用戶能夠在與ChatGPT進(jìn)行對(duì)話的同時(shí)，直接通過(guò)Operator完成各種任務(wù)。這將極大地提升用戶體驗(yàn)和工作效率，使得ChatGPT成為一個(gè)更加全面、智能的助手。

結(jié)語(yǔ)

OpenAI推出的Operator，不僅是一款功能強(qiáng)大的AI助手，更是AI技術(shù)發(fā)展的一個(gè)重要里程碑。它的出現(xiàn)不僅提高了我們的數(shù)字生活體驗(yàn)，更為未來(lái)AGI的發(fā)展開辟了新的道路。我們有理由相信，在不久的將來(lái)，AI將像人類一樣聰明、靈活，成為我們生活中不可或缺的一部分。

lixiangjing

算力豹主編