OpenAI发布Operator人工智能助手

当地时间 1 月 23 日，OpenAI刚刚推出了一款名为Operator的人工智能助手，它可以自主浏览网页。该工具目前只提供给美国ChatGPT Pro用户，它代表着向可以自主工作的人工智能助手迈出了一步。

操作员可以使用GPT-4的视觉功能“看到”网站，并根据屏幕截图与网站进行交互——点击、点击和滚动网页，而无需与网站本身进行任何特殊集成。它由一种名为计算机使用代理Computer-Using-Agent（CUA）的新型人工智能模型驱动，其原理融合了视觉能力、推理能力以及与图形用户界面（GUI）的交互能力。

用户只需告诉Operator他们想要完成什么，它就会在ChatGPT界面内的一个单独的浏览器窗口中处理其余的工作。该系统允许用户通过添加自己的自定义指令来定制他们的体验——无论是针对特定页面还是跨所有站点。这些提示可以保存在主页上，方便访问，用户可以在不同的聊天窗口中同时运行多个任务。

在引擎盖下，Operator运行在（CUA）的新型人工智能模型上，该模型通过将屏幕内容作为原始数据处理，并控制虚拟光标和键盘来工作。该模型将GPT-4处理图像的能力与通过强化学习开发的高级推理技能相结合。

该系统分三个阶段运行：首先，它捕捉屏幕上看到的内容的截图。然后，它使用思维链推理来决定下一步要做什么，同时考虑到它当前看到的和之前做过的事情。

这些“内心独白”有助于它减少错误，提高准确性——就像OpenAI的o型模型一样。最后，它通过单击、滚动或键入来执行操作，直到完成任务或需要用户介入。

更值得一提的是，CUA模型还具备自我纠错能力。当遇到问题时，Operator能够自主分析、调整策略，如果实在无法解决，它会将控制权交还给用户，确保任务的顺利完成。

Operator的发布不仅仅是一个新产品的问世，更标志着AI技术发展迈入了一个新的阶段。Operator标志着OpenAI已经从Level 2迈向了Level 3，意味着它的AI技术正式进入了执行任务的阶段。在Level 2阶段，AI主要是被动地回答问题或解决特定问题。而在Level 3阶段，AI开始主动执行任务，不再局限于单一领域，而是能够综合运用各种能力来完成复杂的任务链。