GPT-4V學會自動操縱電腦，這一天終于還是到來了。

只需要給GPT-4V接入鼠標和鍵盤，它就能根據(jù)瀏覽器界面上網(wǎng)：

圖片

甚至還能快速摸清楚“播放音樂”的播放器網(wǎng)站和按鈕，給自己來一段music：

圖片

是不是有點細思極恐了？

這是一個MIT本科生小哥整出來的新活，名叫GPT-4V-Act。

圖片

只需要幾個簡單的工具，GPT-4V就能學會控制你的鍵盤和鼠標，用瀏覽器上網(wǎng)發(fā)帖、買東西甚至是玩游戲。

要是用到的工具出bug了，GPT-4V甚至還能意識到、并試圖解決它。

圖片

來看看這是怎么做到的。

教GPT-4V“自動上網(wǎng)”

GPT-4V-Act，本質(zhì)上是一個基于Web瀏覽器的AI多模態(tài)助手（Chromium Copilot）。

它可以像人類一樣用鼠標、鍵盤和屏幕“查看”網(wǎng)頁界面，并通過網(wǎng)頁中的交互按鍵進行下一步操作。

要實現(xiàn)這種效果，除了GPT-4V以外，還用到了三個工具。

一個是UI界面，可以讓GPT-4V“看見”網(wǎng)頁截圖，也能讓用戶與GPT-4V發(fā)生交互。

這樣，GPT-4V就能將每一步運行思路都通過對話框的形式反映出來，用戶來決定是否要繼續(xù)讓它操作。

圖片

另一個是Set-of-Mark Prompting（SoM）工具，讓GPT-4V學會交互的一款工具。

圖片

這個工具由微軟發(fā)明，目的是更好地對GPT-4V進行提示詞工程。

相比讓GPT-4V直接“看圖說話”，這個工具可以將圖片關(guān)鍵細節(jié)拆分成不同的部分，并進行編號，讓GPT-4V有的放矢：

圖片

對于網(wǎng)頁端也是如此，Set-of-Mark Prompting用類似的方式讓GPT-4V知道從網(wǎng)頁瀏覽器的哪個部分找答案，并進行交互。

最后，還需要用到一個自動標注器（JS DOM auto-labeler），可以將網(wǎng)頁端所有能交互的按鍵標注出來，讓GPT-4V決定要按哪個。

圖片

一套流程下來， GPT-4V不僅能準確判斷圖片上的哪些內(nèi)容符合需求，還能準確找到交互按鍵，并學會“自動上網(wǎng)”。

這是個大項目，目前還只實現(xiàn)了部分功能，包括點擊、打字交互、自動標注等。

接下來，還有其他的一些功能要實現(xiàn)，例如試試AI打標器（目前網(wǎng)頁端的交互還是通過通過JS接口得知哪里能交互，不是AI識別的）、以及提示用戶輸入詳細信息等。

圖片

此外，作者也提到，現(xiàn)階段GPT-4V-Act用法上還有一些需要注意的地方。

例如，GPT-4V-Act可能會被網(wǎng)頁打開后鋪天蓋地的彈窗小廣告給“整懵了”，然后出現(xiàn)交互bug。

圖片

又例如，目前這種玩法可能會違反OpenAI的產(chǎn)品使用規(guī)定：

除非API允許，否則不得使用任何自動化或編程的方法從服務(wù)中提取數(shù)據(jù)并輸出，包括抓取、網(wǎng)絡(luò)收集或網(wǎng)絡(luò)數(shù)據(jù)提取。

圖片

所以用的時候也要低調(diào)一點（doge）

微軟SoM作者也來圍觀

這個項目在網(wǎng)上發(fā)出后，吸引了不少人的圍觀。

像是小哥用到的微軟Set-of-Mark Prompting工具的作者，就發(fā)現(xiàn)了這個項目：

出色的工作！

圖片

還有網(wǎng)友提到，甚至可以用來讓AI自己讀取驗證碼。

圖片

這個在SoM項目中提到過，GPT-4V是能成功解讀驗證碼的（所以以后可能還真不知道是人還是機器在上網(wǎng)）。

圖片

與此同時，也有網(wǎng)友已經(jīng)在想象桌面流自動化（desktop automation）的操作了。

對此作者回應(yīng)稱：

AI自動標注器應(yīng)該能實現(xiàn)這個，我也確實在計劃制作一個更通用的Copilot。

圖片

不過目前GPT-4V還是要收費的，有沒有其他的實現(xiàn)方法？

作者也表示，目前還沒有，但確實可能會嘗試Fuyu-8B或者LLaVAR這樣的開源模型。

圖片

免費的自動化桌面流AI助手，可以期待一波了。

參考鏈接：
[1]https://github.com/ddupont808/GPT-4V-Act
[2]https://www.reddit.com/r/MachineLearning/comments/17cy0j7/d_p_web_browsing_uibased_ai_agent_gpt4vact/