GPT-4V 學會用鍵鼠上網,人類眼睜睜看着它發帖玩遊戲
GPT-4V 學會自動操縱電腦,這一天終於還是到來了。
只需要給 GPT-4V 接入鼠標和鍵盤,它就能根據瀏覽器界面上網:
甚至還能快速摸清楚“播放音樂”的播放器網站和按鈕,給自己來一段 music:
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。
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,用瀏覽器上網發帖、買東西甚至是玩遊戲。
要是用到的工具出 bug 了,GPT-4V 甚至還能意識到、並試圖解決它。
來看看這是怎麼做到的。
GPT-4V-Act,本質上是一個基於 Web 瀏覽器的 AI 多模態助手(Chromium Copilot)。
它可以像人類一樣用鼠標、鍵盤和屏幕“查看”網頁界面,並通過網頁中的交互按鍵進行下一步操作。
要實現這種效果,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”網頁截圖,也能讓用戶與 GPT-4V 發生交互。
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讓它操作。
另一個是 Set-of-Mark Prompting(SoM)工具,讓 GPT-4V 學會交互的一款工具。
這個工具由微軟發明,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鍵細節拆分成不同的部分,並進行編號,讓 GPT-4V 有的放矢:
對於網頁端也是如此,Set-of-Mark Prompting 用類似的方式讓 GPT-4V 知道從網頁瀏覽器的哪個部分找答案,並進行交互。
最後,還需要用到一個自動標註器(JS DOM auto-labeler),可以將網頁端所有能交互的按鍵標註出來,讓 GPT-4V 決定要按哪個。
一套流程下來,GPT-4V 不僅能準確判斷圖片上的哪些內容符合需求,還能準確找到交互按鍵,並學會“自動上網”。
這是個大項目,目前還只實現了部分功能,包括點擊、打字交互、自動標註等。
接下來,還有其他的一些功能要實現,例如試試 AI 打標器(目前網頁端的交互還是通過通過 JS 接口得知哪裏能交互,不是 AI 識別的)、以及提示用戶輸入詳細信息等。
此外,作者也提到,現階段 GPT-4V-Act 用法上還有一些需要注意的地方。
例如,GPT-4V-Act 可能會被網頁打開後鋪天蓋地的彈窗小廣告給“整懵了”,然後出現交互 bug。
又例如,目前這種玩法可能會違反 OpenAI 的產品使用規定:
所以用的時候也要低調一點(doge)
這個項目在網上發出後,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,就發現了這個項目:
還有網友提到,甚至可以用來讓 AI 自己讀取驗證碼。
這個在 SoM 項目中提到過,GPT-4V 是能成功解讀驗證碼的(所以以後可能還真不知道是人還是機器在上網
)。
與此同時,也有網友已經在想象桌面流自動化(desktop automation)的操作了。
對此作者回應稱:
不過目前 GPT-4V 還是要收費的,有沒有其他的實現方法?
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。
免費的自動化桌面流 AI 助手,可以期待一波了。
參考鏈接:
本文來自微信公衆號:量子位 (ID:QbitAI),作者:蕭簫
廣告聲明:文內含有的對外跳轉鏈接(包括不限於超鏈接、二維碼、口令等形式),用於傳遞更多信息,節省甄選時間,結果僅供參考,IT之家所有文章均包含本聲明。