划重点

• OpenAI凌晨举行直播活动，发布AI智能体Operator。Operator目前以“研究预览”形式向美国的ChatGPT Pro用户开放。

• Operator将逐步推广到ChatGPT的Plus、Team和Enterprise用户，并逐步向其他国家用户开放。
• Operator的背后的驱动力是新模型CUA，它融合了GPT-4o的视觉能力与通过强化学习实现的高级推理能力。
• Operator可能存有风险或滥用情况，OpenAI为此还推出了“接管模式”，要求用户手动输入支付详情或登录信息。

1月24日消息，OpenAI在北京时间凌晨举行直播活动，发布了市场期待已久的AI智能体Operator（意为操作员），它能够代理用户执行基于网页的操作，像人类一样点击、滚动和输入文字，完成诸如购买杂货、预订餐厅以及提交费用报告等任务。

在此之前，包括微软、Salesforce和Workday等商业软件公司纷纷推出了各自的智能体。

谷歌和人工智能初创公司Anthropic近期也推出了类似的智能体工具，它们与OpenAI的Operator相似，能够浏览网页并与菜单和按钮进行交互。

但Operator的特点是，与其他各家Agent相比，它会通过CUA的系统进行复杂的思维链反思和步骤规划。这可以大大提高其完成任务的精度和复杂性。在不依靠对具体任务进行精调的情况下，Operator就能泛化的完成多种复杂任务。

虽然在直播的实机演示中，OpenAI仅仅展示了网购、订餐等基础操作。但在后续的部分用户测试中，它甚至可以完成在Arxiv上进行论文分类搜索，阅读多篇论文并完成综述整理的复杂工作。

而且这个工作肯定是不太可能被纳入传统精调过的“意图理解”框架内的。

另外，CUA本身在网页控制和系统控制方面也达到了SOTA。虽然仍和人类有相当差距，但在演示中整体行动相当流畅。

目前，OpenAI的“Operator”智能体以“研究预览”（research preview）的形式向美国的ChatGPT Pro用户开放。这一阶段表明该产品仍处于发展初期，可能存在局限性，在演进过程中可能会出现错误。ChatGPT Pro的订阅费用为每月200美元，该服务专为需要高级AI功能的专业用户设计，提供无限制访问包括GPT-4o和o1在内的高级模型。

OpenAI表示，计划将Operator功能逐步推广到ChatGPT的Plus、Team和Enterprise用户。在直播活动中，OpenAI首席执行官山姆·奥特曼（Sam Altman）提到，Operator功能将很快在其他国家推出，但欧洲地区可能需要更长时间。

OpenAI首席运营官布拉德·莱特卡普（Brad Lightcap）表示，Operator能够在家庭和工作中节省时间，尤其是在自动化常见任务方面存在“巨大潜力”。”他指出：“Operator从根本上改变了人们与计算机的交互方式。这是一个艰巨的技术挑战，其价值取决于它的实用性。”

此外，OpenAI正在与包括Instacart、Uber、eBay、Priceline、OpenTable和Etsy在内的科技公司合作，以便让用户在Operator主页上更便捷地访问这些公司的网页。

使用新模型CUA

Operator背后的驱动力是OpenAI的新模型“计算机使用智能体”（Computer-Using Agent，简称CUA）。

该模型融合了GPT-4o的视觉能力与通过强化学习实现的高级推理能力。CUA经过训练，能够像人类一样与图形用户界面（GUI）交互，包括屏幕上的按钮、菜单和文本框。这种能力使其能够灵活地执行数字任务，无需依赖特定操作系统或网页的API。

CUA的开发基于多年在多模态理解和推理领域的基础研究。它结合了高级的图形用户界面感知能力与结构化的问题解决能力，能够将任务分解为多步骤计划，并在遇到挑战时自我调整和纠正。

这一能力标志着人工智能发展的新阶段，使模型能够使用人类日常依赖的工具，并为一系列新应用打开了大门。

尽管CUA仍处于早期阶段且存在局限性，但它已经在多个基准测试中取得了新的最高水平：在OSWorld的完整计算机使用任务中成功率为38.1%，在WebArena中为58.1%，在WebVoyager的网页任务中为87%。

这些结果表明，CUA能够在多样化的环境中使用单一通用动作空间（a single general action space）进行操作。

CUA的工作原理

局限性与风险