GPT-4V学会自动操纵电脑，这一天终于还是到来了。

只需要给GPT-4V接入鼠标和键盘，它就能根据浏览器界面上网：

图片

甚至还能快速摸清楚“播放音乐”的播放器网站和按钮，给自己来一段music：

图片

是不是有点细思极恐了？

这是一个MIT本科生小哥整出来的新活，名叫GPT-4V-Act。

图片

只需要几个简单的工具，GPT-4V就能学会控制你的键盘和鼠标，用浏览器上网发帖、买东西甚至是玩游戏。

要是用到的工具出bug了，GPT-4V甚至还能意识到、并试图解决它。

图片

来看看这是怎么做到的。

教GPT-4V“自动上网”

GPT-4V-Act，本质上是一个基于Web浏览器的AI多模态助手（Chromium Copilot）。

它可以像人类一样用鼠标、键盘和屏幕“查看”网页界面，并通过网页中的交互按键进行下一步操作。

要实现这种效果，除了GPT-4V以外，还用到了三个工具。

一个是UI界面，可以让GPT-4V“看见”网页截图，也能让用户与GPT-4V发生交互。

这样，GPT-4V就能将每一步运行思路都通过对话框的形式反映出来，用户来决定是否要继续让它操作。

图片

另一个是Set-of-Mark Prompting（SoM）工具，让GPT-4V学会交互的一款工具。

图片

这个工具由微软发明，目的是更好地对GPT-4V进行提示词工程。

相比让GPT-4V直接“看图说话”，这个工具可以将图片关键细节拆分成不同的部分，并进行编号，让GPT-4V有的放矢：

图片

对于网页端也是如此，Set-of-Mark Prompting用类似的方式让GPT-4V知道从网页浏览器的哪个部分找答案，并进行交互。

最后，还需要用到一个自动标注器（JS DOM auto-labeler），可以将网页端所有能交互的按键标注出来，让GPT-4V决定要按哪个。

图片

一套流程下来， GPT-4V不仅能准确判断图片上的哪些内容符合需求，还能准确找到交互按键，并学会“自动上网”。

这是个大项目，目前还只实现了部分功能，包括点击、打字交互、自动标注等。

接下来，还有其他的一些功能要实现，例如试试AI打标器（目前网页端的交互还是通过通过JS接口得知哪里能交互，不是AI识别的）、以及提示用户输入详细信息等。

图片

此外，作者也提到，现阶段GPT-4V-Act用法上还有一些需要注意的地方。

例如，GPT-4V-Act可能会被网页打开后铺天盖地的弹窗小广告给“整懵了”，然后出现交互bug。

图片

又例如，目前这种玩法可能会违反OpenAI的产品使用规定：

除非API允许，否则不得使用任何自动化或编程的方法从服务中提取数据并输出，包括抓取、网络收集或网络数据提取。

图片

所以用的时候也要低调一点（doge）

微软SoM作者也来围观

这个项目在网上发出后，吸引了不少人的围观。

像是小哥用到的微软Set-of-Mark Prompting工具的作者，就发现了这个项目：

出色的工作！

图片

还有网友提到，甚至可以用来让AI自己读取验证码。

图片

这个在SoM项目中提到过，GPT-4V是能成功解读验证码的（所以以后可能还真不知道是人还是机器在上网）。

图片

与此同时，也有网友已经在想象桌面流自动化（desktop automation）的操作了。

对此作者回应称：

AI自动标注器应该能实现这个，我也确实在计划制作一个更通用的Copilot。

图片

不过目前GPT-4V还是要收费的，有没有其他的实现方法？

作者也表示，目前还没有，但确实可能会尝试Fuyu-8B或者LLaVAR这样的开源模型。

图片

免费的自动化桌面流AI助手，可以期待一波了。

参考链接：
[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/