2025年1月1日，OpenAI CEO 奥特曼公布了公司的新年目标，涵盖AGI、智能体、4o升级、模型更好记忆、更长上下文等等。
图片
关于智能体，有网友爆料，OpenAI 可能在 1 月份发布一个名为 “operator” 的 Agent，这个 Agent 将具备直接控制电脑的能力。
图片
其实24年10月份的时候，Claude 就已经发布了基于 Claude 3.5 Sonnet 多模态大模型，可操作电脑的智能体。
图片
上图左侧是智能体的执行过程，Claude 能够感知计算机界面并与之交互，将用户的指令（例如“使用我的计算机和在线数据填写此表格”）转换为计算机命令（例如，检查电子表格；移动光标以打开 Web 浏览器；等等）。
要实现这种智能体至少依赖大模型的三项技术能力。
第一，用户意图理解能力，比如，用户说“打开浏览器并搜索 AI 最新进展”，大模型需要解析出“打开浏览器”和“搜索 AI 最新进展”两个子任务。
第二，任务规划与执行能力，需要将复杂的任务分解为一系列可执行的子任务。例如，“发送一封邮件”分解为“打开邮箱应用”、“点击撰写按钮”、“输入收件人”、“输入内容”、“点击发送”等步骤。
第三，视觉理解能力（多模态大模型），例如，“打开网址”需要识别浏览器地址栏的位置并输入 URL。
几乎同一时间，微软也开源了一款基于GPT-4V视觉大模型的屏幕解析工具——OmniParser，能够将用户界面（UI）截图转换为结构化元素，帮助 AI 精准理解屏幕内容并生成操作指令。
图片
当然，国内大模型也不甘示弱，智谱手机端 AutoGLM，通过语音指令模拟人操作，实现电商购物、点外卖、微信回复等功能。
下面是这三款工具总结对比：
图片
不过现阶段，这类智能体还有瑕疵，能力并不完美。
但我觉得没关系，我们不指望它能完成一个大型或者复杂的任务，现阶段能帮我们完成单一、重复性工作就挺好，嗯...自动抢票？
哦，对了前几天谷歌也发布了类似智能体，基于新版多模态大模型 Gemini 2.0 的浏览器智能体，可以自动使用浏览器完成工作。
过去一年智能体话题一直保持很高热度，10月份时候 OpenAI 还开源了一款多智能体Python开发框架——Swarm。
图片
这次又将智能体列为新年目标，看起来是要大干一场。估计各大模型厂商也要在这一领域卷一卷了。
我们仍然选择趴窗户看。
