GPT-4V 学会用键鼠上网,人类眼睁睁看着它发帖玩游戏


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:

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:

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。

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。

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。

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

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:

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。

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。

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。

又例如,目前这种玩法可能会违反 OpenAI 的产品使用规定:

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:

还有网友提到,甚至可以用来让 AI 自己读取验证码。

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)。

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:

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。

免费的自动化桌面流 AI 助手,可以期待一波了。

参考链接:

本文来自微信公众号:量子位 (ID:QbitAI),作者:萧箫