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。
一脸褶子、满身赘肉演高中生？都能演高中生他爹，这部剧疯了吧？
教GPT-4V“自動上網”
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接口得知哪裡能交互，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）
微軟SoM作者也來圍觀
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：[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/
— 完 —
