摘要：OpenAI 的Operator是一种开创性的 AI 代理，标志着 3 级 （L3） 代理的首次亮相，其中 AI 可以像人类一样与数字界面交互，而不受特定 API 的限制。以下是其功能、功能和操作原理的概述：

OpenAI 的Operator是一种开创性的 AI 代理，标志着 3 级 （L3） 代理的首次亮相，其中 AI 可以像人类一样与数字界面交互，而不受特定 API 的限制。以下是其功能、功能和操作原理的概述：

功能 （Functionality）：

直接 Web 交互：操作员可以键入、单击和滚动网页以执行填写在线表格、在线购物甚至创建模因等任务。这是通过它直接与图形用户界面 （GUI） 交互的能力实现的，无需自定义 API。

任务自动化：它可以自主执行从预订到购买杂货的任务。该系统确保在一定程度的人工监督下完成任务，用户可以随时进行控制。

复杂任务执行： 操作员可以处理更复杂的任务，例如解决复杂的谜题或管理软件许可证，在简单和复杂的数字环境中展示其能力。

作用 （Impact）：

AGI 进度：Operator 的推出被视为迈向通用人工智能 （AGI） 的重要一步，因为它消除了 AI 与数字系统交互的关键障碍。

用户独立性： 通过允许 AI 接管重复或复杂的数字任务，它可以为人类腾出时间进行更细致的活动，从而可能重塑我们与技术的交互方式。

通用接口：Operator 代表了 AI 与数字世界的“通用接口”，扩大了 AI 在日常计算任务中的应用范围。

工作原理 （Working Principles）：

计算机使用代理 （CUA）：这是 Operator 背后的技术，经过训练，可以通过解释屏幕截图中的原始像素数据来与 GUI 交互。它结合使用感知、推理和行动来导航数字环境：

知觉：CUA 捕获屏幕截图以了解计算机的当前状态。

推理：通过“思维链”（CoT），它根据当前的视觉输入和过去的动作评估下一个动作，从而允许动态适应任务。

行动：执行单击或键入等操作，适应界面或任务要求的变化，大多数步骤无需人工干预，但需要用户确认登录凭据等敏感操作。

性能指标： 在基准测试中，CUA 的成功率令人印象深刻：

用于计算机的 OSWorld：38.1% 的成功率。

用于 Web 交互的 WebArena：58.1%。

WebVoyager，用于实际的 Web 任务：令人印象深刻的 87%。

限制和安全性：虽然功能强大，但 Operator 的可靠性因不同界面而异，并且难以处理不太熟悉的 UI 或需要精确文本编辑的任务。OpenAI 强调安全性，并采取措施防止代理滥用或有害行为。

来源：小王论科技