OpenAI发布了一个新的用于预览的AI代理Operator，该代理可以控制计算机浏览器并代表你执行操作。该工具可以通过键入、单击和滚动与网页进行交互。
Operator是OpenAI的首批AI代理之一。该公司声称，其表现优于竞争对手的人工智能代理，如基于Gemini 2.0构建的Google DeepMind的Mariner，以及Anthropic的Claude 3.5 Sonnet升级版的Computer Use。
那么，Operator到底能做什么呢？根据OpenAI的说法，可以使用该工具执行各种与浏览器相关的任务。这包括个人购物、填写表格和旅行预订。企业可以对Operator进行费用管理、会议安排和数据迁移的编程。
OpenAI的Operator由一种名为计算机应用代理（CUA）的新模型提供支持。通过强化学习整合高级推理和视觉，CUA被训练成导航和使用图形用户界面（GUI）。这使得它可以通过屏幕截图来“查看”屏幕，并使用计算机的鼠标和键盘功能进行“交互”。该工具不需要任何自定义的API集成。
虽然Operator旨在通过自我纠正来克服挑战或错误，但如果它卡住或需要帮助，它可以将控制权交还给用户。OpenAI表示，CUA还处于早期阶段，存在局限性，但它在WebVoyager和WebArena上仍然表现良好，这两个是评估AI代理的常用基准框架。
Operator经过训练，可以要求用户接管需要支付详细信息、登录或解决验证码的任务。与在浏览器上使用多个选项卡类似，用户可以让Operator同时运行多个任务。
OpenAI承认，Operator“目前遇到了创建幻灯片或管理日历等复杂界面的挑战”，但预计该工具将随着时间的推移不断改进和发展。
OpenAI通过介绍Operator的博客分享道：“为了确保安全和迭代的推出，我们从小处着手。”“从今天开始，美国的专业用户可以在Operator.chatgpt.com上使用Operator（在新窗口中打开）。这项研究预览使我们能够向用户和更广泛的生态系统学习，并在过程中不断完善和改进。我们的计划是扩展到Plus、Team和Enterprise用户，并在未来将这些功能集成到ChatGPT中。”
“早期用户反馈将在提高其准确性、可靠性和安全性方面发挥至关重要的作用，帮助我们使Operator更好地服务于每个人。”
Operator仅面向有限的受众，以便公司学习和改进工具的功能，并解决任何潜在的安全风险。根据OpenAI的说法，Operator通过多种保障措施确保用户的安全和控制。
该工具要求在关键点提供输入。它进入接管模式，用于输入敏感信息，如登录详细信息，并在完成重大操作（如提交订单）之前需要用户确认。此外，Operator经过训练，可以拒绝某些高风险任务，如银行转账，并通过将控制权交还给用户进入监视模式。
对于数据隐私，用户可以选择不使用数据进行模型训练，删除浏览数据，并一键退出所有网站。为了防御恶意行为者和敌对网站，Operator经过训练，可以通过自动和人工审查不断更新针对新威胁的防护措施。
OpenAI已经在与许多企业合作，以扩大Operator的用户群和生态系统。OpenAI分享道：“运营商将人工智能从被动工具转变为数字生态系统中的积极参与者。”“它将简化用户的任务，并为那些想要创新客户体验和更高转化率的公司带来代理商的好处。”
“我们正在与DoorDash、Instacart、OpenTable、Priceline、StubHub、Thumbtack、Uber等公司合作，以确保运营商在尊重既定规范的同时满足现实世界的需求。”
在过去的几周里，Superintelligence（超级智能）和AGI（通用人工智能）得到了广泛宣传。这两个概念指的是人工智能的高级形式。超级智能是指在几乎所有领域都超越人类智能的人工智能系统，而AGI是指能够执行人类可以执行的任何智能任务的人工智能的概念。
今年早些时候，OpenAI首席执行官Sam Altman通过他的个人博客分享了OpenAI知道如何构建AGI，AGI被认为是机器学习（ML）领域的圣杯。Altman进一步补充说，该公司现在的目标是超越这一点，并为超级智能设定了方向。
虽然人工智能代理也伴随着风险和不确定性，但科技巨头已经将其视为人工智能的下一个前沿。到2030年，人工智能代理市场的估值可能达到471亿美元。Operator的推出是OpenAI在AGI的第一次真正尝试。
Operator似乎可以“完成”很多任务，但只有时间才能证明它到底有多实用和安全。在这个初始阶段，Operator在处理基于网络的活动方面表现出了希望，但对其在现实世界中的应用仍持怀疑态度。批评者认为，虽然Operator的能力看起来令人印象深刻，但真正的考验在于它是否能够在不需要太多人为干预或对用户构成风险的情况下持续执行这些任务。
