昨天，微软忽然发布了一个新的模型，能够用于网页自动化操作。他们也正式开卷跟智谱AutoGLM一样自主人工智能了。
而前天，我也在The Information网站上看到一个消息：标题Google Preps AI That Takes Over Computers，翻译过来就是：上周三Claude、周五智谱AI、周末Google，然后微软。短短一周内，已经有四个公司爆出来要发布类似的产品了，其中三个已经悄悄发布产品：Anthropic的Claude，智谱的AutoGLM和微软的OmniParser。这些产品的能力有目共睹。Goolge虽然也只是个爆料，但是大概率今年就能出来，非常心急，想把坑先占上。而且，我知道的消息是，OpenAI内部肯定也在做，就看什么时候掏出来了。二级市场对于这种自主人工智能，反馈也非常的正。上周五智谱的AutoGLM出来之后，在金融圈直接爆了，连智谱AI概念股都出来了。不过也能理解，类似于这种你发个指令他就会全自动化去处理的AI，才符合我们对人工智能的真正的期待，才有一点，那种AI变成现实的感觉。现在的AI，坦率的讲，虽然有一些智能，但是远远离不开人工，完全没有达到解放双手的目的，绝大多数时候都是“人工”+“智能”。而且对于各家AI公司来说，底层模型的能力已经卷到一定的瓶颈了，看现在大模型的一些榜单，大家也一点不关心了。理解用户的需求-》系统规划-》调用工具执行任务-》目标完成一年多前，就有人在做了，最经典的那个项目，github上狂揽十六万星的噬星狂魔AutoGPT。但是AutoGPT到后面开始沉寂，其实有个很大的问题，就是完全基于大语言模型做的。比如，纯粹的语言模型只能处理文本，而现在很多任务比如点外卖，打车都需要读取屏幕信息。大语言模型本身不能直接处理，往往需要多加一步将图片转换为文本输入。而图片转换为文字后，对于大语言模型又会丢失很多信息。好比你被蒙着双眼，只是语言告诉你屋里有些什么，无论语言描述多么细节，你想象力多么丰富，脑海里都无法还原得与真实一模一样。模型的可控性比较差，模型就容易懵逼，导致任务中断，或干脆给你随机发挥，听天由命。所以AutoGPT能做到的事情还是比较少，效果也没有那么好，慢慢就淡出大家的视野了。但是我也挺好奇一个问题，就是这将近一年半的时间，自主人工智能为啥都什么消息，直到最近，才开始密集发声？是各家都在卷其他赛道，无暇顾及，还是都在做，只不过遇到了瓶颈，最近才有所突破？就是大家都在稳步推进，只是最近刚好到了一个可以拿出来用的时间点，而且大家的进展其实也没有差异太多。而这一年半，自主人工智能没咋出现在公众视野，看起来进展很缓慢的样子，其实有两个最主要的原因。多模态模型不够成熟。
就是你不能让模型蒙着眼睛去规划任务，他都不知道屏幕上面的元素长啥样，纯粹靠文字来描述，这个效果肯定很差。所以推进这块，必须要有很强的多模态模型的基座能力作为基础。而多模态的模型，训起来其实就比纯粹的大语言模型复杂多了。数据量、资源的消耗都是指数级增长。本身就是慢，连Claude都是今年3月才上线多模态能力的。所以在模型基座上，就是会很拖沓，这个是客观的事实，不过最近几个月，大家的多模态模型已经基本都能用了，所以基座模型层面，其实就是刚好到了一个节点。虽然互联网包含大量的人类知识，但主要由静态信息（图片、文字）组成，这些静态信息无法反应一些动态的过程。比如，模型可以学习理解外卖界面上的脆皮炸鸡是多少钱。因为网上有大量的静态数据教会它钱是什么、能干什么。模型可以理解“钱是能买到炸鸡的”。但缺乏动态数据教它怎么“找到美团App，点开App，如何搜索脆皮炸鸡，然后点击下单”的这样一个动态过程。这个其实就跟o1的那套推理的路很像，模型不仅要知道结果，还要知道其中的过程。整个自主人工智能的操作路径，其实就是一个多模态的巨型思维链。o1和claude给大家打了个样，证明了强化学习这条路是对的，那强化基座模型的推理能力是一个应用方向，而做这种真正的Agent，又是一个强化学习应用的典型场景。
而这套通过强化学习补充数据的范式，其实也就是今年3、4月以后，才逐渐形成的业内共识。所以，着就能解释，为什么过去一年半的时候，这种自主人工智能一直没啥进展，直到最近才密集发声，其实就是多模态基座和数据的原因。最后，再简单说说AutoGLM这种能力，大概是怎么实现的，具体细节他们也都没透露，我只能根据我的调研结果，进行一些猜测，不过AutoGLM团队最近应该会发个技术报告，到时候可以关注一下。比如一个最简的例子，说：微信发送“今天疯狂星期四V我50”的消息给鲜虾包。那么大模型拿到任务后，会一边看当前屏幕的界面，一边利用思维链一步一步推理：任务可以在当前的UI界面下继续进行吗？是的话进行第2步，否的话就会思考“应该打开什么界面”然后进行下一步动作。
分析当前UI和最终任务的关系，分解成一步一步的动作”
现在首先需要填充输入框“今天疯狂星期四V我50”
然后点击“发送”
然后思考问题是否最终被解决？如果是的话结束，如果否的话回到第1步继续循环。
这一切，都建立在模型能看到屏幕，能理解屏幕上那些乱七八糟的元素的基础上。他不仅需要复杂的规划能力，还需要直到这个是按钮，这个是单选控件，这个是表单，这个是开关等等。而滑动这个操作，反而是最麻烦的，人看起来很简单，是因为人对于UI界面，已经有数十年的经验了，滑动本身就是预测的过程，我们根据我的经验，大概能猜到这一屏如果没有我要的信息，那他可能是在下一屏。所以我们会进行一个滑动操作，但是对于AI来说，这个预测，反而是最难的。所以后面，需要继续灌数据，灌大量的行为性数据，形成泛化能力。让AI，有跟人类一样的，UI常识，和对交互的可预测性。Claude的Computer Use和智谱的AutoGLM，都有自己的一堆问题，也远远没到一个算是完美产品的地步。以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克、Qodicat
>/ 投稿或爆料，请联系邮箱：wzglyay@gmail.com
