今天凌晨，Openai Ceo Sam Altman 宣布了两条重磅消息。
一是ChatGPT用户不仅可以获得O3-MINI的免费试用机会，PLUS付费订阅会员还将享受更多的使用额度。
另一个是备受期待的首款智能产品——Perator研究预览版。好消息是它可以帮助你自动购买，但坏消息是它可能更容易“翻转”。
OpenAI总裁Greg Brockman在X平台上发帖称：“操作员——一个智能体，可以使用自己的浏览器为你执行任务。20125年将是智能体年。”
Openai让AI学会“使用电脑”？这是迈向AGI的第一步
作为首款真正模拟人类操作网页浏览器的AI助手，Operator可以自动完成预订旅游住宿、预约餐厅、网上购物等复杂任务。
用户可以选择多个类别的不同自动化任务，涵盖购物、配送、餐饮、出行等。
该功能将首先向订阅200美元PRO的美国用户开放，然后逐步扩展到Plus、Team和Enterprise级别用户。
API预计将在几周内推出。
用户可以通过Operator.chatgpt.com访问该服务。 OpenAI 计划未来将其集成到 ChatGPT 中。然而，今天凌晨ChatGPT再次崩溃。
简单来说，当用户启用Operator时，系统会弹出一个小窗口，显示专用网页浏览器的操作界面，并实时解释正在执行的任务。在此期间，用户可以随时接管和控制。
在技术层面，Operator使用远程云浏览器来执行任务，而不依赖于网站API。
它通过截图识别界面元素，规划后续动作，形成“观察-计划-执行”的闭环，直至任务完成。系统支持多任务并行处理，运行效率高，并且可以维护登录状态。
OpenAI已与DOORDASH、Instacart、PriceLine、Stubhub、Uber等公司建立合作。
Instacart首席产品官Daniel Danker指出，“Openai的Operator是一项技术突破，它使得订购杂货的过程变得极其简单。”
按照惯例，Openai也同时召开了新闻发布会。 Sam Altman 与 Yash Kumar、Casey Chu 和 Reiichiro Nakano 一起介绍并演示了 Operator。
演示涵盖了多个实际应用场景，例如通过OpenTable预订Beetta餐厅的双人座位。原7点45分改名为7点。
使用Instacart购物系统识别购物清单——鸡蛋、菠菜、蘑菇、鸡腿、薯片，并接管更多鸡蛋等鸡蛋。
勇士门票可以尝试在Stubhub上搜索并购买预算为500美元的勇士游戏；预约清洁服务；并计划通过 Doordash 订购烧烤披萨。
理想很美好，现实很骨感。 Operator最大的问题还是不够稳定。刚开始演示的时候还算顺利，但是到了中后期演示的时候却遇到了连环“反反复复”，甚至无法成功加载相关网页。
或许是为了保证演示成功，演示人员输入的提示越来越长。
X平台大V@Rowancheung也提前体验了一下，分享了Operator的观察。
例如，虽然Operator运行在ChatGPT中，但其功能完全不同。它主要关注网页操作（点击、滚动、输入）而不是增长文本。目前系统仍存在限制，包括部分网站屏蔽AI访问，合作伙伴整合有限。
他指出，Operator需要特定的方法来优化效果，就像GPT-4适合COT提示一样，但对Operator的最佳研究还处于初步阶段。
不过，他仍然乐观地认为这项技术可以帮助人们自动处理枯燥的工作，从而将时间用于更有价值的交易。
此前有报道称，操作员执行任务时使用的截图内容可能被恶意利用，导致“即时注入攻击”，存在严重的安全隐患。
因此，保证Operator的安全使用是首要任务。
官方博客称，OpenAI主要是防止滥用，通过多层保护措施确保用户被OPERATOR牢牢控制。
接管模式：在浏览器中输入敏感信息（例如登录凭据或支付信息）时，需要运营商进行接管。在接管模式下，运营商不会收集或截图用户输入的信息。
用户确认：在完成任何重大操作（例如提交订单或发送电子邮件）之前，运营商应请求批准。
任务限制：操作员在培训后可以拒绝某些敏感任务，例如银行交易或需要高风险决策的任务，例如工作申请的决策。
监视模式：在特别敏感的网站上，例如电子邮件或金融服务，运营需要密切监视他们的行为，以便用户可以直接发现任何潜在的错误。
此外，Openai还为运营商实施了全面的隐私和安全措施。在隐私管理方面，用户可以选择退出模型训练、一键删除浏览数据和历史对话、取消所有网站。
为了防止恶意网站的攻击，建立了多层防御机制，包括检测和忽略提示注入、监控可疑行为、建立威胁识别通道。同时，运营商设有审查制度，拒绝有害请求和不当内容的请求，并对违法行为发出警告或取消访问权限。
《体验报告》公布，运营商背后的CUA技术有多强？
计算机使用代理（CUA）是支撑运营的核心技术。它融合了GPT-4O的视觉识别能力和基于强化学习的高级推理功能。
CUA通过训练具有与图形用户界面（GUI）交互的能力。它可以像人类一样操作屏幕上的按钮、菜单和屏幕上的文本框，而不依赖于特定的操作系统或网络API。
据悉，其创新之处在于，通用的接口方式让AI可以像人类一样操作各种软件工具，突破了传统AI难以应对的诸多细分应用场景。
不过，OpenAI也承认，还有很多需要改进的地方。例如，不可能保证在所有场景下都能稳定运行。
Operator中部署的CUA系统展示了不同场景下的性能。例如，它在基本网页的操作和重复性任务中表现良好，例如搜索筛选、创建购物清单和音乐播放列表（例如10/10）。
在电商网站搜索产品时，也保持着9/10的高持久力。然而，在处理复杂的房地产搜索等任务时，成功率下降至3/10。
测试还发现，提示的质量会显着影响任务的成功率。例如，在场地预订任务中，添加具体时间和操作指南后，成功率从3/10提高到8/10。
当处理不熟悉的UI界面和文本编辑时，系统表现不佳。反复试验和低效操作经常发生。文本编辑任务的成功率仅为4/10。
为了更好地量化Operator的性能指标，发布会上演示者还提到了OS World测试和Web Arena测试。
OS World用于评估AI智能在Linux等操作系统上的导航能力。操作得分38.1%，高于其他开放系统，但低于人类水平（72.4%）。
Web Arena是AI Smart在电商网站、社交论坛等网站上的导航能力。操作员得分为58.1%，也超过了其他公共人工智能系统，但未达到人类的水平。
在安全方面，演示会介绍了三大安全注意事项。首先是系统拒绝执行有害任务，使用审核模型和后续测试，并屏蔽特定网站。
其次，模型中可能存在的错误。购买和预订前必须经过系统确认，这限制了银行交易等高风险任务，并启用了对敏感网站的观察模型。
特别针对网站对抗攻击（如提示注入、越狱、钓鱼等），系统设计了谨慎的导航机制识别并忽略提示注入，实时监控模型检测可疑内容，建立可疑访问快速识别机制测试管道的模式。
最后，系统有一个提示注射监视器。与防病毒软件类似，实时监控模型检测可疑内容，当发现可疑行为时将暂停执行。
考虑到所有隐患无法预见所有安全隐患，OpenAI只能从小规模部署开始，通过不断收集和反馈来完善安全机制。
ChatGPT的崛起证明，伟大的产品往往诞生于无数次“不完美”的尝试中。
Openai也坦言目前CUA支持的还只是早期技术。虽然它已被证明在特定场景下是有用的，但仍需要通过用户反馈不断改进。
此外，他们还计划提高系统在陌生界面下的适应性，增强文本编辑的准确性，优化对不同提示词的理解，扩大可靠任务的范围。
Altman在月初的博文中表示，OpenAI已经有信心打造通用人工智能（AGI），并预测2025年第一批AI智能将“加入劳动力大军”。
包括智读昨天也宣布推出GLM-PC。
这是基于智谱多模态模型COOGAGENT，全球首款面向大众、返回汽车的计算机智能（Agent）。它可以像人类一样“观察”和“操作”计算机，帮助用户高效地完成各种计算机任务。
可以预见，这些智能方未来将具备强大的独立决策和任务执行能力，能够处理复杂的任务，甚至在某些领域取代人类的工作，从根本上改变企业的生产方式和产出。
在OpenAI的5级AGI路线图中，智能处于L3级别。它的特点是不仅能思考，还能代表用户采取行动并执行复杂的任务。
从这个角度来看，Operator不仅是OpenAI智能的第一步，也是迈向AGI的重要一步。
