2024年10月，Claude 3.5 Sonnet推出了一项突破性的新功能：计算机使用能力（computer use）。开发者可以指导Claude像人类一样使用电脑，包括查看屏幕、移动鼠标、点击按钮和输入文字等。
Claude能够理解复杂指令，自动完成一系列操作，如浏览网页、查找信息、填写表格，甚至进行软件测试和开发。用户只需静静观看，仿佛有真人在远程操控电脑，十分神奇。
2025年初，人工智能公司OpenAI举行了一场备受期待的直播活动，发布了首款AI智能体——Operator。该智能体能够代理用户执行基于网页的操作，真正实现像人类一样使用网页浏览器。
与传统的“问一句、答一句”的聊天机器人不同，AI智能体（AI agent）能够在有限的人类监督下完成设定任务，被广泛视为AI生产力的下一个里程碑。在OpenAI通往通用人工智能（AGI）的五个步骤中，AI智能体是继聊天机器人和推理机器人之后的第三步，也是全新的一步。
OpenAI的山姆·奥尔特曼介绍，ChatGPT Pro用户（每月200美元）将能使用“研究预览版”的Operator。未来，Pro用户将逐步扩展到更多地区，几个月后，ChatGPT Plus用户也将能够使用。同时，未来几周和几个月内，还将发布更多的AI代理。
什么是Operator？
Operator由一个名为CUA（计算机使用代理）的新模型驱动，结合了GPT-4o的视觉能力和通过强化学习实现的高级推理。Operator能够“看见”网页（截图），并使用鼠标和键盘进行所有允许的操作。在操作过程中，如果遇到困难，模型会调用推理能力进行自我纠正；若仍无法解决问题，则会将控制权交还给人类。
要理解这种新事物，生动的案例是最好的方式。
Operator的界面与聊天机器人ChatGPT类似，最大的区别在于它能够调用“AI代理”完成用户的指令。在演示案例中，用户只需在对话框中输入“给我订一个XX饭店今晚19点的桌子”，AI代理便会自动打开网页，进入预订网站，搜索餐厅并完成预订。
如果用户所需的时段已被订完，AI会询问：“19点的桌子订完了，19点45分的桌子还有，要不要订？”
OpenAI也提醒用户，尽管Operator是市面上最强的AI代理，但与人类相比仍有差距。例如，在使用浏览器的基准测试中，OpenAI CUA模型的评分为58.1%，而人类的水平可达78%。因此，这项新技术仍可能出现错误，但在未来几个月内将持续改进。
目前，Operator擅长处理短任务和重复性操作，但在复杂任务（如幻灯片制作、日历管理）上表现不佳。例如，处理多步骤任务时，模型可能因界面变化或意外事件而失败。此外，在处理长DNA序列、随机字符串（如API密钥）或复杂代码时，Operator的光学字符识别（OCR）系统表现不佳。
这是因为任务超出了训练数据的范围，导致模型在识别和操作内容时容易出错。尽管OpenAI已采取多种措施防止提示注入攻击和恶意指令，但Operator在面对新型对抗性攻击时仍可能表现出脆弱性。
然而，AI这一趋势正在快速进化，预计到2025年底，各大AI公司推出的AI智能体都将能够熟练操作电脑，实现人机互动。
