OpenAI 的全球知名 AI 聊天机器人 ChatGPT 正在快速迭代更新,而最新的更新可能是迄今为止最重大的进步。
ChatGPT 在两年多前刚推出时,与今天相比还很"简陋"。自那时起,它已经进化出浏览网页、理解图像、记忆信息、更有效推理,甚至可以在离线状态下工作的能力。
然而,与即将到来的更新相比,这些进展可能都会相形见绌。
ChatGPT 的最新升级版本 - 被称为 Operator 的功能,使其能够完成比以往更复杂的任务,包括与其他网页和服务进行交互。
最重要的是,它能够自主完成这些任务 - 无需人类手把手地指导每一步操作。
简而言之,Operator 是 ChatGPT 首次尝试成为真正的 AI 代理 - 一种具备远超简单聊天机器人能力的新型 AI 工具。
那么,什么是 AI 代理?为什么它们被认为是 AI 发展的下一个重要飞跃?Operator 是否标志着一个全新智能应用、工具和服务时代的到来?
什么是 AI 代理?
首先,当我们谈论 AI 代理时,我们指的是什么?为什么这么多人认为它们如此重要?
OpenAI 将代理定义为"能够为你完成工作"的 AI 工具。
常规的生成式 AI 工具(如 ChatGPT)难道不能做到这一点吗?它们确实可以起草邮件、总结文档和翻译语言。但代理能够执行涉及多阶段指令的更复杂任务。
区别在于:常规 ChatGPT 通常只执行单个指令(称为"提示"),然后将控制权交回给人类用户,等待下一步指示。
相比之下,自主代理可以执行提示,然后利用结果自行判断下一步该做什么,无需人类干预。
它始终致力于实现人类最初给定的目标,但会运用自身的知识、逻辑和推理能力来确定实现目标所需的各个步骤。
Microsoft - 另一个坚信 AI 代理力量的公司 - 描绘了一个未来愿景:AI 代理最终将成为我们的 AI 同事,全天候为我们工作,使我们能够将时间用于需要人类参与的任务。
Operator 是如何工作的?
这些都很令人兴奋,但 ChatGPT 的 Operator 实际上是如何实现这些功能的呢?
本质上,它是通过将 ChatGPT 已经闻名的自然语言和视觉能力与通过网络界面与第三方工具和插件交互的能力相结合来实现的。
根据 OpenAI 的公告,它建立在一个被称为计算机使用代理 (Computer-Using Agent, CUA) 的新 AI 模型基础上。CUA 经过训练,能够使用图形用户界面 - 在这种情况下是网络浏览器 - 配合其基于 GPT4 的视觉能力,使其能够导航按钮和菜单,以及解释文本。
这意味着,例如,它可以浏览和在线购物、研究旅行计划、搜索最便宜的航班并进行预订,或者规划膳食计划,然后安排所有食材的配送。
从本质上说,Operator 使 ChatGPT 从简单地响应用户提示,跃升到能够主动确定并部署完成任务所需的指令。
迈向通用人工智能?
对我来说,Operator 真正令人兴奋的地方在于,它代表着朝着当前 AI 发展的"圣杯" - 通用人工智能 (AGI) 迈出的又一步,尽管可能只是一小步。
通常被称为 AGI 的通用人工智能指的是能够学习完成几乎任何任务的 AI。这与目前大多数被认为是"狭义"的 AI 形成对比,因为后者只能在其设计的任务领域内工作。
需要明确的是,代理型 AI 与通用 AI 并不相同。但是,赋予机器自行完成复杂任务的能力显然是最终创造 AGI 所必需的。
OpenAI 已经明确表示,推进通向 AGI 的最终目标是其首要任务。因此,在这种背景下,其目前对代理型 AI 的关注当然不足为奇,这也是我们可以预期未来 AI 发展方向的良好指标。
那么,这对我们当前意味着什么?
Operator 目前作为研究预览版向美国的 ChatGPT Pro 订阅用户开放。
OpenAI 希望企业能够利用它创建自己的代理,使代理型 AI 成为每个人日常工作流程的一部分。
它已经在与 Doordash、Instacart、OpenTable 等多家公司合作开发面向公众的应用。但是,除了这些知名企业外,许多小型企业也完全可以为自己的内部使用创建代理,就像他们在过去两年使用 OpenAI 的 GPT API 一样。
Operator 当然不是第一个推出的 AI 代理。开源代码库 Hugging Face 上已经有大量在过去两年开发的模型。
然而,通过将它们集成到其广受欢迎的 ChatGPT 平台中,OpenAI 将使代理型 AI 对可能缺乏技术技能来构建开源技术的数百万个人和企业变得可访问。
需要注意的是,截至撰写本文时,这一切都处于非常早期的阶段,初步印象是在代理型 AI 真正准备好进入主流之前,还有许多bug需要解决。
更不用说让 AI 自主行动所带来的安全隐患了 - 它们可能会进行购买并以可能出错的方式与世界互动!
尽管如此,ChatGPT 的这一最新版本无疑是我们近期在公开可用的 AI 领域看到的最令人兴奋的发展之一,很可能会为更多创新打开大门。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。