微软很快就会让 Copilot 代理程序通过图形用户界面操作电脑,就像人类一样 —— 通过点击按钮、选择菜单,甚至在屏幕上填写表单。
周三,Windows 帝国宣布计划在 Copilot Studio — 微软搭建和部署 AI 代理的平台 — 之内启用电脑操作。这将免去员工必须亲自点击按钮和填写表单的麻烦,同时仍保持企业数据集中存储在微软云上 —— 雷德蒙德坚称这些数据不会用于训练其模型。
正如 Copilot 业务及行业部门企业副总裁 Charles Lamanna 在公司市场宣传资料中解释的:“电脑操作使得代理程序能够通过点击按钮、选择菜单、以及在屏幕上的输入框内键入文字来与网站和桌面应用程序互动。”
“这使得代理程序即便在没有可直接连接系统的 API 时也能处理任务。如果人可以使用该应用程序,代理程序也可以。”
据我们了解,AI 代理程序本质上是一些软件,它们能够与其他软件及用户进行交流,并利用生成式 AI 来做出决策和生成输出。
如今, Microsoft Copilot Studio 使客户能够创建 AI 驱动的代理程序来自动执行某些任务,但这些代理目前仅适用于特定服务,例如 SharePoint。而全新类型的代理程序则应当更加灵活。例如,你可以创建一个代理程序,并提示它执行一系列步骤,其中包括浏览以前未见过的网站、提取部分数据,并将这些数据传递给桌面应用程序。
Lamanna 提出了一些新型 Copilot 代理程序可能派上用场的场景,例如将来自多个来源的大量数据自动输入到一个中央数据库、自动收集用于研究的市场数据,或者利用 AI 文字及图像识别能力处理发票。
OpenAI为其最新模型赋能
微软并非唯一致力于使代理程序对普通人更有用的 AI 提供商。周三,OpenAI 推出了一套被称为 o3 和 o4-mini 的全新 AI 模型,据称它们是迄今为止最“聪明”的模型。它们的独特之处在于能够在 ChatGPT 内部自主使用并组合各种工具,以解决复杂的多步骤任务。
“这是我们的推理模型首次能够像代理一样在 ChatGPT 内部使用并组合所有工具 —— 包括网络搜索、使用 Python 分析所上传的文件和其他数据、深入推理视觉输入,甚至生成图像,”这家 AI 巨头表示。
举例来说,OpenAI 提出一个提示:“加州今年夏天的能耗与去年相比如何?”作为回应,o3 将发起一次网络搜索以获取公共事业数据,然后编写 Python 代码来创建能耗预测,接着生成一张图表或图片,并附上预测说明。换句话说,它能够无需人工协调或外部整合层,就自动完成涉及不同系统的多步骤任务。
OpenAI 表示,o4-mini 是一款体积更小、专为高速且节省成本的推理而优化的模型,并声称其在 AIME 2024 和 2025 的基准测试中名列前茅。
另外,OpenAI 还推出了 OpenAI Codex CLI,一款基于终端的编程代理程序。“Codex CLI 是为那些已经习惯使用终端,并希望获得类似 ChatGPT 水平的推理能力以及实际运行代码、操作文件和迭代更新能力的开发者而打造的 —— 所有操作均在版本控制之下,”该工具的 GitHub 仓库如此解释。
微软称,与预设的编程指令不同,AI 自动化在遇到障碍或界面出现意外变化时能够即时调整,而不是直接报错崩溃,而是利用内置的推理能力来应对困难。
Lamanna 声称:“电脑操作可自动适应应用程序和网站的变化。它会利用内置的推理能力实时进行调节,自主修复问题,从而确保工作不中断。”
一位 Copilot Studio 产品经理在社交媒体帖子中表示,希望这种推理过程不会涉及意外删除或违反政策的问题,正如一位关切的用户所担忧的那样。
然而,将计算任务交由 Copilot 处理可能会涉及意想不到的费用。与云服务类似,采用 AI 大规模计算的方法所产生的费用不易预测,如果某些任务计算需求较高,费用可能会让人感到惊讶。
对费用的担忧已被使用 OpenAI 的电脑操作 API 以及 Anthropic 的电脑操作 API 的用户提起。
微软正通过需要注册的早期访问研究预览,将电脑操作功能引入 Copilot Studio 用户。预计下个月在 Microsoft Build 2025 上将有更多相关信息。
好文章,需要你的鼓励
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。