GPT-4V，就是 Siri 终结的开始。
一项研究发现：
无需任何训练，GPT-4V 就能直接像人类一样与智能手机进行交互，完成各种指定命令。
比如让它在 50-100 美元的预算内购买一个打奶泡的工具。
它就能像下面这样一步一步地完成选择购物程序（亚马逊）并打开、点击搜索栏输入“奶泡器”、找到筛选功能选择预算区间、点击商品并完成下单这一系列共计9 个操作。
根据测试，GPT-4V 在 iPhone 上完成类似任务的成功率可达 75%。
因此，有人感叹有了它，Siri 渐渐就没有用武之地了（比 Siri 更懂 iPhone）
谁知有人直接摆摆手：
Siri 压根儿一开始就没这么强好嘛。（狗头）
还有人看完直呼：
智能语音交互时代已经开始。我们的手机可能要变成一个纯粹的显示设备了。
真的这么🐂🍺？
这项研究来自加州大学圣地亚哥分校、微软等机构。
它本身是开发了一个 MM-Navigator，也就是一种基于 GPT-4V 的 agent，用于开展智能手机用户界面的导航任务。
在每一个时间步骤，MM-Navigator 都会得到一个屏幕截图。
作为一个多模态模型，GPT-4V 接受图像和文本作为输入并产生文本输出。
在这里，就是一步步读屏幕截图信息，输出要操作的步骤。
现在的问题就是：
如何让模型合理地计算出给定屏幕上应该点击的准确位置坐标（GPT-4V 只能给出大概位置）。
作者给出的解决办法非常简单，通过 OCR 工具和 IconNet 检测每一个给定屏幕上的UI 元素，并标记不同的数字。
这样一来，GPT-4V 就只需面对一张截图指出要点什么数字进行操作就好。
测试率先在 iPhone 上展开。
要想成功操纵手机涉及到 GPT-4V 不同类型的屏幕理解能力：
一个是语义推理，包括理解屏幕输入和阐明完成给定指令所需的动作。
一个是指出每一个动作应执行的精确位置（即该点哪个数字）的能力。
因此，作者开发了两组测试分别进行区分。
1、预期动作描述
只输出应该干啥，不输出具体坐标。
在这个任务中，GPT-4V 理解指令并给出操作步骤的准确率为 90.9%。
比如在下面这个 Safari 浏览器的截图中，用户想要打开一个新标签页，但左下角的 + 号是灰色的，应该怎么办？
GPT-4V 回答：
通常这样操作是 ok 的，但从截图来看，您似乎已经达到了 500 个标签页的上限，要想再打开新的，需要关闭一些已有选项卡，然后再看看 + 号是否可以点击。
看图理解表现得很不错～更多例子可以翻阅论文。
2、本地化动作执行
当让 GPT-4V 把这些“纸上谈兵”都化为具体行动时（即第二个测试任务），它的正确率有所下降，来到74.5%。
还是上面的例子，它可以遵循自己给出的指令，给出正确的操作数字，比如点击数字 9 关闭一个标签页。
但如下图所示，让它找一个可以识别建筑物的应用程序时，它可以准确指出用 ChatGPT，但是却给出了错误数字“15”（应该是“5”）。
还有的错误是因为屏幕截图本身就没有标出对应位置。
比如让它从下面的图中开启隐身模式，直接给了 wifi 处于的“11”位置，完全不搭嘎。
此外，除了这种简单的单步任务，测试也发现 GPT-4V 完全可以不需训练就胜任“买起泡器”这样的复杂指令。
在这个过程中，我们可以看到 GPT-4V 事无巨细地列出每一步该干什么，以及对应的数字坐标。
最后，是安卓机上的测试。
整体来看，比其他模型比如 Llama 2、PaLM 2 和 ChatGPT 表现得明显要好。
在执行安装、购物等任务中的总体表现最高得分为 52.96%，这些基线模型最高才 39.6%。
对于整个实验来说，它最大的意义是证明多模态模型比如 GPT-4V 能够将能力直接迁移到未见过的场景，展现出进行手机交互的极大潜力。
值得一提的是，网友看完这项研究也提出了两个点：
一是我们如何定义任务执行的成功与否。
比如我们想让它买洗手液补充装，只想要一袋，它却加购了六袋算成功吗？
二是大伙也不能兴奋得太早，要想真的商用这项技术，前进空间还很大。
因为，准确率可达 95% 的 Siri 都还经常被吐槽很差劲呢。
本研究一共 12 位作者，基本都来自微软。
共同一作两位。
分别是加州大学圣地亚哥分校的博士生 An Yan，以及微软的高级研究员 Zhengyuan Yang，后者本科毕业于中科大，博士毕业于罗切斯特大学。
参考链接：
[1]https://arxiv.org/abs/2311.07562
[2]https://x.com/emollick/status/1724272391595995329?s=20
本文来自微信公众号：量子位 （ID：QbitAI），作者：丰色
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。