只需要给GPT-4V接入鼠标和键盘，它就能根据浏览器界面上网：
甚至还能快速摸清楚“播放音乐”的播放器网站和按钮，给自己来一段music：
是不是有点细思极恐了？
这是一个MIT本科生小哥整出来的新活，名叫GPT-4V-Act。
只需要几个简单的工具，GPT-4V就能学会控制你的键盘和鼠标，用浏览器上网发帖、买东西甚至是玩游戏。
要是用到的工具出bug了，GPT-4V甚至还能意识到、并试图解决它。
来看看这是怎么做到的。
教GPT-4V“自动上网”
GPT-4V-Act，本质上是一个基于Web浏览器的AI多模态助手（Chromium Copilot）。
它可以像人类一样用鼠标、键盘和屏幕“查看”网页界面，并通过网页中的交互按键进行下一步操作。
要实现这种效果，除了GPT-4V以外，还用到了三个工具。
一个是UI界面，可以让GPT-4V“看见”网页截图，也能让用户与GPT-4V发生交互。
这样，GPT-4V就能将每一步运行思路都通过对话框的形式反映出来，用户来决定是否要继续让它操作。
另一个是Set-of-Mark Prompting（SoM）工具，让GPT-4V学会交互的一款工具。
这个工具由微软发明，目的是更好地对GPT-4V进行提示词工程。
相比让GPT-4V直接“看图说话”，这个工具可以将图片关键细节拆分成不同的部分，并进行编号，让GPT-4V有的放矢：
对于网页端也是如此，Set-of-Mark Prompting用类似的方式让GPT-4V知道从网页浏览器的哪个部分找答案，并进行交互。
最后，还需要用到一个自动标注器（JS DOM auto-labeler），可以将网页端所有能交互的按键标注出来，让GPT-4V决定要按哪个。
一套流程下来， GPT-4V不仅能准确判断图片上的哪些内容符合需求，还能准确找到交互按键，并学会“自动上网”。
这是个大项目，目前还只实现了部分功能，包括点击、打字交互、自动标注等。
接下来，还有其他的一些功能要实现，例如试试AI打标器（目前网页端的交互还是通过通过JS接口得知哪里能交互，不是AI识别的）、以及提示用户输入详细信息等。
此外，作者也提到，现阶段GPT-4V-Act用法上还有一些需要注意的地方。
例如，GPT-4V-Act可能会被网页打开后铺天盖地的弹窗小广告给“整懵了”，然后出现交互bug。
又例如，目前这种玩法可能会违反OpenAI的产品使用规定：
除非API允许，否则不得使用任何自动化或编程的方法从服务中提取数据并输出，包括抓取、网络收集或网络数据提取。
所以用的时候也要低调一点（doge）
微软SoM作者也来围观
这个项目在网上发出后，吸引了不少人的围观。
像是小哥用到的微软Set-of-Mark Prompting工具的作者，就发现了这个项目：
出色的工作！
还有网友提到，甚至可以用来让AI自己读取验证码。
这个在SoM项目中提到过，GPT-4V是能成功解读验证码的（所以以后可能还真不知道是人还是机器在上网）。
与此同时，也有网友已经在想象桌面流自动化（desktop automation）的操作了。
对此作者回应称：
AI自动标注器应该能实现这个，我也确实在计划制作一个更通用的Copilot。
不过目前GPT-4V还是要收费的，有没有其他的实现方法？
作者也表示，目前还没有，但确实可能会尝试Fuyu-8B或者LLaVAR这样的开源模型。
免费的自动化桌面流AI助手，可以期待一波了。
参考链接：
[1]https://github.com/ddupont808/GPT-4V-Act
[2]https://www.reddit.com/r/MachineLearning/comments/17cy0j7/d_p_web_browsing_uibased_ai_agent_gpt4vact/
阿里重大调整 1688和闲鱼升为淘天集团一级业务 重要性大大提升
XREAL Air 2 Pro拿下京东/天猫双平台销量 首发销量就突破5000台
Win11 2023正式发布：重点就是AI功能，搭载了AI的画图、截图等等自带应用
《生化4》碍事梨脸模万圣节cos自己 黑丝长靴还原经典坐桶造型
《完蛋！我被美女包围了！》国区首发42元，闯入全球销量榜TOP10
支付宝上线“汉字拾光-生僻字”小程序 提供新的拆字输入体验 完善支付宝内的生僻字输入方法
V社全面上线《CS2》游戏，首日上线便打破在线人数历史记录
《暗黑4》免费周服务器力不从心：同时在线数字仅有8000人，并没有想象的那么惊人
《心灵杀手2》PC平台媒体均分92分，堪称Remedy的巅峰之作
微信回应被下架传闻：已与苹果达成合作，共同探索新模式
TCL取消MWC 2020发布会：展台还在，新品照样不少
小米CC发布会 小米CC9、小米CC9e发布会
任正非谈备胎计划是怎么回事？任正非谈备胎计划说了什么？
英停售华为5G手机是怎么回事？英停售华为5G手机意味着什么
ARM被曝终止华为合作！断绝一切往来
习近平在世界互联网大会开幕式上发表主旨演讲
奇迹！iPhone掉海两月后找回仍能正常使用
