GPT-4V，就是 Siri 終結(jié)的開始。
一項(xiàng)研究發(fā)現(xiàn)：
無需任何訓(xùn)練，GPT-4V 就能直接像人類一樣與智能手機(jī)進(jìn)行交互，完成各種指定命令。
比如讓它在 50-100 美元的預(yù)算內(nèi)購買一個(gè)打奶泡的工具。
它就能像下面這樣一步一步地完成選擇購物程序（亞馬遜）并打開、點(diǎn)擊搜索欄輸入“奶泡器”、找到篩選功能選擇預(yù)算區(qū)間、點(diǎn)擊商品并完成下單這一系列共計(jì) 9 個(gè)操作。
根據(jù)測試，GPT-4V 在 iPhone 上完成類似任務(wù)的成功率可達(dá) 75%。
因此，有人感嘆有了它，Siri 漸漸就沒有用武之地了（比 Siri 更懂 iPhone）
誰知有人直接擺擺手：
Siri 壓根兒一開始就沒這么強(qiáng)好嘛。（狗頭）
還有人看完直呼：
智能語音交互時(shí)代已經(jīng)開始。我們的手機(jī)可能要變成一個(gè)純粹的顯示設(shè)備了。
真的這么????？
GPT-4V 零樣本操作 iPhone
這項(xiàng)研究來自加州大學(xué)圣地亞哥分校、微軟等機(jī)構(gòu)。
它本身是開發(fā)了一個(gè) MM-Navigator，也就是一種基于 GPT-4V 的 agent，用于開展智能手機(jī)用戶界面的導(dǎo)航任務(wù)。
實(shí)驗(yàn)設(shè)置
在每一個(gè)時(shí)間步驟，MM-Navigator 都會得到一個(gè)屏幕截圖。
作為一個(gè)多模態(tài)模型，GPT-4V 接受圖像和文本作為輸入并產(chǎn)生文本輸出。
在這里，就是一步步讀屏幕截圖信息，輸出要操作的步驟。
現(xiàn)在的問題就是：
如何讓模型合理地計(jì)算出給定屏幕上應(yīng)該點(diǎn)擊的準(zhǔn)確位置坐標(biāo)（GPT-4V 只能給出大概位置）。
作者給出的解決辦法非常簡單，通過 OCR 工具和 IconNet 檢測每一個(gè)給定屏幕上的 UI 元素，并標(biāo)記不同的數(shù)字。
這樣一來，GPT-4V 就只需面對一張截圖指出要點(diǎn)什么數(shù)字進(jìn)行操作就好。
兩項(xiàng)能力測試
測試率先在 iPhone 上展開。
要想成功操縱手機(jī)涉及到 GPT-4V 不同類型的屏幕理解能力：
一個(gè)是語義推理，包括理解屏幕輸入和闡明完成給定指令所需的動作。
一個(gè)是指出每一個(gè)動作應(yīng)執(zhí)行的精確位置（即該點(diǎn)哪個(gè)數(shù)字）的能力。
因此，作者開發(fā)了兩組測試分別進(jìn)行區(qū)分。
1、預(yù)期動作描述
只輸出應(yīng)該干啥，不輸出具體坐標(biāo)。
在這個(gè)任務(wù)中，GPT-4V 理解指令并給出操作步驟的準(zhǔn)確率為 90.9%。
比如在下面這個(gè) Safari 瀏覽器的截圖中，用戶想要打開一個(gè)新標(biāo)簽頁，但左下角的 + 號是灰色的，應(yīng)該怎么辦？
GPT-4V 回答：
通常這樣操作是 ok 的，但從截圖來看，您似乎已經(jīng)達(dá)到了 500 個(gè)標(biāo)簽頁的上限，要想再打開新的，需要關(guān)閉一些已有選項(xiàng)卡，然后再看看 + 號是否可以點(diǎn)擊。
看圖理解表現(xiàn)得很不錯(cuò)～更多例子可以翻閱論文。
2、本地化動作執(zhí)行
當(dāng)讓 GPT-4V 把這些“紙上談兵”都化為具體行動時(shí)（即第二個(gè)測試任務(wù)），它的正確率有所下降，來到 74.5%。
還是上面的例子，它可以遵循自己給出的指令，給出正確的操作數(shù)字，比如點(diǎn)擊數(shù)字 9 關(guān)閉一個(gè)標(biāo)簽頁。
但如下圖所示，讓它找一個(gè)可以識別建筑物的應(yīng)用程序時(shí)，它可以準(zhǔn)確指出用 ChatGPT，但是卻給出了錯(cuò)誤數(shù)字“15”（應(yīng)該是“5”）。
還有的錯(cuò)誤是因?yàn)槠聊唤貓D本身就沒有標(biāo)出對應(yīng)位置。
比如讓它從下面的圖中開啟隱身模式，直接給了 wifi 處于的“11”位置，完全不搭嘎。
此外，除了這種簡單的單步任務(wù)，測試也發(fā)現(xiàn) GPT-4V 完全可以不需訓(xùn)練就勝任“買起泡器”這樣的復(fù)雜指令。
在這個(gè)過程中，我們可以看到 GPT-4V 事無巨細(xì)地列出每一步該干什么，以及對應(yīng)的數(shù)字坐標(biāo)。
最后，是安卓機(jī)上的測試。
整體來看，比其他模型比如 Llama 2、PaLM 2 和 ChatGPT 表現(xiàn)得明顯要好。
在執(zhí)行安裝、購物等任務(wù)中的總體表現(xiàn)最高得分為 52.96%，這些基線模型最高才 39.6%。
對于整個(gè)實(shí)驗(yàn)來說，它最大的意義是證明多模態(tài)模型比如 GPT-4V 能夠?qū)⒛芰χ苯舆w移到未見過的場景，展現(xiàn)出進(jìn)行手機(jī)交互的極大潛力。
值得一提的是，網(wǎng)友看完這項(xiàng)研究也提出了兩個(gè)點(diǎn)：
一是我們如何定義任務(wù)執(zhí)行的成功與否。
比如我們想讓它買洗手液補(bǔ)充裝，只想要一袋，它卻加購了六袋算成功嗎？
二是大伙也不能興奮得太早，要想真的商用這項(xiàng)技術(shù)，前進(jìn)空間還很大。
因?yàn)椋瑴?zhǔn)確率可達(dá) 95% 的 Siri 都還經(jīng)常被吐槽很差勁呢。
團(tuán)隊(duì)介紹
本研究一共 12 位作者，基本都來自微軟。
共同一作兩位。
分別是加州大學(xué)圣地亞哥分校的博士生 An Yan，以及微軟的高級研究員 Zhengyuan Yang，后者本科畢業(yè)于中科大，博士畢業(yè)于羅切斯特大學(xué)。
參考鏈接：
[1]https://arxiv.org/abs/2311.07562
[2]https://x.com/emollick/status/1724272391595995329?s=20
本文來自微信公眾號：量子位 （ID：QbitAI），作者：豐色
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。