OpenAI视觉大模型GPT-4V可“操作”手机完成复杂交互指令：无需预训练

最近的一项研究发现：无需任何训练，OpenAI的视觉大模型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。

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??？

GPT-4V零样本学习直接操作iPhone

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。

实验设置

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。

两项能力测试

本次测试率先在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“通过亚马逊买一个起泡器”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。

在安卓设备上进行同样的测试

最后，是安卓机上的测试。

整体来看，GPT-4V对比其他的大模型Llama 2、PaLM 2和ChatGPT（GPT-3.5）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。

备注：本研究一共12位作者，基本来自微软。共同创作作者两位，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。