用GPT-4V“操縱”iPhone，無(wú)需訓(xùn)練可完成任意指令，“Siri終結(jié)的開始”

豐色 2023-11-15 17:19:22 來(lái)源：量子位

豐色 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

GPT-4V，就是Siri終結(jié)的開始。

一項(xiàng)研究發(fā)現(xiàn)：

無(wú)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(gòu)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(gòu)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(cè)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(shuí)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(yǔ)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(lái)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(huì)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(jiǎn)單，通過OCR工具和IconNet檢測(cè)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(lái)，GPT-4V就只需面對(duì)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(cè)試

測(cè)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(yǔ)義推理，包括理解屏幕輸入和闡明完成給定指令所需的動(dòng)作。

一個(gè)是指出每一個(gè)動(dòng)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(cè)試分別進(jìn)行區(qū)分。

1、預(yù)期動(dòng)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(yè)，但左下角的+號(hào)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(lái)看，您似乎已經(jīng)達(dá)到了500個(gè)標(biāo)簽頁(yè)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(hào)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(dòng)作執(zhí)行

當(dāng)讓GPT-4V把這些“紙上談兵”都化為具體行動(dòng)時(shí)（即第二個(gè)測(cè)試任務(wù)），它的正確率有所下降，來(lái)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(yè)。

但如下圖所示，讓它找一個(gè)可以識(shí)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(duì)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(jiǎn)單的單步任務(wù)，測(cè)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(wú)巨細(xì)地列出每一步該干什么，以及對(duì)應(yīng)的數(shù)字坐標(biāo)。

最后，是安卓機(jī)上的測(cè)試。

整體來(lái)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(gòu)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(duì)于整個(gè)實(shí)驗(yàn)來(lái)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(chǎng)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(gòu)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)?，?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(lái)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(jí)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