用GPT-4V“操縱”iPhone，無需訓練可完成任意指令

一項研究發現：

無需任何訓練，GPT-4V就能直接像人類一樣與智能手機進行交互，完成各種指定命令。

比如讓它在50-100美元的預算內購買一個打奶泡的工具。

它就能像下面這樣一步一步地完成選擇購物程序（亞馬遜）並打開、點擊搜索欄輸入“奶泡器”、找到篩選功能選擇預算區間、點擊商品並完成下單這一系列共計9個操作。

根據測試，GPT-4V在iPhone上完成類似任務的成功率可達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麼強好嘛。（狗頭）

還有人看完直呼：

真的這麼？

GPT-4V零樣本操作iPhone

這項研究來自加州大學聖地亞哥分校、微軟等機構。

它本身是開發了一個MM-Navigator，也就是一種基於GPT-4V的agent，用於開展智能手機用戶界面的導航任務。

實驗設置

在每一個時間步驟，MM-Navigator都會得到一個屏幕截圖。

作爲一個多模態模型，GPT-4V接受圖像和文本作爲輸入併產生文本輸出。

在這裡，就是一步步讀屏幕截圖信息，輸出要操作的步驟。

現在的問題就是：

如何讓模型合理地計算出給定屏幕上應該點擊的準確位置座標（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檢測每一個給定屏幕上的UI元素，並標記不同的數字。

這樣一來，GPT-4V就只需面對一張截圖指出要點什麼數字進行操作就好。

兩項能力測試

測試率先在iPhone上展開。

要想成功操縱手機涉及到GPT-4V不同類型的屏幕理解能力：

一個是語義推理，包括理解屏幕輸入和闡明完成給定指令所需的動作。

一個是指出每一個動作應執行的精確位置（即該點哪個數字）的能力。

因此，作者開發了兩組測試分別進行區分。

1、預期動作描述

只輸出應該幹啥，不輸出具體座標。

在這個任務中，GPT-4V理解指令並給出操作步驟的準確率爲90.9%。

比如在下面這個Safari瀏覽器的截圖中，用戶想要打開一個新標籤頁，但左下角的+號是灰色的，應該怎麼辦？

GPT-4V回答：

看圖理解表現得很不錯～更多例子可以翻閱論文。

2、本地化動作執行

當讓GPT-4V把這些“紙上談兵”都化爲具體行動時（即第二個測試任務），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，給出正確的操作數字，比如點擊數字9關閉一個標籤頁。

但如下圖所示，讓它找一個可以識別建築物的應用程序時，它可以準確指出用ChatGPT，但是卻給出了錯誤數字“15”（應該是“5”）。

還有的錯誤是因爲屏幕截圖本身就沒有標出對應位置。

比如讓它從下面的圖中開啓隱身模式，直接給了wifi處於的“11”位置，完全不搭嘎。

此外，除了這種簡單的單步任務，測試也發現GPT-4V完全可以不需訓練就勝任“買起泡器”這樣的複雜指令。

在這個過程中，我們可以看到GPT-4V事無鉅細地列出每一步該幹什麼，以及對應的數字座標。

最後，是安卓手機上的測試。

整體來看，比其他模型比如Llama 2、PaLM 2和ChatGPT表現得明顯要好。

在執行安裝、購物等任務中的總體表現最高得分爲52.96%，這些基線模型最高才39.6%。

對於整個實驗來說，它最大的意義是證明多模態模型比如GPT-4V能夠將能力直接遷移到未見過的場景，展現出進行手機交互的極大潛力。

值得一提的是，網友看完這項研究也提出了兩個點：

一是我們如何定義任務執行的成功與否。

比如我們想讓它買洗手液補充裝，只想要一袋，它卻加購了六袋算成功嗎？

二是大夥也不能興奮得太早，要想真的商用這項技術，前進空間還很大。

因爲，準確率可達95%的Siri都還經常被吐槽很差勁呢。

團隊介紹

本研究一共12位作者，基本都來自微軟。

共同一作兩位。

分別是加州大學聖地亞哥分校的博士生An Yan，以及微軟的高級研究員Zhengyuan Yang，後者本科畢業於中科大，博士畢業於羅切斯特大學。

參考鏈接：[1]https://arxiv.org/abs/2311.07562[2]https://x.com/emollick/status/1724272391595995329?s=20