Windows、Office直接上手，大模型智能体操作电脑太6了

提到AI助手的未来，人们很容易想到《钢铁侠》系列中的AI助手贾维斯。贾维斯在电影中展现了令人炫目的功能，不仅是托尼・斯塔克的得力助手，也是他与先进科技沟通的桥梁。随着大型模型的出现，人类使用工具的方式正在发生革命性变化，或许我们离科幻场景更近了一步。想象一下，一个多模态Agent能够像人类一样通过键盘和鼠标直接操控我们周围的电脑，这种突破将是多么激动人心。

AI助手贾维斯

吉林大学人工智能学院最新研究《ScreenAgent: A Vision Language Model-driven Computer Control Agent》展示了利用视觉大语言模型直接控制电脑 GUI 的想象成为现实。该研究提出了 ScreenAgent 模型，首次探索在不需要额外标签辅助的情况下，通过 VLM Agent 直接操控电脑鼠标和键盘，实现大规模模型直接进行电脑操作的目标。此外，ScreenAgent 运用自动化的「计划-执行-反思」流程，首次实现对 GUI 界面的连续控制。这项工作对人机交互方式进行了探索和创新，同时也开源了包括具有精确定位信息的数据集、控制器、训练代码等资源。

• 论文地址：https://arxiv.org/abs/2402.07945
• 项目地址：https://github.com/niuzaisheng/ScreenAgent

ScreenAgent为用户提供便利的在线娱乐、购物、旅行和阅读体验。它还可作为贴心管家，协助管理个人电脑，实现快速办公。无需费力，即可成为得力的办公助手。通过实际效果，用户可了解其功能。

带你网上冲浪，实现娱乐自由

ScreenAgent 根据用户文本描述上网查找并播放指定的视频：

系统操作管家，赋予用户高阶技能

让 ScreenAgent 打开 Windows 的事件查看器：

掌握办公技能，轻松玩转 office

此外，ScreenAgent 可以使用 office 办公软件。例如根据用户文本描述，删除所打开的第二页 PPT：

谋定而后动，知止而有得

对于要完成某一任务，在任务执行前必须要做好规划活动。ScreenAgent 可以在任务开始前，根据观测到的图像和用户需求，进行规划，例如：

将视频播放速度调至 1.5 倍速：

在 58 同城网站上搜索二手迈腾车的价格：

在命令行里安装 xeyes:

视觉定位能力迁移，鼠标选定无压力

ScreenAgent 还保留了对于自然事物的视觉定位能力，可以通过鼠标拖拽的方式绘制出物体的选框：

方法

事实上，要教会 Agent 与用户图形界面直接交互并不是一件简单的事情，需要 Agent 同时具备任务规划、图像理解、视觉定位、工具使用等多种综合能力。现有的模型或交互方案都存在一定妥协，例如 LLaVA-1.5 等模型缺乏在大尺寸图像上的精确视觉定位能力；GPT-4V 有非常强的任务规划、图像理解和 OCR 的能力，但是拒绝给出精确的坐标。现有的方案需要在图像上人工标注额外的数字标签，并让模型选择需要点选的 UI 元素，例如 Mobile-Agent、UFO 等项目；此外，CogAgent、Fuyu-8B 等模型可以支持高分辨率图像输入并有精确视觉定位能力，但是 CogAgent 缺乏完整函数调用能力，Fuyu-8B 则语言能力欠缺。

为了解决上述问题，文章提出为视觉语言模型智能体（VLM Agent）构建一个与真实计算机屏幕交互的全新环境。在这个环境中，智能体可以观察屏幕截图，并通过输出鼠标和键盘操作来操纵图形用户界面。为了引导 VLM Agent 与计算机屏幕进行持续的交互，文章构建了一个包含「计划-执行-反思」的运行流程。在计划阶段，Agent 被要求将用户任务拆解为子任务。在执行阶段，Agent 将观察屏幕截图，给出执行子任务的具体鼠标和键盘动作。控制器将执行这些动作，并将执行结果反馈给 Agent。在反思阶段，Agent 观察执行结果，并判定当前的状态，选择继续执行、重试或调整计划。这一流程持续进行，直到任务完成。值得一提的是，ScreenAgent 无需使用任何文字识别或图标识别模块，使用端到端的方式训练模型所有的能力。

ScreenAgent 环境参考了 VNC 远程桌面连接协议来设计 Agent 的动作空间，包含最基础的鼠标和键盘操作，鼠标的点击操作都需要 Agent 给出精确的屏幕坐标位置。相比起调用特定的 API 来完成任务，这种方式更加通用，可以适用于各种 Windows、Linux Desktop 等桌面操作系统和应用程序。

ScreenAgent 数据集

为了训练 ScreenAgent 模型，文章人工标注了具备精准视觉定位信息的 ScreenAgent 数据集。这一数据集涵盖了丰富的日常计算机任务，包括了 Windows 和 Linux Desktop 环境下的文件操作、网页浏览、游戏娱乐等场景。

数据集中每一个样本都是完成一个任务的完整流程，包含了动作描述、屏幕截图和具体执行的动作。例如，在亚马逊网站上「将最便宜的巧克力加入到购物车」的案例，需要先在搜索框中搜索关键词，再使用过滤器对价格进行排序，最后将最便宜的商品加入购物车。整个数据集包含 273 条完整的任务记录。

实验结果

在实验分析部分作者将 ScreenAgent 与多个现有的 VLM 模型从各个角度进行比较，主要包括两个层面，指令跟随能力和细粒度动作预测的正确率。指令跟随能力主要考验模型能否正确输出 JSON 格式的动作序列和动作类型的正确率。而动作属性预测的正确率则比较每一种动作的属性值是否预测正确，例如鼠标点击的位置、键盘按键等。

指令跟随

在指令跟随方面，Agent 的首要任务就是能够根据提示词输出正确的工具函数调用，即输出正确的 JSON 格式，在这方面 ScreenAgent 与 GPT-4V 都能够很好的遵循指令，而原版的 CogAgent 由于在视觉微调训练时缺乏 API 调用形式的数据的支撑，反而丧失了输出 JSON 的能力。

动作属性预测的正确率

从动作属性的正确率来看，ScreenAgent 也达到了与 GPT-4V 相当的水平。值得注意的是，ScreenAgent 在鼠标点击的精确度上远远超过了现有模型。这表明视觉微调有效增强了模型的精确定位能力。此外，我们还观察到 ScreenAgent 在任务规划方面与 GPT-4V 相比存在明显差距，这凸显了 GPT-4V 的常识知识和任务规划能力。

结论

吉林大学人工智能学院团队提出的 ScreenAgent 能够采用与人类一样的控制方式控制电脑，不依赖于其他的 API 或 OCR 模型，可以广泛应用于各种软件和操作系统。ScreenAgent 在「计划-执行-反思」的流程控制下，可以自主地完成用户给定的任务。采用这样的方式，用户可以看到任务完成的每一步，更好地理解 Agent 的行为想法。

文章开源了控制软件、模型训练代码、以及数据集。在此基础上可以探索更多迈向通用人工智能的前沿工作，例如在环境反馈下的强化学习、Agent 对开放世界的主动探索、构建世界模型、Agent 技能库等等。

此外，AI Agent 驱动的个人助理具有巨大的社会价值，例如帮助肢体受限的人群使用电脑，减少人类重复的数字劳动以及普及电脑教育等。在未来，或许不是每个人都能成为像钢铁侠那样的超级英雄，但我们都可能拥有一位专属的贾维斯，一位可以陪伴、辅助和指导我们的智能伙伴，为我们的生活和工作带来更多便利与可能。