AutoGLM的一小步，人機交互進化的一大步
55年前，左腳剛剛踏上月球的阿姆斯特朗，說了一句簡單的話：“這是個人的一小步，卻是人類的一大步。”
過去幾十年里，很多人曾引用過這句話，用來定格某個歷史性時刻。今天，我們想把這句話套用到智譜的AutoGLM上。
11月29日的智譜Agent OpenDay上，對外公測或內測了三個產品——瀏覽器插件AutoGLM Web、電腦智能體大模型GLM-PC，以及一個多月前“劇透”過的AutoGLM，也是智譜第一個產品化的智能體Agent。
短短一個月的時間，AutoGLM的能力不再局限于點外賣、朋友圈點贊，帶來了多個新進展：
AutoGLM 可以自主執(zhí)行超過 50 步的長步驟操作，也可以跨App執(zhí)行任務；AutoGLM開啟“全自動”上網新體驗，支持等數十個網站的無人駕駛；像人一樣操作計算機的GLM-PC啟動內測，基于視覺多模態(tài)模型實現(xiàn)通用Agent的技術探索。
同時AutoGLM 啟動了大規(guī)模內測，將盡快上線成為面向 C 端用戶的產品，并宣布啟動“10個億級 APP 免費 Auto 升級”的計劃。
01 AutoGLM可以做什么？
看到這里，可能不少人會疑問：什么是AutoGLM？
單從名字上看，很容易讓人聯(lián)想到自動駕駛，畢竟幾乎每輛汽車的中控區(qū)都有一個AUTO按鈕，表示該功能或設置為自動模式。
顧名思義，AutoGLM的場景正是用AI控制手機，只需要一句語音指令，AutoGLM即可模擬人類操作手機來完整任務。AI從只有對話功能的Chatbot，正在進化為“有手、有腦、有眼睛”的自主Agent。
為了方便大家理解，我們提前做了一波測試。
對于不方便看視頻的小伙伴，這里大致說一下我們測試的四個場景：分別是到小紅書查找周末出行攻略、給小紅書博主的最新內容評論、到拼多多上買一箱涌泉蜜桔、訂一張從寧波到北京的機票。
直接說結果，AutoGLM都準確完成了工作，幾個涉及到購買的場景，只需要我們最后付款即可。稍有不足的是，遇到彈窗或需要人工確認的環(huán)節(jié)，目前AutoGLM還無法處理，需要人為操作后才能繼續(xù)后面的流程。
由于時間的原因，我們的測試沒有太深入，對于AutoGLM的能力升級，可以參考智譜Agent OpenDay上傳遞出的信息：
超長任務：理解超長指令，執(zhí)行超長任務。例如，在采購火鍋食材的例子中，AutoGLM 自主執(zhí)行了 54步無打斷操作。并且，在這種多步、循環(huán)任務中，AutoGLM 的速度表現(xiàn)超過人手動操作。
跨 App ：AutoGLM 支持跨 App 來執(zhí)行任務。用戶將習慣于 AI 自動處理，而不是在多個 APP 間來回切換。由于目前 AutoGLM 形態(tài)更像是用戶和應用間的APP執(zhí)行的調度層，因此跨 App 能力是里面非常關鍵的一步。
短口令：AutoGLM 能夠支持長任務的自定義短語。今天，你不用再給AutoGLM說：“幫我買一杯瑞幸咖啡，生椰拿鐵，五道口店，大杯、熱、微糖” 這類超長指令，只需要說“點咖啡”。
隨便模式：我們都會陷入選擇恐懼，AutoGLM 今天可以主動幫你做出決策。隨便模式下所有步驟都讓 AI 決策，帶來有抽盲盒式的驚喜。想不想嘗嘗AI為你點的咖啡口味？
以此類推，AutoGLM Web和GLM-PC的能力和AutoGLM相似，面向的場景分別是瀏覽器和電腦端，并且有一些智能手機上做不到的功能。
比如AutoGLM Web能夠理解用戶的指令，自動為用戶在網頁上站內檢索、多鏈接總結，甚至進一步實現(xiàn)生成arXiv日報，搭建Github倉庫，在微博超話簽到等個性化功能。
再比如遠程手機發(fā)指令，GLM-PC可以自主完成電腦操作，可以設定一個未來時間，在開機狀態(tài)下定時執(zhí)行任務。
想象一下：即使你在摸魚、喝咖啡或者上廁所，你的電腦依然在工作，絲毫不會影響工作的進度。
02 人機交互進入AI時代
當然，讓我們印象深刻的，并非是AutoGLM所實現(xiàn)的能力，而是對人機交互模式的巨大沖擊，基于自然語言的人機交互已經是現(xiàn)在進行時。
小時候上“微機課”，老師經常掛在嘴邊的一句話就是：“你們要學會用電腦。”
之所以會出現(xiàn)一個“學”字，因為操作電腦必須要學會使用鍵盤和鼠標、必須學會輸入法、必須要去適應每一個應用的復雜界面，想要編寫程序還需要從0開始學一門編程語言。盡管這些工具在不斷進步，人與機器的協(xié)作依然是一件高門檻的事，特別是一些專業(yè)軟件，想要完成某個任務需要很多個步驟，過程中充斥著機械性的重復勞動。
AutoGLM目前的功能還很基礎，卻拉開了人機交互進化的序幕：借助于大模型的強大能力，只需要一句話，AI就能自動幫我們處理復雜的任務，人機協(xié)作的門檻進一步降低。
不再是人被動適應機器，而是讓機器理解人類。
試圖打破人機交互僵局的，不只是國內的智譜，蘋果的Apple lnteligence、Anthropic的Computer Use、谷歌的Jarvis，以及OpenAI即將發(fā)布的Operator，都在朝同樣的方向進行創(chuàng)新。
問題來了，大模型距離重塑人機交互范式還有多遠呢？
自動駕駛領域有L1—L5的能力劃分，OpenAI、智譜等企業(yè)也提出了類似的技術階段：L1是語言能力、L2是邏輯能力(多模態(tài)能力)、L3是使用工具的能力、L4是自我學習能力，最終做到像人一樣理解界面、規(guī)劃任務、使用工具、完成任務。
“壞消息”在于，目前大模型能力還處于初級階段。按照智譜 CEO 張鵬的說法，“Agent 將極大地提升 L3 使用工具能力，同時開啟對 L4 自我學習能力的探索。”
“好消息”則是，在智譜Agent OpenDay上，榮耀、華碩、小鵬、高通、英特爾等，分別從不同的場景出發(fā)，分享了他們對智能終端的實踐及展望。
也就是說，大模型重塑人機交互范式，絕非是大模型企業(yè)的愿景，而是包含終端廠商、芯片廠商在內的產業(yè)上下游的共識。隨著AutoGLM能力的提升，將能調用越來越多的應用，適配越來越多的系統(tǒng)，實現(xiàn)越來越復雜的連貫自主操作。
另一個不應該忽略的信息是：端側算力正在持續(xù)提升，智譜順勢推出了為AI原生設備適配的模型和端云同源的協(xié)同架構，意味著Agent不僅將在應用上實現(xiàn)用戶體驗變革，還能將推廣到各類智能設備上，手機+AI、PC+AI、汽車+AI等將不斷涌現(xiàn)。
03 寫在最后
在大模型的概念剛走紅時，就有人將其比作是“操作系統(tǒng)”。
至少從AutoGLM的表現(xiàn)來看，即便只是在用戶和應用之間增加一個智能調度層，已經有了GLM-OS（以大模型為中心的通用計算系統(tǒng)）的雛形。倘若能夠進一步實現(xiàn)原生的人與機器交互，將從根本上改變人機交互模式，所有人都可以用自然語言操作手機、電腦、汽車、眼鏡等等。
值得期待的是，著名調研機構Gartner已經將agentic AI列為2025年十大技術趨勢之一，預測2028年至少有 15%的日常工作決策將由agentic AI自主完成。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規(guī)范轉載侵權必究。
未經授權嚴禁轉載，授權事宜請聯(lián)系作者本人，侵權必究。
本文禁止轉載，侵權必究。
授權事宜請至數英微信公眾號(ID: digitaling) 后臺授權，侵權必究。
評論
評論
推薦評論
暫無評論哦，快來評論一下吧！
全部評論（0條）