2025年1月1日，OpenAI CEO 奥特曼公布了公司的新年目标，涵盖AGI、智能体、4o升级、模型更好记忆、更长上下文等等。

关于智能体，有网友爆料，OpenAI 可能在 1 月份发布一个名为 “operator” 的 Agent，这个 Agent 将具备直接控制电脑的能力。

其实24年10月份的时候，Claude 就已经发布了基于 Claude 3.5 Sonnet 多模态大模型，可操作电脑的智能体。

上图左侧是智能体的执行过程，Claude 能够感知计算机界面并与之交互，将用户的指令（例如“使用我的计算机和在线数据填写此表格”）转换为计算机命令（例如，检查电子表格；移动光标以打开 Web 浏览器；等等）。

要实现这种智能体至少依赖大模型的三项技术能力。

第一，用户意图理解能力，比如，用户说“打开浏览器并搜索 AI 最新进展”，大模型需要解析出“打开浏览器”和“搜索 AI 最新进展”两个子任务。

第二，任务规划与执行能力，需要将复杂的任务分解为一系列可执行的子任务。例如，“发送一封邮件”分解为“打开邮箱应用”、“点击撰写按钮”、“输入收件人”、“输入内容”、“点击发送”等步骤。

第三，视觉理解能力（多模态大模型），例如，“打开网址”需要识别浏览器地址栏的位置并输入 URL。

几乎同一时间，微软也开源了一款基于GPT-4V视觉大模型的屏幕解析工具——OmniParser，能够将用户界面（UI）截图转换为结构化元素，帮助 AI 精准理解屏幕内容并生成操作指令。

当然，国内大模型也不甘示弱，智谱手机端 AutoGLM，通过语音指令模拟人操作，实现电商购物、点外卖、微信回复等功能。

下面是这三款工具总结对比

不过现阶段，这类智能体还有瑕疵，能力并不完美。

但我觉得没关系，我们不指望它能完成一个大型或者复杂的任务，现阶段能帮我们完成单一、重复性工作就挺好，嗯…自动抢票？

哦，对了前几天谷歌也发布了类似智能体，基于新版多模态大模型 Gemini 2.0 的浏览器智能体，可以自动使用浏览器完成工作。

过去一年智能体话题一直保持很高热度，10月份时候 OpenAI 还开源了一款多智能体Python开发框架——Swarm。

这次又将智能体列为新年目标，看起来是要大干一场。估计各大模型厂商也要在这一领域卷一卷了。

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】