研究人员开发出了一个能像人类一样使用电脑的AI系统！
这个名为Agent S的系统，通过将复杂的桌面任务分解成易于管理的小步骤，并记住有效的操作方法，成功实现了在不同系统上处理各种桌面任务的能力。这项突破性研究为AI自动化复杂计算机任务开辟了新天地。
Agent S：AI界的"电脑高手"
Agent S采用了一种名为"经验增强分层规划"的方法，让它能够更好地处理各种图形用户界面（GUI）任务。这种方法主要包含三个关键组件：
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.75px;text-align: center;"/>
管理器模块：负责将复杂任务分解成子任务，利用网络知识和叙事记忆来制定整体计划。
工作者模块：执行具体的子任务，依靠情景记忆和轨迹反思来完成操作。
自我评估器：将经验总结为文本形式的奖励，并更新叙事和情景记忆。
这种结构使Agent S能够像人类一样，逐步学习、积累经验，并不断提高自己的操作技能。
为什么Agent S如此与众不同？
传统的AI系统在处理复杂计算机任务时面临三大挑战：
获取各种应用程序的专门知识
规划长期任务
应对动态、非统一的界面
Agent S通过其独特的设计巧妙地解决了这些问题。它不仅能够理解任务，还能制定合理的执行计划，并在动态变化的界面中灵活应对。
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.75px;text-align: center;"/>
Agent-Computer Interface：AI与计算机的"神经接口"
研究团队还开发了一个称为Agent-Computer Interface（ACI）的抽象层，进一步提升了Agent S的性能：
双输入策略：结合视觉输入和图像增强的可访问性树，既能理解环境变化，又能精确定位界面元素。
有界动作空间：定义了一组基于语言的原语操作，有利于多模态大语言模型（MLLM）进行推理。
适当的环境转换：生成合适时间分辨率的环境反馈，便于观察即时结果。
这些创新使Agent S能够更好地"理解"和"操作"计算机界面，就像一个熟练的人类用户一样。
惊人的实验结果
研究团队在多个benchmark上测试了Agent S的性能，结果令人振奋：
在OSWorld基准测试中，Agent S达到了20.58%的成功率，相比基线方法提升了83.6%。
在五个计算机任务类别中，Agent S都表现出了持续的改进。
在WindowsAgentArena测试中，即使没有专门适应，Agent S也取得了18.2%的成功率，比基线方法提高了36.8%。
Agent S 不仅能够执行预定义的任务，还能通过持续学习来适应新的任务和环境。这种能力对于提高办公效率、自动化测试、以及开发更智能的数字助手都具有重要意义。