解放雙手！OSCAR讓操作系統交互實現自然語言「自由」
本文作者王曉強，加拿大蒙特利爾大學（Université de Montréal）和 Mila 人工智能研究所博士生，師從劉邦教授。博士期間的主要研究方向為自然語言處理，重點關注大語言模型的能力評估及其在智能體中的應用。目前已在自然語言處理領域的頂級會議 ACL、EMNLP 等發表多篇論文。
在人工智能的宏大發展藍圖里，通用人工智能（AGI）堪稱研究者們夢寐以求的 「圣杯」，其終極目標是打造出像人類一樣擁有廣泛且靈活智能的系統，能夠理解、學習并勝任幾乎所有任務。在邁向這個目標的征程中，實現人工智能與數字世界的高效交互至關重要，而桌面任務 UI 自動化更是其中的關鍵賽道。
想象一下，未來我們只需輕松說出指令，電腦就能自動完成各種復雜操作，繁瑣的手動操作成為歷史，工作效率大幅提升，這樣的場景是不是很令人期待？
去年，Anthropic 發布的 Computer use 為 AI 在桌面操作領域帶來了新突破。它允許開發者通過 API，讓 Claude 像人類一樣操作計算機，極大拓展了 AI 在桌面操作領域的應用場景。
今年一月份，OpenAI 重磅推出的 Computer Using Agent（CUA）也備受矚目，其賦能的 Operator 憑借 GPT-4o 的視覺能力，能夠 「看懂」網站并與之交互，還可在 ChatGPT 界面自動執行多種常規瀏覽器任務。
與它們采用商用 API 不同，今天要給大家介紹一個來自加拿大蒙特利爾大學和 Mila 研究所的研究團隊的開源解決方案 ——OSCAR（Operating System Control via state-Aware reasoning and Re-planning）。
OSCAR 不僅實現了桌面任務 UI 自動化，還在多個操作系統環境（桌面 Windows、Ubuntu 和智能手機 Android）完成了泛化與驗證。目前，該研究已被 AI 領域頂級會議 ICLR 錄用。下面，就讓我們深入了解一下它的創新之處。
- 論文題目：OSCAR: Operating System Control via State-Aware Reasoning and Re-Planning
- 論文鏈接：https://arxiv.org/abs/2410.18963
操作系統 UI 交互自動化面臨的挑戰：動態自適應難題
基于多模態大型語言模型（MLLM）的智能體（Agent）在復雜任務自動化領域表現出色，廣泛應用于網絡瀏覽、游戲、軟件開發等場景，但不同應用的觀察和動作空間差異極大，導致智能體通用性差，難以適應復雜工作流。
此外，以往的 UI 交互智能體多在靜態離線的環境中開發，靠視覺問答和預設動作路徑操作，缺乏操作系統實時反饋，任務失敗時無法動態自適應。在現實應用中，實時反饋和自適應調整對適應新的 UI 環境至關重要，比如 「打開某文件并打印」 有多種操作路徑，可通過開始菜單搜索，也能直接導航路徑，但傳統智能體難以應對這種多樣性。
具體構建通用 UI 交互智能體面臨以下挑戰：
- 統一控制接口難題：智能體需熟練運用鼠標、鍵盤等標準輸入方式，精準理解視覺信息并轉化為指令，在不同應用中穩定高效操作。
- UI 定位困境：智能體要能解讀屏幕信息，精準識別各類元素，如網頁搜索時準確找到搜索框并正確交互，對其理解和定位能力要求高。
- 新 UI 探索與重規劃挑戰：智能體需像人類面對陌生軟件一樣，具備動態探索和調整計劃的能力，能處理軟件崩潰等意外，依據反饋優化策略。
OSCAR 的獨特設計：靈活狀態機與動態重規劃的巧妙結合
為解決上述難題，研究團隊推出 OSCAR。它以代碼為核心控制方式，與動態操作系統環境自主交互，創新點如下：
- 狀態機架構：OSCAR 采用狀態機模式，通過 [Init]（初始化）、[Observe]（觀察）、[Plan]（規劃）、[Execute]（執行）、[Verify]（驗證）等狀態循環，處理任務各環節。遇到問題時利用實時反饋重新規劃，比傳統方式效率更高、適應性更強。
OSCAR 狀態機
- 視覺和語義雙重 UI 定位：OSCAR 利用 Set-of-Mark（SoM）提示技術和可訪問性（A11Y）樹生成視覺提示，精準定位 UI 元素；同時添加描述性標簽進行語義定位，便于把握 UI 布局，靈活操作元素。
OSCAR 視覺和語義雙重 UI 定位
- 任務驅動重新規劃：受計劃 - 解決提示（plan-and-solve）啟發，OSCAR 將用戶指令分解為子任務并逐步生成動作。收到負面反饋時，針對特定子任務重新規劃，避免整體重規劃，提高效率并防止錯誤傳播。
- 基于代碼的動作：OSCAR 借助生成的語義定位信息，利用元素 ID 或坐標引用交互元素，通過 PyAutoGUI 庫生成控制代碼，精確控制操作系統。
OSCAR 任務分解與重規劃
OSCAR 實驗驗證：UI 理解、定位和動態導航能力的實力認證
研究人員在 GAIA、OSWorld、AndroidWorld 等多個真實世界工作流自動化基準測評數據集中對 OSCAR 進行了評估，這些基準涵蓋了不同難度和類型的任務，包括簡單操作、復雜多步驟任務以及跨多種應用的任務。
1. 基準測評成績突出：在 GAIA 基準測試中，OSCAR 在所有工作流復雜程度級別上都表現最佳。尤其是在最復雜的 Level 3 任務上，成功率達到 13.5%，幾乎是之前最先進方法的兩倍。在 OSWorld 和 AndroidWorld 基準測評中，OSCAR 同樣超越其他智能體，展現出強大的適應性。
6a. GAIA 基準測評
6b. OSWorld 基準測評
6c. AndroidWorld 基準測評
OSCAR 在基準測評 GAIA, OSWorld 和 AndroidWorld 中取得最好水平
2. 規劃效率優勢顯著：
在成功案例中，OSCAR 成功案例所需重新規劃次數更少，而且每次重新規劃的步驟更高效
在失敗案例中，OSCAR 在錯誤完成（FC）、達到步驟限制（RSL）和無效動作（IA）這些情況中的重新規劃冗余度（RR）明顯低于其他智能體系統
結語：開啟操作系統交互新時代
OSCAR 作為通用智能體，憑借靈活的狀態機和動態的重新規劃能力，在桌面和智能手機操作系統任務中展現出強大的適應性和有效性。它為自動化工作流提供了高效通用的解決方案，有望成為提升動態操作系統環境生產力的有力工具，讓操作系統交互變得更加便捷、高效、易訪問。而且，憑借其開源特性，未來 OSCAR 還將在眾多開發者的共同努力下不斷進化，持續助力通用人工智能與數字世界實現完美交互。
