大镖客里骑马，星露谷里种地，天际线里盖房，还能修图剪视频，Cradle 操控一切软件!

803 0 0

文章摘要

Cradle是一种新型的通用计算机控制框架，由昆仑万维与北京智源人工智能研究院、新加坡南洋理工大学、北京大学等机构共同提出。这一框架使人工智能代理（AI Agent）能够像人类一样直接控制键盘和鼠标，无需依赖任何内部API，实现与任意开闭源软件的交互。

Cradle的通用性源于其对计算机交互过程中原始输入输出的封装和抽象，它使用屏幕显示的视频图像作为输入，提取文本和视觉信息进行决策，并输出控制键盘和鼠标的信号。这一框架由六大模块组成：信息收集、自我反思、任务推断、技能管理、行动规划和记忆模块。

Cradle的决策推理模块能够自发地与软件交互并完成任务，通过反思过去、总结现在和规划未来的过程，不断提升对决策过程中的观察和行为的理解。

在游戏和软件应用的测试中，Cradle展现了其通用性，成功完成了《荒野大镖客2》、《星露谷物语》、《城市天际线》和《当铺人生2》等游戏中的特定任务，以及Chrome、Outlook、剪映、美图秀秀和飞书中的日常操作任务。此外，Cradle在benchmark OSWorld上的表现也超越了使用真值标签的基线方法，证明了其模块的合理性和必要性。

Cradle的提出为构建能够完成计算机上一切任务的通用智能体提供了可能，它统一了输入输出接口，促进了统一粒度数据的搜集，为未来智能体在各个环境中交互并自我提升奠定了基础。这一框架的发展标志着向通用人工智能（AGI）的迈进，展现了人工智能在模拟人类与计算机交互方面的巨大潜力。