昨天 OpenAI 发布了 Operator 智能体，在 OpenAI 官方的定义里，这符合 AGI 分级中的第三级 Agents，可以采取行动的代理，是一个根本的突破。但这到底是什么意思？
刚看了 Andrej Karpathy 的一个评论，我觉得他真的很厉害。在深入浅出这一块，由衷佩服：
像 OpenAI 的 Operator 这样的项目之于数字世界，就如同人形机器人之于物理世界。一种通用的设置（显示器、键盘和鼠标，后者是人体设计）原则上可以通过最初为人类设计的 I/O 接口，逐渐执行任意通用任务。在这两种情况下，它都将引领我们进入一个逐渐混合的自动化世界，在这个世界里，人类成为低级自动化的高级监督者。有点像驾驶员监督辅助驾驶系统。
这种变化在数字世界中发生的速度会比在物理世界中更快，因为移动比特的成本大约是移动原子的 1/1000。尽管在物理世界中，市场规模和机会感觉要大得多。
实际上，我们在 OpenAI 的早期就研究过这个想法（参见 Universe 和 World of Bits 项目），但顺序错了——大语言模型必须先出现。即使到了现在，我也不能 100% 确定它是否准备好了。
因为多模态（图像、视频、音频）在过去 1-2 年才刚刚与 LLM 集成，通常作为适配器的方式接入的。更糟糕的是，我们还没有真正探索超长任务的时间跨度。例如，视频包含了海量信息，我不确定我们是否可以期望将其全部塞入现有的上下文窗口（当前的范式），然后期望它也能正常工作。我觉得这里还需要一两个技术突破。
我的时间线上的人说 2025 年是代理之年。我个人认为 2025-2035 年是代理的十年。我觉得要真正发挥作用，需要在各个领域做大量的工作。但它应该会起作用。
今天，Operator 可以在 DoorDash 上为你找午餐或查看酒店等，有时候可以，有时候会出错。未来，你将可以启动 Operator 组织来完成你选择的长期任务（例如运营一个完整的公司）。你可以成为同时管理 10 个 Operator 的 CEO，也许有时会亲自参与解决一些问题。事情会变得非常有趣。
