相比于电脑，“放不下”的手机陪伴我们的时间更长，离我们的生活更近。
如果说「computer use」开启了人机交互的新范式，那么「phone use」则更进一步，解锁更多应用的可能性
，让 AI 真正惠及每一个人。
今天，智谱在 CNCC2024 大会上，
基于在语言模型、多模态模型和工具使用方面的努力和研究成果，推出了 GLM 第一个产品化的智能体（Agent）——AutoGLM，只需接收简单的文字/语音指令，它就可以模拟人类操作手机，进而帮你：
在微信上「给老板的朋友圈点赞并写评论」，在淘宝上「购买某一款历史订单产品」，以及在携程上预订酒店、在 12306 上购买火车票、在美团上点个外卖......
AutoGLM 的应用场景还远不止于此，
先看两个短片
：
项目地址：
https://xiao9905.github.io/AutoGLM/
理论上，通过对 GUI 的深刻理解，AutoGLM 可以完成人类在可视化电子设备（电脑，手机，平板……）上能做的任何事。它不受限于简单的任务场景或 API 调用，也不需要用户手动搭建复杂繁琐的工作流，操作逻辑与人类类似，真正做到在日常生活、工作中辅助人类。
AutoGLM 基于智谱自研的「基础智能体解耦合中间界面」和「自进化在线课程强化学习框架」，克服了大模型智能体任务规划和动作执行存在的能力拮抗、训练任务和数据稀缺、反馈信号稀少和策略分布漂移等智能体研究和应用难题，加之自适应学习策略，能够在迭代过程中不断改进、持续稳定地提高自身性能。就像一个人，在成长过程中，不断获取新技能。
AI 的「
Phone & Web Browser Use
」
让 AI agent 能够像人类一样直接与手机进行交互，并自动化地帮助人类完成一些日常任务，将进一步催生人机交互的新范式。
据介绍，AutoGLM 解决了大模型作为智能体时的两个关键挑战：
挑战一：“动作执行”不够精确
训练大模型智能体的一大难题，在于如何让模型学会精准地操作屏幕上显示的元素。端到端训练联合训练“动作执行”和“任务规划”能力，受制于轨迹数据获取成本高昂，数据总量严重不足，导致需要高精度的动作执行能力训练不充分。
为了解决这一问题，AutoGLM 引入了「基础智能体解耦合中间界面」设计，将“任务规划”与“动作执行”两个阶段通过自然语言中间界面进行解耦合，实现了智能体能力的极大提升。例如，在手机上点外卖，需要点击“提交订单”按钮时，对比传统和“中间界面”方案如下：
挑战二：“任务规划”不够灵活
另一个主要挑战在于，GUI 智能体训练轨迹数据极其有限和成本高昂。而且在面对复杂任务和真实环境时，智能体需要具备灵活的即时规划和纠正能力。这并非能通过例如模仿学习（Imitation Learning）和有监督微调（SFT）等传统大模型训练方法所能轻易获得。为此，我们以 Web 浏览器作为实验环境，研发了一种「自进化在线课程强化学习框架」以在真实在线环境中，从头开始学习和提升大模型智能体在 Web 和 Phone 环境中的能力。
通过引入自进化学习策略，模型不断自我考察、鞭策、提升。通过课程强化学习方法，该框架根据智能体当前迭代轮次的能力水平，动态调整学习的任务难度，以最大程度利用模型潜能。而通过 KL 散度控制的策略更新以及智能体置信度经验回放，我们减轻和避免了迭代训练中出现模型遗忘先前学习任务的问题。基于该方法训练的开源版 GLM-4-9B，就可以在 WebArena-Lite 评测基准中相对 GPT-4o 提升超过 160%，达到总体 43% 的任务成功率。
通过综合应用智谱自研的「基础智能体解耦合中间界面」和「自进化在线课程强化学习框架」策略，AutoGLM 在 Phone Use 和 Web Browser Use 上都取得了大幅的性能提升。例如，在 AndroidLab 评测基准上，AutoGLM 就显著超越了 GPT-4o 和 Claude-3.5-Sonnet 的表现。
在 WebArena-Lite 评测基准中，AutoGLM 更是相对 GPT-4o 取得了约 200% 的性能提升，大大缩小了人类和大模型智能体在 GUI 操控上的成功率差距。
AutoGLM 现以通过安卓应用的方式，在真实的安卓手机支持多个应用上的自动化任务执行。在简单任务的人工评测中，AutoGLM 表现令人满意。
