GPT-6 成了 AI 操作世界的「万能接口」

斯坦福大学生给 GPT-6 准备了一只机械臂、一支画笔和一台相机，然后让它画金门大桥。

这次，画笔真的落在了纸上。在他发布的演示里，机械臂带着画笔移动，逐渐留下桥的轮廓。负责安排动作的，是 OpenAI 前段时间新发布的 GPT-6 Astra。

GPT-6 Astra 看着摄像头传回的画面，自己琢磨出怎么驱动机械臂，握住笔，蘸颜料，落笔，每一遍画的都比上一遍要好。

这段一分钟的视频在 X 上很快获得了 200 多万次播放，连奥特曼也转发并回复说「我也想要一个。」

过去几天，围绕 GPT-6 出现了不少这样的演示。有人让它在 Blender 里建模，有人让它去 Minecraft 找钻石，还有人把画肖像的任务交给它，自己看着软件里的画面慢慢成形。

这些案例让 Computer Use，或者说「电脑操作能力」，成了这一轮模型讨论里最热门的话题。

尽管一项任务可能需要持续执行许多轮，途中还要处理报错、改计划、换工具；GPT-6 大多数时候都能凭借 Computer Use 的能力准确无误地操作，配合工具读取界面、操作软件，并检查操作之后发生了什么。

在 Blender 造飞机，在 Minecraft 找钻石

Blender，这个在 GPT-6 之前用于 3D 建模的专业软件，一时间变得像是办公软件一样；只要你会用 ChatGPT，就可以用 Blender 来做 3D 建模。

一个从没用过 Blender 的博主，在自己的备用 Mac 上装好软件，发提示词让 Astra 制作一架航天飞机。模型查找资料，编写脚本，开始操作 Blender。

大约十分钟后，Blender 软件里就出现了一个可以旋转、缩放查看的模型，博主把这个过程形容为「像魔法」。

有人让它在 Blender 里做一只照片级写实的蝙蝠。GPT-6 就一直做，一直改，直到用户的 token 耗尽才停手。

日本知名 3D 艺术家 Hirokazu Yokohara 试完之后，给出的评价也很高。他给了 GPT-6 一张参考图，GPT-6 就能打开 Blender，自动完成全部的工作，在最终的视频里展示了招牌、纹理等细节的制作。

他说「虽然完成度确实还不到位，但我第一次真切感到，不再由人手工制作 3DCG 的时代开始了。」

还有 OpenAI 研究员 Sharif Shameem 让 GPT-6 Astra 去玩 neal.fun 上那个著名的《我不是机器人》游戏，48 关越来越刁钻的验证码式谜题，选红绿灯、数格子、分辨吉娃娃和松饼。

GPT-6 一把全通，游戏原作者 Neal Agarwal 被炸出来留言说「行吧，我尽力了。祝大家好运。」

更有意思的 Computer Use 玩法，还有用来操作游戏。

有人睡前给 GPT-6 留了个作业：在《我的世界》里用 Computer Use 挖一颗钻石。挖钻石本来在 Minecraft 里是件麻烦事，要下矿、要躲怪、要先造出整条工具链。

然后这位用户说自己一觉醒来，背包里真的有一颗钻石。

还有人让 GPT-6 打开浏览器里的画图工具给自己画肖像，甚至是让它把 Google 日历的日程格当成像素画布，用一个个日程事件「画」出了一幅迈克尔·杰克逊的肖像。

这种 Computer Use 的能力，也被网友拿出来作为对比，称其为「AI 模型的全新高阶基准」。

知名的「威尔·史密斯吃面」作为 AI 能力进步的民间计量单位，又往前翻了一页。

图｜左边是 2023 年那个诡异的「威尔·史密斯吃意面」AI 视频，右边是 GPT-6 Astra 在 Mac 上用 Blender 5.1 重建的威尔·史密斯头像。

早在 OpenAI 发布 GPT-6 Astra 时，官方演示视频的口号就有一句：「你在电脑上能做的任何事，Astra 都能替你做。而且快。」

OpenAI 联合创始人 Greg Brockman 更是直接说，

Computer Use 是这项新技术中一个尤为重要的组成部分。我认为它已经跨越了质的门槛。

事实上，它已经从过去那种缓慢、令人痛苦的运行方式，发展成为如今这种非常精准、高效且可靠的技术。因此，Astra 无需 API 就能用计算机完成人类能做的一切。

这一次，GPT-6 是怎么做到的

所以，为什么 GPT-6 在 Computer Use 的进步如此之大，就连那些复杂的专业软件，现在它都能操作了。

Browserbase 的增长工程师 Kyle Jeong 扒完了 OpenAI 官方开源的 Codex 仓库代码后，写了一篇技术拆解，他提到要理解 Astra 为什么强，得先回看 GPT-5.6 时代的 Codex / ChatGPT harness。

Computer use 是一个 harness（工程）+ model（研究）的双重问题——模型决定做什么，harness 负责做。

上一代的电脑操作方案，从 2024 年 Anthropic 首发的 Computer Use 到 OpenAI 自己的 Operator，走的都是「截屏 + 像素点击」路线：模型看一眼屏幕截图，算出该点哪个坐标，点下去，再截图。

这条路线的脆弱之处在于，显示器换个分辨率，模型可能就认不出按钮了。

Astra 换了一种方法，在针对浏览器的电脑使用里，它放弃了像素读取，直接使用「无障碍树」（Accessibility Tree）进行识别。

Accessibility Tree 是操作系统给读屏软件准备的界面文字版，每个按钮、每个输入框都有名字和层级。对于大模型来说，读它比看截图更省 token，而且语义化。

同时，截图仍会提供实际画面，一个输入框的名称可以写进可访问性树的清单，但画布上的笔迹、三维模型的形状却需要从图像中观察。GPT-6 Astra 可以结合两种信息决定如何操作，不必只凭屏幕上的坐标寻找每一个按钮。

另一方面，更关键的是所谓「代码模式」： 与其说 Astra 学会了「用电脑」，不如说它学会了写脚本替自己用电脑 。

任务开始后，它会拿到一个持续在线的编程环境（Node REPL，一个「写一句、跑一句、马上看结果」的交互式窗口，整个任务期间状态一直保留），然后在里面写代码，用 Playwright 控制浏览器，用 PyAutoGUI 控制桌面。

每执行一段，它就重新读一遍屏幕，确认刚才的动作是否生效，不生效就改了再来，如此循环直到任务完成。

操作电脑这个动作，就这样被它内化成了一次又一次的小规模编程。另外，在安全层面还有一道叫 Guardian Policy 的闸门，即后台有一个专门模型对每一步动作做风险分类，高风险操作会停下来等人类批准。

这套工作流程也能很好地解释了官方基准里的数字，在 OSWorld 2.0 上 Astra 得分 72.6%，比前代的 65.7% 高出一截，而单任务平均耗时从 75 分钟降到了 40 分钟。

快的原因正是模型更聪明之后，完成同一任务需要的步数变少了；步数越少，任务越快，成本也越低。

专栏作者 Tae Kim 在 Substack 上认为 GPT-6 这次的发布是一个新的热潮。

Computer Use 是四年里的第四波指数级需求浪潮——第一波是聊天机器人，第二波是推理模型，第三波是智能体编程，第四波，是智能体操作电脑。

也有网友说，除了去年十月到今年二月，OpenAI 没能赶上 Claude Code 的低谷期，它几乎是发现「下一个热门技术」的王者。

图｜引用来源：https://benhylak.substack.com/p/openai-did-it-again-but-what-did

1. 只需增加更多计算即可（transformer）

2. 再把它做成聊天机器人（ChatGPT）

3. 让它执行操作（工具调用）

4. 教它如何思考（推理模型）

而随着 GPT-6 的推出，他们揭示了第五点：

5. Computer Use 计算机使用

从操作电脑上的软件，到操作设备

的确如此，回看过去四年的 AI 发展，聊天机器人教会了模型听和说，推理模型教会了它想，编程 agent 在文本的环境里教会了它做，而 Computer Use 把「做」这件事又推广到了整个数字世界。

前几天，Greg Brokman 在接受 Stratechery 的专访里，回忆了一段往事：2015 年 11 月 OpenAI 创立之前，他们想做的第一件事，就是让模型看着屏幕像素、操作键盘鼠标，端到端地学会用电脑。

图｜https://stratechery.com/2026/an-interview-with-openai-president-greg-brockman-about-astra-and-alignment/

这个初心当时没做成，于是过去两年成了他口中的「连接器时代」，即想让 AI 用什么软件，就给它写什么 API 连接器，一个软件一个接口，一家厂商一份定制。

直到 GPT-6 发布，他说，「现在，我们终于有了一种几乎是万能连接器（almost this universal connector）的技术。」

如果模型看屏幕、动键鼠就能操作任何软件，那么「屏幕 + 输入设备」这个组合就不再只是个人电脑的形态，而是 几乎所有可以通过视觉完成的任务 。

今天是操作一台电脑，下一步顺理成章的就是 模型成为架在所有设备之上的统一抽象层 。所谓的接口变成了「看和点」这种人类级别的通用协议，让设备之间第一次有了一种共同语言。

图｜GPT-6 与 ENPIRE 英伟达机器人技术平台，GPT-6 Astra 能够以零样本的方式进行机器人上下文学习。

不同设备上的接入条件并不相同。Google Play 明确限制应用借助 Accessibility API 自主规划和执行动作，对符合条件的残障辅助工具设有例外；iOS 则通过应用沙箱限制跨应用的数据和资源访问。手机上的系统权限和分发规则，会直接影响第三方 Agent 能采用哪些操作方式。

但机器人领域的测试者已经拿到了第一批量化证据，RoboCurve 基准里，GPT-6 Astra 直接输出机械臂末端的位姿指令，在「把积木放进碗里」的任务上 20 次成功 19 次。对照之下，Claude 最新的 Fable 5.1 只有 40%。

而且这些测试都是 zero-shot，一次性操作，没有示范，也没有微调。测试者 Jay Chooi 预测， 大模型最早今年底、最迟 2029 年就能实时控制机械臂。

当模型学会通过「看和点」操作软件、通过位姿指令操作机械臂，数字世界和物理世界之间差的似乎从来不是智能，只是需要一个驱动层。

GPT-6 Astra 用机械手解开了魔方

在电脑上，它是屏幕和鼠标键盘；在机器人身上，它是电机的位姿指令。驱动层两边，跑的是同一套智能回路——感知，决策，行动，观察反馈，再来一次。

1979 年，MIT 做过一个著名演示叫「Put That There」：人指着屏幕说「把那个放到那里」，机器照做。

OpenAI 在 GPT-6 Astra 的发布视频里特意致敬了它。四十七年后，机器不但能把屏幕上的东西放到那里，还拿起了画笔，开始学着把颜料放到画布上该在的位置。

那张越画越好的金门大桥，或许就是 Computer Use 开始进入物理世界的证据。

我们正在招募伙伴

简历投递邮箱 hr@ifanr.com

✉️ 邮件标题 「姓名+岗位名称」（请随简历附上项目/作品或相关链接）