谷歌近日预览了一款名为“Gemini 2.5计算机使用”的全新人工智能模型，该模型通过浏览器与网络交互，能够执行原本仅限人类操作的任务，例如填写表单或提交数据。其核心能力在于视觉理解与推理，可分析用户请求并完成相应操作，适用于无API接口的传统系统测试或自动化场景。此前，类似技术已应用于谷歌AI模式中的智能体功能及研究项目“Mariner”，例如根据食材清单自动添加商品至购物车。
此次发布恰逢OpenAI在开发者日推出ChatGPT新功能之际，两大科技巨头的竞争进一步白热化。与OpenAI的ChatGPT智能体或Anthropic的Claude模型不同，谷歌的Gemini 2.5仅限浏览器环境操作，不支持桌面系统控制。谷歌强调，该模型在网页和移动端基准测试中表现优于现有方案，目前支持13种操作，包括打开网页、输入文本及拖放元素等。演示视频显示，其可流畅完成2048游戏或浏览Hacker News等任务，但视频已加速3倍以展示效率。
开发者现可通过Google AI Studio和Vertex AI访问该模型，Browserbase平台也提供实时演示。尽管功能聚焦浏览器层级，谷歌明确表示其未优化操作系统控制能力，未来或需扩展应用场景以应对更复杂的自动化需求。这一发布标志着AI智能体在模拟人类交互领域迈出关键一步，但技术边界与安全性仍是后续关注重点。
原创文章，作者：Google，如若转载，请注明出处：https://www.kejixun.co/article/735494.html
