Η Google παρουσίασε ένα νέο μοντέλο τεχνητής νοημοσύνης, το Gemini 2.5 Computer Use, το οποίο έχει σχεδιαστεί για να πλοηγείται και να αλληλεπιδρά με το διαδίκτυο μέσω ενός browser, επιτρέποντας στους AI agents να εκτελούν εργασίες μέσα σε διεπαφές που προορίζονται για ανθρώπινη χρήση. Το μοντέλο αυτό χρησιμοποιεί δυνατότητες οπτικής κατανόησης και λογικής για να αναλύει αιτήματα χρηστών και να εκτελεί εργασίες, όπως η συμπλήρωση και υποβολή φορμών.
Δείτε επίσης: Gemini CLI για το Kali Linux: Αυτοματοποίηση δοκιμών διείσδυσης
Αυτό το μοντέλο μπορεί να χρησιμοποιηθεί για δοκιμές διεπαφών χρήστη ή για πλοήγηση σε διεπαφές που δεν διαθέτουν API ή άμεση σύνδεση. Προηγούμενες εκδόσεις αυτού του μοντέλου έχουν χρησιμοποιηθεί για χαρακτηριστικά agents στο AI Mode και το Project Mariner, ένα ερευνητικό πρωτότυπο που επιτρέπει στους AI agents να εκτελούν αυτόνομα εργασίες σε έναν browser, όπως η προσθήκη αντικειμένων σε ένα καλάθι με βάση μια λίστα συστατικών.
Η ανακοίνωση της Google ακολουθεί την πρόσφατη παρουσίαση νέων εφαρμογών για το ChatGPT από την OpenAI κατά τη διάρκεια της ετήσιας Dev Day, τονίζοντας το χαρακτηριστικό ChatGPT Agent που μπορεί να διαχειριστεί σύνθετες εργασίες εκ μέρους των χρηστών. Επιπλέον, η Anthropic κυκλοφόρησε πέρυσι μια έκδοση του μοντέλου Claude AI με δυνατότητες “χρήσης υπολογιστή“.
Δείτε ακόμα: Το Gemini for Home και η ανασχεδιασμένη εφαρμογή Home έφτασαν
Η Gοοgle μοιράστηκε βίντεο επίδειξης που δείχνουν το εργαλείο χρήσης υπολογιστή σε δράση, σημειώνοντας ότι τα βίντεο είναι επιταχυμένα κατά τρεις φορές. Η εταιρεία ισχυρίζεται ότι το μοντέλο χρήσης υπολογιστή της “υπερτερεί των κορυφαίων εναλλακτικών σε πολλαπλά benchmarks για το διαδίκτυο και τα κινητά“. Σε αντίθεση με το ChatGPT Agent και το εργαλείο χρήσης υπολογιστή της Anthropic, το νέο μοντέλο AI της Gοοgle περιορίζεται στην πρόσβαση μέσω browser και δεν έχει έλεγχο σε ολόκληρο το περιβάλλον ενός υπολογιστή.
Η Gοοgle αναγνωρίζει ότι “δεν είναι ακόμη βελτιστοποιημένο για έλεγχο σε επίπεδο λειτουργικού συστήματος επιφάνειας εργασίας” και υποστηρίζει επί του παρόντος 13 ενέργειες, όπως το άνοιγμα ενός περιηγητή, η πληκτρολόγηση κειμένου και η μεταφορά και απόθεση στοιχείων.
Δείτε επίσης: Ευπάθειες στο Google Gemini επιτρέπουν εξαγωγή δεδομένων
Το Gemini 2.5 Computer Use είναι διαθέσιμο στους προγραμματιστές μέσω του Google AI Studio και του Vertex AI, και υπάρχει επίσης μια επίδειξη στο Browserbase, όπου οι χρήστες μπορούν να παρακολουθήσουν το μοντέλο να ολοκληρώνει εργασίες όπως “παίζοντας ένα παιχνίδι 2048” ή “περιηγούμενο στο Hacker News για δημοφιλείς συζητήσεις“.
