Google 把这个想法变成了现实。在 GitHub 上开源了一个名为 Computer Use Preview 的项目，直接让 Gemini 模型接管了浏览器。
简单来说，以前的自动化是“盲人摸象”，靠代码定位；现在的自动化是“睁眼看世界”，靠视觉识别。
这个工具背后的逻辑其实很符合直觉，就是模拟人的操作流程：截图 → 分析 → 行动。