首次公開！奧特曼重新發(fā)明了瀏覽器

新智元報(bào)道

編輯：桃子 好困

【新智元導(dǎo)讀】OpenAI首個(gè)瀏覽器Atlas，背后技術(shù)秘密終于公開了！借用了谷歌Chromium，但關(guān)鍵創(chuàng)新在于全新架構(gòu)OWL。據(jù)稱，新入職員工一個(gè)下午就能交代碼。

OpenAI瀏覽器Atlas核心架構(gòu)，終于揭秘！

今天一早，Atlas負(fù)責(zé)人Ben Goodger公開一篇博文，背后OWL架構(gòu)首次亮相。

上一周，OpenAI醞釀已久的終極瀏覽器ChatGPT Atlas?終于現(xiàn)世。它開啟了一種全新的網(wǎng)頁瀏覽方式，全程還可以和ChatGPT交互。

為了讓ChatGPT成為得力的「領(lǐng)航員」，團(tuán)隊(duì)重構(gòu)了瀏覽器的架構(gòu)OWL。

OWL架構(gòu)自畫像

其中，最關(guān)鍵的一步在于：將Atlas應(yīng)用與Chromium運(yùn)行時(shí)，進(jìn)行分離。

為此，他們開發(fā)了一種全新的Chromium集成方式，由此一來，Atlas可以做到——

• 即時(shí)啟動(dòng)

• 在打開大量標(biāo)簽頁時(shí)，仍能保持流暢響應(yīng)

• 為AI智能體用例奠定基礎(chǔ)

原生框架OWL，重構(gòu)UI體驗(yàn)

為何要用谷歌Chromium去做「套殼」？

OpenAI給出了解釋，Chromium是一個(gè)理想的構(gòu)件基礎(chǔ)。

它提供了一流的網(wǎng)頁引擎，擁有強(qiáng)大的安全模型、久經(jīng)考驗(yàn)的性能表現(xiàn)和無與倫比的網(wǎng)頁兼容性。

此外，它由一個(gè)全球化的社區(qū)持續(xù)開發(fā)和改進(jìn)，是現(xiàn)代桌面網(wǎng)頁瀏覽器的首選方案。

另一方面，OpenAI設(shè)計(jì)團(tuán)隊(duì)為「用戶體驗(yàn)」設(shè)立了宏偉目標(biāo)，比如為「智能體模式」等功能實(shí)現(xiàn)豐富的動(dòng)畫和視覺效果。

這就要求，工程團(tuán)隊(duì)必須采用最現(xiàn)代化的原生框架（如SwiftUI、AppKit和Metal）來構(gòu)建UI，而非簡(jiǎn)單地為開源的Chromium UX「換皮」。

因此，Atlas的UI是對(duì)整個(gè)應(yīng)用用戶體驗(yàn)的一次徹底重建。

此外，OpenAI團(tuán)隊(duì)還有其他產(chǎn)品目標(biāo)，比如快速啟動(dòng)、支持?jǐn)?shù)百個(gè)標(biāo)簽頁同開等。

僅靠開箱即用的Chromium，是無法實(shí)現(xiàn)的。

因?yàn)樗鼘?duì)啟動(dòng)序列、線程模型和標(biāo)簽頁模型等許多細(xì)節(jié)，都有其固定的實(shí)現(xiàn)方式。

為了最大限度地提高開發(fā)速度，OpenAI必須找到一種不同的方式來集成和驅(qū)動(dòng)Chromium運(yùn)行。

衡量這項(xiàng)技術(shù)投資成功的關(guān)鍵，不僅在于它能否支持更快的實(shí)驗(yàn)迭代和新功能交付，還在于它能否堅(jiān)守OpenAI工程文化的核心：

入職第一天就提交代碼。

每一位新工程師都會(huì)在入職第一天的下午，就能完成并合并一個(gè)小改動(dòng)。

即便檢出和構(gòu)建Chromium可能需要數(shù)小時(shí)之久，這一點(diǎn)也必須實(shí)現(xiàn)。

為此，OpenAI給出的解決方案是：OWL。

為應(yīng)對(duì)這些挑戰(zhàn)，OpenAI構(gòu)建了一個(gè)新的架構(gòu)層，稱之為OWL：OpenAI Web Layer。

OWL是集成Chromium的方案，它將Chromium的瀏覽器進(jìn)程，運(yùn)行在主應(yīng)用Atlas的進(jìn)程之外。

第一天提交代碼，數(shù)分鐘造Atlas

你可以這樣理解：Chromium通過將標(biāo)簽頁移至獨(dú)立進(jìn)程，徹底改變了瀏覽器。

OpenAI將這一理念推向了新的高度，即把Chromium本身從主應(yīng)用進(jìn)程中剝離出來，置于一個(gè)隔離的服務(wù)層中。

這種設(shè)計(jì)方式，帶來了一系列優(yōu)勢(shì)：

• 更簡(jiǎn)潔、現(xiàn)代化的應(yīng)用：Atlas幾乎完全由SwiftUI和AppKit構(gòu)建。單一語言、單一技術(shù)棧、純凈的代碼庫。

• 更快的啟動(dòng)速度：Chromium在后臺(tái)異步啟動(dòng)，Atlas無需等待，界面幾乎瞬間就能呈現(xiàn)在用戶眼前。

• 與卡頓和崩潰隔離：Chromium是一個(gè)強(qiáng)大而復(fù)雜的網(wǎng)頁引擎。即便其主線程卡死，Atlas依然流暢；即便它崩潰，Atlas也能保持運(yùn)行。

• 更少的合并煩惱：由于團(tuán)隊(duì)并未大量基于Chromium開源UI進(jìn)行構(gòu)建，Atlas與上游Chromium的代碼差異更小，維護(hù)也更容易。

• 更快的迭代速度：大多數(shù)工程師完全無需在本地構(gòu)建Chromium。OWL在內(nèi)部以預(yù)構(gòu)建二進(jìn)制文件的形式分發(fā)，因此構(gòu)建Atlas只需幾分鐘，而非數(shù)小時(shí)。

因?yàn)楣こ處煙o需頻繁地從源碼構(gòu)建Chromium，開發(fā)速度得以大幅提升——即便是新成員也能在入職第一天下午，就合并簡(jiǎn)單的代碼改動(dòng)。

從頂層來看，Atlas瀏覽器是OWL客戶端，而Chromium的瀏覽器進(jìn)程是OWL主機(jī)。

它們之間通過IPC（進(jìn)程間通信）進(jìn)行通信，具體使用的是Mojo?（在新窗口中打開）——Chromium自有的消息傳遞系統(tǒng)。

OpenAI為Mojo編寫了自定義的Swift（甚至TypeScript）綁定，使得Swift應(yīng)用能夠直接調(diào)用主機(jī)端的接口。

OWL客戶端庫提供了一個(gè)簡(jiǎn)潔的公共Swift API，抽象了主機(jī)服務(wù)層暴露的幾個(gè)關(guān)鍵概念：

• Session：全局配置和控制主機(jī)

• Profile：為特定用戶配置文件管理瀏覽器狀態(tài)

• WebView：控制和嵌入單個(gè)網(wǎng)頁內(nèi)容（如渲染、輸入、導(dǎo)航、縮放等）

• WebContentRenderer：將輸入事件轉(zhuǎn)發(fā)至Chromium的渲染管線，并接收來自渲染器的反饋

• LayerHost/Client：在UI和Chromium之間交換圖形合成信息

此外，還有一系列廣泛的服務(wù)端點(diǎn)，用于管理書簽、下載、擴(kuò)展和自動(dòng)填充等高級(jí)功能。

渲染：跨進(jìn)程邊界傳遞像素

在客戶端應(yīng)用中，多個(gè)WebView共享一個(gè)互斥的顯示空間，它們會(huì)在一個(gè)共享的合成容器中被換入換出。

例如，一個(gè)瀏覽器窗口通常只有一個(gè)可見的共享容器，當(dāng)用戶在標(biāo)簽欄中選擇一個(gè)標(biāo)簽頁時(shí)，該標(biāo)簽頁對(duì)應(yīng)的WebView就會(huì)被換入這個(gè)容器。

在Chromium端，這個(gè)容器對(duì)應(yīng)一個(gè)gfx::AcceleratedWidget，其底層由一個(gè)CALayer支持。

OpenAI將該CALayer的上下文ID暴露給客戶端，客戶端中的NSView再通過私有的CALayerHost API將其嵌入。

對(duì)于一些特殊情況，如 下拉菜單或顏色選擇器，Chromium會(huì)在獨(dú)立的彈出窗口中進(jìn)行渲染，但仍采用相同的方法。 這些彈出窗口沒有content::WebContents，但它們有自己的content::RenderWidgetHostView和gfx::AcceleratedWidget，因此同樣的委托渲染模型依然適用。 OWL內(nèi)部會(huì)保持視圖幾何信息與Chromium端同步，以便GPU合成器能夠相應(yīng)地更新，并始終生成尺寸和設(shè)備縮放比例正確的圖層內(nèi)容。 OpenAI還利用這項(xiàng)技術(shù)，有選擇地將Chromium自身原生Views UI的元素投射到Atlas中。 這對(duì)于快速實(shí)現(xiàn)權(quán)限提示等功能非常有用，無需在SwiftUI中從零開始構(gòu)建替代品。 這項(xiàng)技術(shù)大量借鑒了Chromium現(xiàn)有的在macOS上安裝PWA（可安裝網(wǎng)頁應(yīng)用）的基礎(chǔ)設(shè)施。 輸入事件：解析與轉(zhuǎn)發(fā) 在將平臺(tái)事件（如macOS的NSEvents）轉(zhuǎn)發(fā)給渲染器之前，Chromium UI會(huì)先將其轉(zhuǎn)換為Blink的WebInputEvent模型。 但由于OWL在一個(gè)隱藏的進(jìn)程中運(yùn)行Chromium，OpenAI在Swift客戶端庫中自行完成了這一轉(zhuǎn)換，并將轉(zhuǎn)換后的事件直接轉(zhuǎn)發(fā)給Chromium。 此后，這些事件將遵循與真實(shí)輸入事件在網(wǎng)頁內(nèi)容中相同的生命周期。 這包括當(dāng)頁面表示未處理某個(gè)事件時(shí)，將該事件返回給客戶端。此時(shí)，OpenAI會(huì)重新合成一個(gè)NSEvent，讓應(yīng)用的其他部分有機(jī)會(huì)處理該輸入。 智能體模式：特殊處理 Atlas AI智能體瀏覽功能，對(duì)渲染、輸入事件轉(zhuǎn)發(fā)、數(shù)據(jù)存儲(chǔ)方案，提出了一些獨(dú)特的挑戰(zhàn)。 計(jì)算機(jī)視覺模型需要將整個(gè)屏幕的單張圖像作為輸入。但某些UI元素（如下拉菜單）會(huì)渲染在標(biāo)簽頁邊界之外的獨(dú)立窗口中。

在智能體模式下，OpenAI會(huì)將這些彈出窗口，以正確的坐標(biāo)合成回主頁面圖像中，確保模型能在單個(gè)畫面中看到完整的上下文。

對(duì)于輸入，他們采用相同的原則：由智能體生成的事件直接路由到渲染器，絕不經(jīng)過擁有特權(quán)的瀏覽器層。

這確保了即使在自動(dòng)化控制下，沙箱邊界依然得以維持。

比如，OpenAI不希望這類事件合成出鍵盤快捷鍵，從而導(dǎo)致瀏覽器執(zhí)行與當(dāng)前網(wǎng)頁內(nèi)容無關(guān)的操作。

智能體瀏覽還可以在一個(gè)臨時(shí)的「已登出」的上下文中運(yùn)行。

同時(shí)，OpenAI不會(huì)共享用戶現(xiàn)有的無痕模式配置文件，而是利用Chromium的StoragePartition基礎(chǔ)設(shè)施，來啟動(dòng)隔離的、內(nèi)存中的存儲(chǔ)空間。

每個(gè)智能體會(huì)話都從一個(gè)全新的狀態(tài)開始，會(huì)話結(jié)束時(shí)，所有的cookie和網(wǎng)站數(shù)據(jù)都會(huì)被丟棄。

任何人可以同時(shí)運(yùn)行多個(gè)「已登出」的智能體對(duì)話，每個(gè)都位于獨(dú)立的瀏覽器標(biāo)簽頁中，并與其他會(huì)話完全隔離。

絲滑解鎖下一代AI瀏覽器

如果沒有全球Chromium社區(qū)以及他們?yōu)闃?gòu)建現(xiàn)代網(wǎng)絡(luò)基石所付出的卓越努力，這一切都無從談起。

OWL正是在這一基石上，以一種全新的方式進(jìn)行構(gòu)建：

將引擎與應(yīng)用解耦，將世界級(jí)的網(wǎng)絡(luò)平臺(tái)與現(xiàn)代化的原生框架相融合，從而解鎖了一個(gè)更快、更靈活的架構(gòu)。

通過重塑瀏覽器承載Chromium的方式，OpenAI為創(chuàng)造新型體驗(yàn)開辟了空間：更流暢的啟動(dòng)、更豐富的 UI、與操作系統(tǒng)更深度的集成，以及一個(gè)能跟上創(chuàng)意速度的開發(fā)循環(huán)。

所以，Atlas遠(yuǎn)不止是Chromium一個(gè)簡(jiǎn)單的外殼。

參考資料：

https://openai.com/index/building-chatgpt-atlas/