21世纪经济报道记者杨清清 北京报道AI的“下一步”，OpenAI并没有让市场等太久。
3月15日，OpenAI正式发布了多模态预训练大模型GPT-4。作为迄今为止规模最大、功能最强大的多模态预训练模型，GPT-4实现了语言与图片的融合，令计算机更好地理解了人类的交流方式。
“这是OpenAI努力扩展深度学习的最新里程碑。”OpenAI在对GPT-4的官方介绍中表示，“GPT-4是一个大型多模态模型，它接受图像和文本输入、进行文本输出，虽然在许多现实场景中它尚不如人类，但在各种专业和学术基准上表现出与人类相当的性能。”
自1956年人工智能概念首次被提出后，人工智能在巅峰与暗流中游走数年，如今再次来到了转折时刻。
已经足够“聪明”
从整体而言，GPT-4实现了多重能力的跃升。
与此前的版本相比，GPT4在语言、文本、图像三个层面利用大量数据训练AI系统。由此，GPT-4具备强大的识图能力，文字输入限制也提升至2.5万字；GPT-4的回答准确性也显著提升，还能够生成歌词、创意文本从而实现风格变化。同时，GPT-4在各类专业测试及学术基准上也表现优良。
“在日常对话中，GPT-4与GPT-3.5之间的差距或许微妙，但当任务复杂度足够高的时候，GPT-4将具备更可靠、更具创造性的特点，且能够处理更细致的指令。”围绕GPT-4与前代大模型的对比，OpenAI介绍称。
例如，根据OpenAI公布的实验数据，GPT-4参加了多种基准考试测试，包括美国律师资格考试 Uniform Bar Exam、法学院入学考试 LSAT、“美国高考” SAT数学部分和证据性阅读与写作部分的考试，在这些测试中，它的得分高于88%的应试者。相较之下，GPT-3.5版本大模型的成绩是倒数10%。
“如果说GPT3系列模型给大家证明了，AI能够在一个模型里做多个任务（也就是所谓通用），GPT4在很多任务上已经是人类水平（human-level），在很多专业和学术考试上超越90%的人类。”出门问问创始人&CEO李志飞评论称。
除了足够“聪明”之外，相较于此前的GPT模型而言，GPT-4最大的突破之一是在文本之外还能够处理图像内容。OpenAI表示，用户同时输入文本和图像的情况下，比如带有文本和照片的文档、图表或者屏幕截图，它能够生成相应的自然语言和代码等文本。
除了普通图片，GPT-4还能处理更复杂的图像信息，包括表格、考试题目截图、论文截图、漫画等。
此外，在多语种方面，GPT-4也体现出优越性。在测试的26种语言中，GPT-4在24种语言方面的表现均优于GPT-3.5等其他大语言模型的英语语言性能，其中包括部分低资源语言如拉脱维亚语、威尔士语等。在中文语境中，GPT-4能够达到80.1%的准确性。
与ChatGPT语言风格平静、固定冗长的特点不同， GPT-4引入了全新的API功能“系统”消息，允许用户以及开发人员通过该功能定制AI风格和任务，实现不同的用户体验。
尽管GPT-4功能强大，但同时OpenAI仍坦言，与早期GPT模型类似，GPT-4也具备局限性。其依然会形成推理错误，因而在使用语言模型输出时需要非常小心，最好以人工核查、附加上下文或避免高风险使用的方式予以辅助。
在参数量方面，此次OpenAI并未公布GPT-4的模型参数和数据规模，也并未给出技术原理。此前，GPT-3的参数量则为1750亿。OpenAI 表示，正在开源 OpenAI Evals 软件框架，它被用于创建和运行基准测试以评估GPT-4 等模型，同时可以逐样本地检查模型性能。
“GPT-4的模型发布，本身是技术持续升级迭代发展的必然阶段。AI行业每一年都会有些新模型发布，趋势就是大模型、多模态。”在接受21世纪经济报道记者采访时，IDC中国研究总监卢言霞表示，“多模态肯定是必然趋势，毕竟AI要真正达到人的智慧，需要处理多模数据。且在各行业场景里，大都是涉及多模态数据的处理。”
探索商业应用
尽管GPT-4已经引爆舆论，多位从业人员跃跃欲试，但目前GPT-4没有免费版本。
从应用角度而言，在GPT-4发布后，OpenAI也直接升级了ChatGPT。目前，GPT-4的访问权限仅面向ChatGPT Plus的付费订阅用户及企业和开发者开放。OpenAI方面称，想要访问GPT-4的API，用户可以注册等待，公司将邀请部分开发者进行体验。
目前，GPT-4已有部分行业应用。根据OpenAI官网给出的案例，GPT4已在教育、社会公益、金融、娱乐等方面进行应用并展开商业合作，包括Duolingo（多邻国）、Khan Academy（可汗学院）等教育企业。
此外，在微软的产品生态中，GPT-4也有落地。在GPT-4发布后，微软方面宣布，目前全新必应预览版中已经搭载了定制版本的GPT-4。
“微软有望在产业中通过GPT-4不断拓展下游新兴领域，应用于更多的场景中，并利用其多模态模型成本改变传统AI客制化与定制化的特点，逐步向通用化方向发展。”华鑫证券计算机研究团队分析称。
作为微软的对手之一，谷歌也在紧锣密鼓地追赶ChatGPT。近日，谷歌联合柏林工业大学团队推出史上最大的视觉语言模型PaLM-E，参数量高达5620亿。作为一种多模态具身视觉语言模型（VLM），PaLM-E不仅可以理解图像，还能理解、生成语言，可以执行各种复杂的机器人指令而无需重新训练。
而在3月14日，谷歌进一步宣布，计划将人工智能技术整合到Gmail电子邮件和Google Docs文档等办公应用中。谷歌的一位发言人表示，将向部分个人消费者和一些商业及教育用户开放上述新功能，但并未说明何时将广泛推出这些新功能，以及是否会额外收费。
不过从用户角度而言，对GPT-4的热情仍高于一切。由于GPT-4仅限于ChatGPT Plus订阅用户使用，当晚大批新订用户涌入，以至于OpenAI的付款系统一度宕机。
不仅仅是GPT-4，市面上所有的大模型，都有可能替代现有的AI应用。关键是在哪些场景里，大模型能够取得比现有应用更好的效果。（实习生陈军燕对本文亦有贡献）
相关文章
