GPT-4強(qiáng)勢來襲：支持最長50頁文本、識圖能力強(qiáng)，API價格是原來的60倍，多模態(tài)是大語言模型的未來？

每經(jīng)記者 文巧    每經(jīng)編輯 譚玉涵    

圖片來源：視覺中國

北京時間月3月15日凌晨，距ChatGPT發(fā)布不到4個月，OpenAI公司再次發(fā)布了一個王炸級別消息——正式公布多模態(tài)預(yù)訓(xùn)練大模型GPT-4。本應(yīng)于周四發(fā)布的GPT-4提前了一天多的時間揭開神秘面紗，也讓許多人感到猝不及防。

OpenAI創(chuàng)始人Sam Altman在推特上直言不諱地稱其為該公司“迄今為止功能最強(qiáng)大、最一致的模型”。很快，GPT-4上線僅幾分鐘后，大批新的訂閱用戶涌入，OpenAI的付款系統(tǒng)被擠爆了。

目前，GPT-4僅限ChatGPT的Plus訂閱用戶使用，其他用戶需要排隊(duì)申請內(nèi)測。率先體驗(yàn)了GPT-4的IT從業(yè)人員Wang告訴《每日經(jīng)濟(jì)新聞》記者，“推理能力非常贊。”不過，他認(rèn)為，和人類比（GPT-4生成的內(nèi)容）還是較弱，“我傾向于認(rèn)為，它應(yīng)該沒有元創(chuàng)新能力。”

與門庭若市的GPT-4相比，谷歌的門前就顯得異常冷清了。當(dāng)天，谷歌發(fā)布了一支預(yù)告片，演示了整合其AI功能的Work Space功能，但在GPT-4的光環(huán)之下黯然失色。

記者注意到，在GPT-4中，支持圖像理解的功能是一個最大的飛躍?；诖?，GPT-4的API也區(qū)分了輸入端（即文本和圖像形式的prompt）和輸出端（生成文本），分別進(jìn)行收費(fèi)，而GPT-4輸出端的最高價格大約是GPT-3.5 Turbo的60倍。

實(shí)際上，科技巨頭間圍繞多模態(tài)模型的較量也已經(jīng)展開，微軟、谷歌、Meta、Deepmind都發(fā)布了自己的多模態(tài)模型。未來，多模態(tài)模型或?qū)⒊蔀锳I領(lǐng)域的兵家必爭之地。“我們認(rèn)為這是這場AI軍備競賽中，GPT技術(shù)升級的又一重要步驟。截至目前，微軟的技術(shù)仍遠(yuǎn)高于谷歌。”Wedbush董事總經(jīng)理Daniel Ives告訴每經(jīng)記者。

6個月心血打造，GPT-4強(qiáng)在哪里？

在推特上，Sam Altman透露，GPT-4的初始訓(xùn)練已經(jīng)完成了很長一段時間，但他和他的團(tuán)隊(duì)花了很長時間和大量的工作才準(zhǔn)備好發(fā)布它。據(jù)OpenAI，團(tuán)隊(duì)花了6個月的時間使用對抗性測試程序和ChatGPT的經(jīng)驗(yàn)教訓(xùn)，對GPT-4進(jìn)行迭代調(diào)整，從而在真實(shí)性、可控性等方面取得了有史以來最好的結(jié)果。

根據(jù)OpenAI的GPT-4文檔，這一次的GPT-4是一種多模態(tài)語言模型，能接受圖像和文本輸入，再輸出正確的文本回復(fù)。相較于ChatGPT基于的GPT-3.5模型，它擁有強(qiáng)大的識圖能力，文字輸入限制提升，準(zhǔn)確性顯著提高，風(fēng)格上也有了變化，例如能夠生成歌詞和創(chuàng)意文本。

有推特用戶表示，他僅花了60秒鐘的時間就用GPT-4重建了一個名為“Pong”的游戲。“我不在乎這是不是通用AI，但GPT-4是一項(xiàng)令人難以置信的變革性技術(shù)。事情徹底變了。”

圖片來源：推特

有用戶直接讓GPT-4續(xù)寫紅樓夢，結(jié)果有模有樣。

圖片來源：某社交媒體

一位IT從業(yè)人員Wang已經(jīng)率先體驗(yàn)了GPT-4的強(qiáng)大功能，他告訴《每日經(jīng)濟(jì)新聞》記者，“簡單試了一下，推理能力非常贊。”他認(rèn)為，在一定程度上，GPT-4的回答已經(jīng)并非基于網(wǎng)上信息的整合，而是有一些真正的推理能力了。

記者在多個AIGC討論群組中注意到，相比于GPT-3.5，GPT-4在許多問題上的回答確實(shí)游刃有余，也能識別問題中的錯誤信息。

圖片來源：微信群

值得注意的是，在GPT-4模型中，支持圖像理解的功能是一個最大的飛躍。上周，微軟德國的CEO在接受訪問時透露，即將發(fā)布的GPT-4將支持視頻，盡管這次的發(fā)布并未展現(xiàn)出支持視頻的功能，但這個新的功能已經(jīng)讓許多人感嘆，“這一波直接王炸！”、“能革OpenAI命的只有OpenAI！”

在OpenAI公布的展示視頻中，Open AI的聯(lián)合創(chuàng)始人兼總裁Greg Brockman僅僅提供了一個Html頁面的草稿，GPT-4僅用10秒時間就直接生成了這個頁面的代碼。

圖片來源：OpenAI視頻截圖

此外，另一個備受關(guān)注的飛躍式提升是，GPT-4提供了更長的文字輸入限制。OpenAI官網(wǎng)顯示，GPT-4分為兩個版本，一個支持的最長Token為8192，另一個支持的最長Token是32768（大約50頁文本）。這分別是此前ChatGPT上下文長度的2倍和8倍。

圖片來源：OpenAI官網(wǎng)

API價格是原先的60倍，為什么？

在發(fā)布了GPT-4模型之后，OpenAI直接將ChatGPT升級成了GPT-4版，并且還一口氣發(fā)布了GPT-4的API接口。

記者注意到，相較于OpenAI此前公布的GPT-3.5 Turbo版本的API，GPT-4的API價格有了明顯的提升。由于GPT-4提供了圖像理解功能，其區(qū)分了輸入端（即文本和圖像形式的prompt）和輸出端（生成文本）。

在GPT-4 8K版本中，輸入端的價格為每1000個Token （約750個單詞）0.03美元，輸出端的價格為每1000個Token 0.06美元；在GPT-4 32K版本中，輸入端為每1000個Token 0.06美元，輸出端為每1000個Token 0.12美元。

相比之下，3月1日發(fā)布的GPT-3.5 Turbo 的API價格僅為每1000個Token 0.002美元。此前個人創(chuàng)業(yè)者王紹在接受每經(jīng)記者采訪時曾表示，基本上是每1000個漢字大約3分錢的成本。

若按此計(jì)算，GPT-4 32K版本的輸出端價格達(dá)到了每1000個漢字大約1.8元，是GPT-3.5 Turbo的60倍，明顯成本大幅增加。

圖片來源：OpenAI官網(wǎng)

每經(jīng)記者在相關(guān)討論群中也注意到，許多開發(fā)者對此議論紛紛。

圖片來源：微信截圖

GPT-4的價格為何上漲如此之多？我們首先得回到GPT-4最大的改變——多模態(tài)模型。多模態(tài)系統(tǒng)一直是AI領(lǐng)域的發(fā)展范式，單個系統(tǒng)將包含各種數(shù)據(jù)類型（如文本、語音、圖像或視頻）輸入和輸出的能力。

一位產(chǎn)品經(jīng)理在他的微信公眾號上評價稱，GPT-4才是真正的多模態(tài)模型，這意味著在預(yù)訓(xùn)練過程中圖像就是重要的一環(huán)，它能夠真正理解圖像，并非簡單利用一些圖文工具實(shí)現(xiàn)模型對圖像的轉(zhuǎn)換，這也是GPT-4的真正的魅力所在。

Wang告訴每經(jīng)記者，相比之前只支持文本的模型來說，多模態(tài)模型肯定會提升在算力、訓(xùn)練方面的成本。

2月27日，微軟發(fā)布了KOSMOS-1多模態(tài)語言模型，支持進(jìn)行圖像內(nèi)容的理解并對話。據(jù)該論文，在多模態(tài)模型的訓(xùn)練過程中，不止會用到文本數(shù)據(jù)，還包括任意交錯的文本和圖像、圖像標(biāo)題數(shù)據(jù)。這樣一來，訓(xùn)練難度肯定有所增加。如此看來，GPT-4的API價格上漲也說得通了。

多模態(tài)是大型語言模型的未來？

GPT-4當(dāng)然還遠(yuǎn)不能稱之為完美。“它與早期的GPT模型有類似的局限性：它不完全可靠、上下文窗口有限，并且不能從過往經(jīng)驗(yàn)中進(jìn)行自主學(xué)習(xí)。”OpenAI如此說道。

不過，OpenAI 也表示在特定領(lǐng)域做出了改進(jìn)。與GPT-3.5 相比，GPT-4總體上響應(yīng)“不允許內(nèi)容”請求的可能性降低了82%，并且以符合公司政策的形式響應(yīng)敏感請求（如醫(yī)療建議和任何與自我傷害有關(guān)的事情）概率增加29%。

在Wang看來，“和人類比（GPT-4生成的內(nèi)容）還是較弱的，我傾向于認(rèn)為，它應(yīng)該沒有元創(chuàng)新能力。”他進(jìn)一步解釋說，元創(chuàng)新能力即從無到有創(chuàng)造一個概念出來，而非把幾個東西拼湊起來的創(chuàng)新。

在GPT-4這個多模態(tài)模型發(fā)布后，微軟也證實(shí)，其基于ChatGPT的新版必應(yīng)正是基于GPT-4模型而運(yùn)行。

此外，OpenAI還公布了一些早期的應(yīng)用者。其中包括 Stripe，它使用 GPT-4 掃描商業(yè)網(wǎng)站并向客戶支持人員提供摘要；Duolingo將 GPT-4 構(gòu)建到新的語言學(xué)習(xí)訂閱層中；摩根士丹利正在創(chuàng)建一個由 GPT-4 驅(qū)動的系統(tǒng)，將從公司文件中檢索信息并將其提供給金融分析師；可汗學(xué)院則正在利用 GPT-4 構(gòu)建某種自動化導(dǎo)師。

每經(jīng)記者注意到，多模態(tài)模型或?qū)⒊蔀槲磥淼谋冶貭幹亍?/p>

在前述微軟的論文中，科學(xué)家們這樣寫道，“語言、多模式感知、動作和世界建模的大融合是通向通用AI的關(guān)鍵一步……作為智能的基本組成部分，在知識獲取方面，多模態(tài)感知，是實(shí)現(xiàn)通用AI的必要條件。”

上述論文也提到，多模態(tài)語言模型提供了一些新的用途和可能性。例如，它能夠自然地支持一般模式的多回合交互和多模式下的對話。

實(shí)際上，科技巨頭間圍繞多模態(tài)模型的較量也已經(jīng)展開。沿著類似的思路，谷歌發(fā)布了PaLM-E，這是一個與Kosmos-1非常相似的多模態(tài)模型；類似的多模態(tài)模型還有Meta的LLaMA、 Omnivore、FLAVA、CM3 和 Data2vec，都是采用多模式方法來解決不同的任務(wù)，如語音、視覺、文本，甚至 3D；此外，DeepMind也于2022 年 11 月發(fā)布了Gato多模態(tài)模型。

（每經(jīng)記者蔡鼎亦對文本有所貢獻(xiàn)）