作者 | 云昭
3月9日，微软德国CTO Andreas Braun在AI kickoff会议上带来了一个期待已久的消息：“我们将于下周推出GPT-4，届时我们将推出多模式模式，提供完全不同的可能性——例如视频。”
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
言语之中，他将大型语言模型（LLM）比作“游戏改变者”，因为他们教机器理解自然语言，然后机器以统计的方式理解以前只能由人类阅读和理解的东西。与此同时，这项技术已经发展到“适用于所有语言”：你可以用德语提问，也可以用意大利语回答。借助多模态，微软（-OpenAI）将“使模型变得全面”。
那么看来，GPT-4将是一个多模态大模型基本可以确定无疑了。但如果想提前知道有关GPT-4的真面目，并非无迹可寻。
一、预测：GPT-4基于此前多模态大语言模型Kosmos-1
其实早在3月1日，我们注意到微软就发表了多模态的大语言模型Kosmos-1。如果GPT-4是多模态的，我们可以合理地预测GPT-4能够做什么。
KOSMOS-1是一种多模态大型语言模型（MLLM），能够感知多模态输入，遵循指令，并执行上下文学习任务，也可以是多模态任务。在这项工作中，将视觉与大型语言模型（LLM）对齐，推动了从LLM向MLLM的演进。
斯坦福博士、英伟达AI科学家Jim Fan基于此做出了5点具体的预测：
（1）视觉智商测试：是的，人类参加的测试！（2）无OCR阅读理解：输入屏幕截图、扫描文档、路牌或任何包含文本的像素。直接对内容进行推理，无需显式OCR。这对于解锁多媒体网页上的AI驱动的应用程序或来自现实世界摄像头的“野外文本”非常有用。（3）多模态聊天：就图片进行对话。你甚至可以在中途提供“后续”图片。（4）广泛的视觉理解能力，如字幕、视觉问答、物体检测、场景布局、常识推理等。（5）音频和语音识别：在Kosmos-1论文中没有提到，但Whisper已经是一个OpenAI API，应该很容易集成。
Jim认为基于Andreas最近宣布的内容做出的预测，可能有些出入。但 Kosmos-1已经做到这些了。有理由相信，它提供了GPT-4或微软接下来将提供的任何人工智能服务的能力。“很难相信Kosmos-1会留在实验室，而不成为产品”。
多模态大模型应用示例：图像捕捉、图像问答、OCR、可视化对话
Jim建议从业者，“请为多模态API做好准备——它们迟早会出现！”
二、GPT-4会成为AGI？远远不够
首先，准确度的问题仍然不够。当被问及操作可靠性和事实保真度时，微软德国高级人工智能专家Siebler表示AI不会总是正确回答，因此有必要进行验证。微软目前正在创建置信度指标来解决此问题。客户通常仅在自己的数据集上使用AI支持，主要用于阅读理解和查询库存数据，其中模型已经相当准确然而，模型生成的文本仍然是生成性的，因此不容易验证。Siebler说：“我们围绕它建立了一个反馈循环，包括赞成和反对。”这是一个迭代过程。
其次，数据不够。即便多模态的GPT-4即将展现出强大的视觉、听觉、阅读理解和推理能力，但这仅仅是AGI的冰山一角，以类人机器人为例，机器人的控制数据很难做到统一，而且，这些控制数据与机器人硬件有关，差异很大。因此，无法轻松组合来自不同真实机器人的训练数据，与文本、视频、图像、音频等数据有着质的不同。
三、GPT-4的两个谣言
1.百万亿参数？假的！
GPT-4是OpenAI正在创建的一种新的语言模型，它可以生成类似于人类语音的文本。它将推进基于GPT-3.5的ChatGPT所使用的技术。
早在2021年8月，行业专家就推测GPT-4将具有100万亿个参数，但当时就有人表示：用更多参数构建AI并不一定能保证更好的性能，并且可能影响响应性。
但ChatGPT之父Altman很快就辟谣了：ChatGPT的下一个版本不会是AGI，也不会有100万亿个参数。那些谣言是不正确的。
2.Bing聊天是否使用GPT-4？
微软曾表示，新的Bing或Bing Chat比ChatGPT更强大。由于OpenAI的聊天使用GPT-3.5，因此有人推测，Bing聊天可能使用GPT-4。这一点尚未得到证实。
很明显，Bing Chat已经升级，可以通过互联网访问当前信息，这是对ChatGPT的一个巨大改进，在此之前，它只能从2021之前接受的训练数据中受益。
除了互联网的接入，用于Bing聊天的AI模型要快得多，这在从实验室取出并添加到搜索引擎中时非常重要。
但这似乎不太可能等同于OpenAI的GPT-4模型。如果GPT-4已经公开可用，则无需再秘而不宣了。
四、GPT-4：一种进化，而不是革命
毫无疑问，即将到来的GPT-4，肯定会给人留下深刻印象，但OpenAI首席执行官Sam·Altman在StrictlyVC采访中表示，“人们正在‘乞求’失望，他们会失望的。”
Altman之前还曾在推特上表示：AGI对世界经济造成巨大破坏的潜力，并表示，快速推出几项小变化，总比令人震惊的进步要好，因为它几乎没有为世界提供适应变化的机会。
无独有偶，世界级人工智能大神Ben Goertzel也给GPT-3/GPT-4泼了不少冷水：
当然，现在人们应该注意到，投入这些“知识重新排列”系统（如 ChatGPT）的美元和人力的数量远远大于投入替代人工智能方法的数量，这些方法更多地尊重扎根的、自我修正的认知的复杂性。
1970年代末 - 90年代初对多层神经网络的全面怀疑和对专家系统的拥护看起来天真、陈旧和愚蠢，像极了现在的样子。
同样，到2020年代中期/后期，今天对LLM满怀幻想的热情和对更微妙的 AGI 方法的油嘴滑舌的驳斥将看起来太荒谬了
我在这个帖子中的观点，并不是说这些基于LLM的系统不酷或无用——只是它们是一种时髦的新型窄人工智能技术，它与AGI的联系并不像它出现在表面上，或者正如一些评论者所声称的那样。
简而言之，GPT-4将是一场进化，而不是一场革命。
五、写在最后
很明显，ChatGPT 4不太可能成为OpenAI下一个产品的名称，但会带来一些创造性的想象，ChatGPT的名字，极有可能与驱动其改进的AI模型GPT-4结合起来。AI从业者及管理者需要重点关注GPT-4、ChatGPT目前的工作进展，以及OpenAI何时可能发布下一次重大升级。
最后，想对大家说，下周发布GPT-4是否符合本文的预测并不重要，包括我们期待的国产大模型“文心一言”也是如此。重要的是，开发者或者所在的企业是否已经做好准备来迎接多模态大模型的API。何其有幸，这些都有希望在2024之前到来！
参考链接：
https://arxiv.org/abs/2302.14045
https://www.heise.de/news/GPT-4-is-coming-next-week-and-it-will-be-multimodal-says-Microsoft-Germany-7540972.html
https://t.co/JbtQvjoJ3W
