GPT-4强势来袭：支持最长50页文本、识图能力强，API价格是原来的60倍，多模态是大语言

　　北京时间月3月15日凌晨，距ChatGPT发布不到4个月，OpenAI公司再次发布了一个王炸级别消息——正式公布多模态预训练大模型GPT-4。本应于周四发布的GPT-4提前了一天多的时间揭开神秘面纱，也让许多人感到猝不及防。

　　OpenAI创始人Sam Altman在推特上直言不讳地称其为该公司“迄今为止功能最强大、最一致的模型”。很快，GPT-4上线仅几分钟后，大批新的订阅用户涌入，OpenAI的付款系统被挤爆了。

　　目前，GPT-4仅限ChatGPT的Plus订阅用户使用，其他用户需要排队申请内测。率先体验了GPT-4的IT从业人员Wang告诉《每日经济新闻》记者，“推理能力非常赞。”不过，他认为，和人类比（GPT-4生成的内容）还是较弱，“我倾向于认为，它应该没有元创新能力。”

　　与门庭若市的GPT-4相比，谷歌的门前就显得异常冷清了。当天，谷歌发布了一支预告片，演示了整合其AI功能的Work Space功能，但在GPT-4的光环之下黯然失色。

　　记者注意到，在GPT-4中，支持图像理解的功能是一个最大的飞跃。基于此，GPT-4的API也区分了输入端（即文本和图像形式的prompt）和输出端（生成文本），分别进行收费，而GPT-4输出端的最高价格大约是GPT-3.5 Turbo的60倍。

　　实际上，科技巨头间围绕多模态模型的较量也已经展开，微软、谷歌、Meta、Deepmind都发布了自己的多模态模型。未来，多模态模型或将成为AI领域的兵家必争之地。“我们认为这是这场AI军备竞赛中，GPT技术升级的又一重要步骤。截至目前，微软的技术仍远高于谷歌。”Wedbush董事总经理Daniel Ives告诉每经记者。

　　6个月心血打造，GPT-4强在哪里？

　　在推特上，Sam Altman透露，GPT-4的初始训练已经完成了很长一段时间，但他和他的团队花了很长时间和大量的工作才准备好发布它。据OpenAI，团队花了6个月的时间使用对抗性测试程序和ChatGPT的经验教训，对GPT-4进行迭代调整，从而在真实性、可控性等方面取得了有史以来最好的结果。

　　根据OpenAI的GPT-4文档，这一次的GPT-4是一种多模态语言模型，能接受图像和文本输入，再输出正确的文本回复。相较于ChatGPT基于的GPT-3.5模型，它拥有强大的识图能力，文字输入限制提升，准确性显著提高，风格上也有了变化，例如能够生成歌词和创意文本。

　　有推特用户表示，他仅花了60秒钟的时间就用GPT-4重建了一个名为“Pong”的游戏。“我不在乎这是不是通用AI，但GPT-4是一项令人难以置信的变革性技术。事情彻底变了。”

　　图片来源：推特

　　有用户直接让GPT-4续写红楼梦，结果有模有样。

　　图片来源：某社交媒体

　　一位IT从业人员Wang已经率先体验了GPT-4的强大功能，他告诉《每日经济新闻》记者，“简单试了一下，推理能力非常赞。”他认为，在一定程度上，GPT-4的回答已经并非基于网上信息的整合，而是有一些真正的推理能力了。

　　记者在多个AIGC讨论群组中注意到，相比于GPT-3.5，GPT-4在许多问题上的回答确实游刃有余，也能识别问题中的错误信息。

　　图片来源：微信群

　　值得注意的是，在GPT-4模型中，支持图像理解的功能是一个最大的飞跃。上周，微软德国的CEO在接受访问时透露，即将发布的GPT-4将支持视频，尽管这次的发布并未展现出支持视频的功能，但这个新的功能已经让许多人感叹，“这一波直接王炸！”、“能革OpenAI命的只有OpenAI！”

　　在OpenAI公布的展示视频中，Open AI的联合创始人兼总裁Greg Brockman仅仅提供了一个Html页面的草稿，GPT-4仅用10秒时间就直接生成了这个页面的代码。

　　图片来源：OpenAI视频截图

　　此外，另一个备受关注的飞跃式提升是，GPT-4提供了更长的文字输入限制。OpenAI官网显示，GPT-4分为两个版本，一个支持的最长Token为8192，另一个支持的最长Token是32768（大约50页文本）。这分别是此前ChatGPT上下文长度的2倍和8倍。

　　图片来源：OpenAI官网

　　API价格是原先的60倍，为什么？

　　在发布了GPT-4模型之后，OpenAI直接将ChatGPT升级成了GPT-4版，并且还一口气发布了GPT-4的API接口。

　　记者注意到，相较于OpenAI此前公布的GPT-3.5 Turbo版本的API，GPT-4的API价格有了明显的提升。由于GPT-4提供了图像理解功能，其区分了输入端（即文本和图像形式的prompt）和输出端（生成文本）。

　　在GPT-4 8K版本中，输入端的价格为每1000个Token （约750个单词）0.03美元，输出端的价格为每1000个Token 0.06美元；在GPT-4 32K版本中，输入端为每1000个Token 0.06美元，输出端为每1000个Token 0.12美元。

　　相比之下，3月1日发布的GPT-3.5 Turbo 的API价格仅为每1000个Token 0.002美元。此前个人创业者王绍在接受每经记者采访时曾表示，基本上是每1000个汉字大约3分钱的成本。

　　若按此计算，GPT-4 32K版本的输出端价格达到了每1000个汉字大约1.8元，是GPT-3.5 Turbo的60倍，明显成本大幅增加。

　　图片来源：OpenAI官网

　　每经记者在相关讨论群中也注意到，许多开发者对此议论纷纷。

　　图片来源：微信截图

　　GPT-4的价格为何上涨如此之多？我们首先得回到GPT-4最大的改变——多模态模型。多模态系统一直是AI领域的发展范式，单个系统将包含各种数据类型（如文本、语音、图像或视频）输入和输出的能力。

　　一位产品经理在他的微信公众号上评价称，GPT-4才是真正的多模态模型，这意味着在预训练过程中图像就是重要的一环，它能够真正理解图像，并非简单利用一些图文工具实现模型对图像的转换，这也是GPT-4的真正的魅力所在。

　　Wang告诉每经记者，相比之前只支持文本的模型来说，多模态模型肯定会提升在算力、训练方面的成本。

　　2月27日，微软发布了KOSMOS-1多模态语言模型，支持进行图像内容的理解并对话。据该论文，在多模态模型的训练过程中，不止会用到文本数据，还包括任意交错的文本和图像、图像标题数据。这样一来，训练难度肯定有所增加。如此看来，GPT-4的API价格上涨也说得通了。

　　多模态是大型语言模型的未来？

　　GPT-4当然还远不能称之为完美。“它与早期的GPT模型有类似的局限性：它不完全可靠、上下文窗口有限，并且不能从过往经验中进行自主学习。”OpenAI如此说道。

　　不过，OpenAI 也表示在特定领域做出了改进。与GPT-3.5 相比，GPT-4总体上响应“不允许内容”请求的可能性降低了82%，并且以符合公司政策的形式响应敏感请求（如医疗建议和任何与自我伤害有关的事情）概率增加29%。

　　在Wang看来，“和人类比（GPT-4生成的内容）还是较弱的，我倾向于认为，它应该没有元创新能力。”他进一步解释说，元创新能力即从无到有创造一个概念出来，而非把几个东西拼凑起来的创新。

　　在GPT-4这个多模态模型发布后，微软也证实，其基于ChatGPT的新版必应正是基于GPT-4模型而运行。

　　此外，OpenAI还公布了一些早期的应用者。其中包括 Stripe，它使用 GPT-4 扫描商业网站并向客户支持人员提供摘要；Duolingo将 GPT-4 构建到新的语言学习订阅层中；摩根士丹利正在创建一个由 GPT-4 驱动的系统，将从公司文件中检索信息并将其提供给金融分析师；可汗学院则正在利用 GPT-4 构建某种自动化导师。

　　每经记者注意到，多模态模型或将成为未来的兵家必争之地。

　　在前述微软的论文中，科学家们这样写道，“语言、多模式感知、动作和世界建模的大融合是通向通用AI的关键一步……作为智能的基本组成部分，在知识获取方面，多模态感知，是实现通用AI的必要条件。”

　　上述论文也提到，多模态语言模型提供了一些新的用途和可能性。例如，它能够自然地支持一般模式的多回合交互和多模式下的对话。

　　实际上，科技巨头间围绕多模态模型的较量也已经展开。沿着类似的思路，谷歌发布了PaLM-E，这是一个与Kosmos-1非常相似的多模态模型；类似的多模态模型还有Meta的LLaMA、 Omnivore、FLAVA、CM3 和 Data2vec，都是采用多模式方法来解决不同的任务，如语音、视觉、文本，甚至 3D；此外，DeepMind也于2022 年 11 月发布了Gato多模态模型。

　　（每经记者蔡鼎亦对文本有所贡献）