最近一段時(shí)間，谷歌的AI大模型進(jìn)展吸引了不少關(guān)注。

但在大家都搓著手，試圖等著看谷歌如何逆風(fēng)翻盤的時(shí)候，AI大模型領(lǐng)域的霸主OpenAI再次傳來重磅消息。

根據(jù)外媒The Information的報(bào)道，OpenAI即將推出多模態(tài)模型GPT-Vision，文章標(biāo)題毫不客氣地表明這是用來回?fù)艄雀璧摹?/p>

雖然新版本還沒有真正來，但是已經(jīng)足以讓我們窺見這個(gè)賽道的下一階段競爭重點(diǎn)——多模態(tài)。

根據(jù)The Information的爆料，OpenAI正準(zhǔn)備在GPT-4的基礎(chǔ)上推出圖像理解功能GPT-Vision。這相當(dāng)于是在給GPT-4疊buff，擠牙膏式地完善它，反正目前公認(rèn)的AI一把手還得是GPT-4。

此外，報(bào)道中還提到，OpenAI可能在GPT-Vision之后推出代號(hào)為“Gobi”的大模型。和GPT-4不同，所謂“更強(qiáng)大的”Gobi從一開始就是按照多模態(tài)模型去構(gòu)建的。

外界把這個(gè)全新的大模型鎖定為GPT-5的有力候選，因?yàn)榇蟛糠秩瞬⒉幌嘈糯饲癘penAI的首席執(zhí)行官兼聯(lián)合創(chuàng)始人Sam Altman在麻省理工學(xué)院活動(dòng)中的辟謠：

我們現(xiàn)在沒有訓(xùn)練，短期內(nèi)也不會(huì)訓(xùn)練GPT-5。

畢竟當(dāng)時(shí)這段表態(tài)主要還是用來回應(yīng)公開信《暫停AI巨型實(shí)驗(yàn)》。3月29日，包括特斯拉CEO埃隆·馬斯克、蘋果聯(lián)合創(chuàng)始人Steve Wozniak、圖靈獎(jiǎng)得主Yoshua Bengio在內(nèi)的數(shù)千位科技界人士聯(lián)名呼吁，在6個(gè)月內(nèi)暫停開發(fā)比GPT-4更為強(qiáng)大的AI系統(tǒng)，以留出時(shí)間解決AI的安全與倫理問題。

就在本月初，DeepMind聯(lián)合創(chuàng)始人、現(xiàn)Inflection AI的CEO Mustafa Suleyman在一次訪談中表示自己認(rèn)為OpenAI正在秘密訓(xùn)練GPT-5。Suleyman把多數(shù)人心里的猜測擺到了臺(tái)面上，壓力重新給到了OpenAI。

不過現(xiàn)在談?wù)揋PT-5或許還是太早了，因?yàn)镺penAI至今沒有對相關(guān)消息作出回應(yīng)。除了代號(hào)Gobi的全新大模型有可能是傳言中的GPT-5，其余我們一概不知。甚至根據(jù)外媒消息，OpenAI似乎還沒有開始訓(xùn)練Gobi。

相對來說，GPT-Vision的情況更加有跡可循。

目前有不少人猜測，GPT-Vision很可能是此前就在GPT-4的3月發(fā)布會(huì)上演示過的多模態(tài)功能。當(dāng)時(shí)的GPT-4僅根據(jù)一張簡單的手寫草圖就生成了網(wǎng)頁代碼，震驚全世界。

但在一時(shí)驚艷之后，除了提供給一家為盲人創(chuàng)造技術(shù)的公司Be My Eyes之外，功能更新和實(shí)際使用中都再?zèng)]有這方面的信息，包括文生圖等功能。

其原因或許可以從《紐約時(shí)報(bào)》7月的一篇報(bào)道中推斷，OpenAI擔(dān)心該功能可能被濫用于面部識(shí)別等方面。再結(jié)合Sam Altman此前辟謠時(shí)提及的，“OpenAI正在解決公開信中忽略的基于GPT-4的各種安全問題?！毕嚓P(guān)的安全顧慮或許已經(jīng)有了解決方式。

也意味著，這種屏蔽很可能要迎來放開了。

按照The Information的說法，OpenAI希望以“GPT-Vision”的名義更廣泛地提供圖像理解，將為GPT-4打開許多新的基于圖像的應(yīng)用程序，例如生成匹配圖片的文本等。

同時(shí)，還有傳言稱DALL-E 3也在開發(fā)中，可能會(huì)集成到ChatGPT或GPT-4中。其與GPT-Vision都可能在11月6日的OpenAI開發(fā)者大會(huì)上公布，因?yàn)镺penAI首席執(zhí)行官Sam Altman曾經(jīng)如此說道：

將會(huì)有“偉大的東西”，盡管沒有GPT-4.5或GPT-5那么大。

總的來說，雖然GPT-5還沒來，但GPT-4要發(fā)力多模態(tài)，新一輪AI刷新科技觀的熱潮或許不遠(yuǎn)了。

在這次對OpenAI新動(dòng)作的報(bào)道中，中外媒體觀點(diǎn)出奇一致，基本都認(rèn)為是沖著谷歌的Gemini去的。

根據(jù)媒體9月14日援引三位直接知情人士消息稱，谷歌已向一小部分公司提供了Gemini的早期版本，通過公司的云計(jì)算服務(wù)出售給企業(yè)，意味著谷歌考慮將其納入消費(fèi)者服務(wù)，Gemini的發(fā)布或許在即。

Gemini被稱為谷歌的集大成之作，從今年4月就一直隱隱有消息傳出，項(xiàng)目的參與者包括了原DeepMind創(chuàng)始人Demis Hassabis等大牛，谷歌創(chuàng)始人Segey Brin也親自加入對Gemini的訓(xùn)練。

上個(gè)月底，SemiAnalysis的分析師Dylan Patel和Daniel Nishball曝光了更多相關(guān)消息。

根據(jù)現(xiàn)有信息，我們能夠?qū)emini有以下的認(rèn)知：

1、初代Gemini應(yīng)該是在TPUv4上訓(xùn)練的，且選擇使用較少的芯片數(shù)量，以保證芯片的可靠性和熱插拔。目前其已開始在TPUv5 Pod上訓(xùn)練，算力比訓(xùn)練GPT-4的要大 5 倍。

2、Gemini的訓(xùn)練數(shù)據(jù)庫為Youtube上93.6億分鐘的視頻字幕，總數(shù)據(jù)集大小約為GPT-4的兩倍。

3、Gemini由一組大型語言模型組成，可能使用MOE架構(gòu)與投機(jī)采樣技術(shù)，通過小模型提前生成token傳輸至大模型評估，提高總推理速度。

4、Gemini支持聊天機(jī)器人、總結(jié)文本或生成原始文本（如電子郵件草稿、歌詞或新聞文章）、生成原始圖片等功能。

5、Gemini支持幫助工程師編寫代碼，谷歌希望其提高開發(fā)人員的代碼生成能力，以追趕微軟的GitHub Copilot代碼助手，后者依賴于OpenAI。

6、谷歌員工還討論過利用Gemini來實(shí)現(xiàn)圖表分析等功能，比如要求模型解釋圖表的含義，及使用文本或語音指令來瀏覽網(wǎng)頁或其他軟件。

7、Gemini有不同大小版本，支持開發(fā)者購買簡化版處理簡單任務(wù)，足夠小的版本可以在個(gè)人終端運(yùn)行。

值得注意的是，相比GPT-4，Gemini有一個(gè)優(yōu)勢——除了網(wǎng)絡(luò)公共信息外，還可以利用谷歌從其消費(fèi)產(chǎn)品中獲取大量專有數(shù)據(jù)。因此，有相關(guān)人士認(rèn)為：

該模型在理解用戶對特定查詢的意圖時(shí)應(yīng)該會(huì)特別準(zhǔn)確，而且它似乎會(huì)產(chǎn)生較少的錯(cuò)誤答案（即幻覺）。

盡管Gemini還沒有真正登場，但已經(jīng)有不少人表達(dá)了看好。在前面提及的Dylan Patel和Daniel Nishball的文章中，也有類似的觀點(diǎn)：

The statement that may not be obvious is that the sleeping giant, Google has woken up, and they are iterating on a pace that will smash GPT-4 total pre-training FLOPS by 5x before the end of the year.（可能不太明顯的說法是，沉睡的巨人Google已經(jīng)蘇醒，他們正在迭代，將在年底前將GPT-4預(yù)訓(xùn)練總FLOPS提高5倍。）

我們可以發(fā)現(xiàn)，Gemini的每一項(xiàng)都在和GPT-4作比較，當(dāng)然這是不可避免的情況。畢竟在ChatGPT橫空出世之前，手握AI利劍的還是谷歌。

所以大眾的共識(shí)都是——

The point here is Google had all the keys to the kingdom, but they fumbled the bag. （這里的重點(diǎn)是谷歌擁有王國的所有鑰匙，但他們卻弄丟了袋子。）

基于此，谷歌也不得不更加努力，加速證明自己仍然能在AI一道上拿分。谷歌選擇直接偷家，趁著OpenAI還沒拿出真正的多模態(tài)模型之前，試圖搶先在高地插上自己的旗子。當(dāng)然，OpenAI并不打算放任谷歌追擊，這也就有了此次的GPT-Vision和Gobi。

這也指出了下一階段AI競爭的重點(diǎn)，便是各家正在內(nèi)卷的多模態(tài)。畢竟文字形式的生成式AI已經(jīng)毫無新鮮感，再智能也只能屈居于ChatGPT的榮光之下。

不過，發(fā)展至今日，AI的戰(zhàn)場上已經(jīng)不是兩軍對壘的局面了，谷歌和OpenAI不過是混戰(zhàn)中較顯眼的巨頭。

同樣需要盈利的這兩者都在大模型的項(xiàng)目中加入了商業(yè)化的部分，比如對企業(yè)方的政策。但另辟蹊徑的后來者M(jìn)eta，走的是開源的路子，一直在不斷發(fā)布新功能，主打一個(gè)量多還免費(fèi)。

很難評，大家會(huì)不會(huì)為了成本而選擇Meta。

可以說，現(xiàn)在的AI混戰(zhàn)已經(jīng)到了膠著的白熱化階段，下一個(gè)沖出來的會(huì)是誰，讓子彈再飛一會(huì)兒吧。