相比 ChatGPT 能力有大进化，多模态上有突破但不多。
作者丨李梅 黄楠
编辑丨岑峰
今日，多模态大模型 GPT-4 震撼登场！
GPT-4 能够接受图像和文本输入，输出文本，在各项测试和基准上的表现已经与人类水平相当。
OpenAI 一次性大放送，发布了 GPT-4 的技术报告、system card，并提供了 ChatGPT Plus 体验、GPT-4 的 API waitlist、demo 视频，以及用于自动评估 AI 模型性能的 OpenAI Eval 框架。
Sam Altman 称，GPT-4 是“我们迄今为止最强大、对齐最好的模型”。
1
对 ChatGPT 的巨大超越
在许多方面，GPT-4 都已经能做到之前 ChatGPT（GPT-3.5）所力不能及的事情。相比 ChatGPT，GPT-4 支持更长的输入，一次可接受 32768 个 token，相当于 50 页纸的内容，长篇学术论文可以直接丢给它去解读了。
图源知乎
GPT-4 跟 GPT-3.5 具有相同的 API 接口和交互界面，但在文本总结和加工能力上，GPT-4 有了明显的提升，这表现提出指令后，模型能更好地遵循指令给出答案。
例如让一篇文章变成一个句子，每个单词都以 G 开头，GPT-3.5 还未尝试就放弃了任务，但在 GPT-4 中可以很好地完成：
GPT-3.5
GPT-4
同时，GPT-4 对指令的理解能力更佳：
（图片来源：知乎网友：@连诗路）
此次更新中，GPT-4 最令人惊喜的能力，是它可接受图片输入，并对图片生成说明、分类和分析。比如输入一张有鸡蛋、面粉和牛奶的图片，询问 GPT-4 可以使用这些原材料做什么，得到的结果如下：
GPT-4 可以实现从图片中提取文字信息并输出到 HTML，比如尝试手绘一个笑话网站模型，让 GPT-4 尝试自动生成网站的原型图（程序员嗅到了危险的味道）：
手绘的笑话网站模型图
GPT-4 根据手绘生成的笑话网站
对比 ChatGPT，GPT-4 的推理能力也有所超越，下面的结果展示了同一个问题 ChatGPT 和 GPT-4给出的不同答案：
左边为 ChatGPT，右边是 GPT-4
不仅如此，GPT-4 还能基于税务法则，帮助一对夫妻精准地计算出2018年缴纳的税额，并给出详尽的算法步骤，以便阅读解释。
据了解，OpenAI 于去年 8 月就已经完成了 GPT-4 的训练，我们与 OpenAI 的差距似乎更大了。
2
与 ChatGPT 相同的技术路线
在技术层面，一句话概括，GPT-4 是一个 Transformer 模型，使用公开可用的数据（如互联网数据）和第三方提供商许可的数据进行预训练，预测文本中的下一个 token，然后使用 RLHF（来自人类反馈的强化学习）对模型进行微调。
在一份98页的技术报告中，OpenAI 报告了 GPT-4 的性能、局限性和安全特性，但并没有公开有关架构（包括模型参数量）、硬件、训练计算、数据集构建、训练方法等内容的更多细节。
OpenAI 声称是“鉴于竞争格局和 GPT-4 等大规模模型的安全性影响”。
关于GPT-4的参数量，此前OpenAI的CEO Sam Altman表示，GPT-4不会比GPT-3高出太多，但大家关于GPT-4拥有极大参数量的猜测仍有很多。
对此，UCL 计算机系教授、上海数字大脑研究院院长汪军认为，大力确实出奇迹，此前 ChatGPT 的语言能力很强，有一定的逻辑推理能力，但它并未真正理解数据里面的内容，它只是在原来的训练数据中、搭料能力很强，因此是具有一定局限性的，在训练里一定要加上它对整个世界的理解。举个简单的例子，以下棋为例，如果你给它所有人类的下棋数据能力，比如说2000分以下所有人的数据，如果模型只模仿人的话，那么它是模仿不出比这2000分更高的智能的。
报告地址：https://cdn.openai.com/papers/gpt-4.pdf
在这份技术报告中，OpenAI 依然传达了一些关键信息，比如 GPT-4 采用与 GPT-3.5/ChatGPT 完全相同的技术路线；有一系列的对齐方案来保证 GPT-4 输出的安全性；基于不超过 GPT-4 千分之一的计算量来准确预测 GPT-4 在一定计算规模下的性能，利用小模型的训练性能来预测大模型期望性能这一点，在 OpenAI 看来是一项核心能力，也是一个值得研究的方向。
3
GPT-4 背后的强大阵容
尽管在 GPT-4 的技术细节方面，OpenAI 仍不够 Open，但这次他们也做了一次大胆的公开—— GPT-4 贡献者名单。
这份名单的最大看头在于，从下面这些详细的组别分类中可以大致看出 OpenAI 的部门组织架构，也足见 GPT-4 背后是一支多么庞大的队伍，从模型训练到评估再到安全部署，每一环都配备了大量的人力。
贡献者名单
这里一共列出了7个组别：
- 预训练：计算集群规模化、数据、分布式训练基础设施、硬件正确性、优化&架构、训练保姆（Training run babysitting）
- 长文本：长文本研究、长文本 kernels
- 视觉：架构研究，计算集群规模化、分布式训练基础设施、硬件正确性、数据、对齐数据、训练保姆、部署&后训练
- 强化学习&对齐：数据集、数据基础设施、ChatML 格式化、模型安全性、Refusals、底层 RLHF 和 InstructGPT 工作、Flagship training runs、代码能力
- 评估&分析：OpenAI Evals 库、模型分级评估基础设施、加速预测（Acceleration forecasting）、ChatGPT 评估、能力评估、代码评估、真实世界使用案例评估、污染性调查、指令遵循和API评估、新奇能力发现、视觉评估、经济影响评估、非扩散&国际人道主义法与国家安全的有害行为评估、过度依赖分析、隐私和PII评估、安全和政策评估、OpenAI 对抗性测试、系统卡和更广泛影响分析
- 部署：界面研究、GPT-4 API 和 ChatML 部署、GPT-4 web 体验、界面基础设施、可靠性工程、信任与安全工程、信任与安全监测和响应、信任与安全政策、部署计算、产品管理
- 其他：发布博客和论文内容、协作、计算分配支持、协议&税务&定价&资金支持、午餐合作伙伴&产品操作、法律、安全与隐私工程、系统管理与随叫随到服务
另外，OpenAI 也对微软的支持表示了感谢，特别是微软 Azure 为 GPT-4 模型的训练提供了基础架构设计和管理方面的支持，另外还有微软Bing团队和安全团队在安全部署方面的支持。
对于 OpenAI 的追赶者来说，这份名单一定程度上指示了一个方向，值得仔细研究。它对于 AI 领域人才的潜在热门职业方向也有启示，比如模型训练“保姆”、新奇能力发现师、算法模型安全师、数据和模型污染调查师等等。
4
开启多模态大模型时代
GPT-4 开启了多模态大模型的时代，遗憾的是，OpenAI 这次并没有公布 GPT-4 在多模态方面的技术细节。
自然语言是多模态的基础
目前 GPT-4 还只是文本+图像输入、文本输出，可以预测文本+图像不久也将实现。ChatGPT 已经带火了 NLP，GPT-4 想必对于视觉领域的研究者们也是一大机遇，也或许是一次冲击。
不过，在多模态大模型中，自然语言仍被认为是核心。UCL 计算机系教授、上海数字大脑研究院院长汪军告诉 AI科技评论，Chat 构建了一个相对清晰的逻辑描述，它或许不是百分百严谨，但已经足够让我们去表达一些非常复杂的逻辑关系。
但他认为，这是一个 Free power，也即是说，它可以能把这个问题表述得很清晰、但这是表象，最主要的是 Chat 里面含载的语义关系，当其他多模态来了之后，匹配上相应的语义表达，就可以迁移到其他的模态当中。
知识体系和自动化体系时代
在通过交互界面获取信息这一点上，ChatGPT 已经对用户完成了科普任务。GPT-4 出现后，Chat 将不再是大家关注的重点，GPT-4 能力的跃升正在引发大家思考 GPT 时代的产业变革将怎样发生。
在前维卓CTO 张烜看来，ChatGPT 背后的时代变化，是从信息时代 AI 向用户快速提供丰富的信息，到AI直接提供完整的知识体系。ChatGPT 的贡献是提供了一个便捷易用的交互界面，让普通人都能用得起来，功不可没，GPT-4 是在此基础上的再一次飞跃。
他认为，除了模型变得更大、更强以外，AI 技术本身的变化可能不显著，但从应用的角度看，新的时代已经到来。这个新时代便是知识体系和自动化的时代，AI 优化的目标是自动化地输出最终结果和完整的知识体系。
能够适应这种新形势的是以 RPA（Robotic process automation）为代表的自动流程化分发，但是目前的 RPA 起始于20年前，不适用于现在的媒体方式和交互内容，需要在文字、图像和视频化处理上加以改进，才能和 GPT 完美匹配。张烜对 AI科技评论透露，这是 GPT 影响产业的一个重要方式，也将是他接下来的创业方向。
目前，有一部分企业已经提前用上了 GPT-4，其中就包括了 Stripe、摩根士丹利和 Duolingo 等。
Stripe 团队列出了50个潜在应用程序来测试 GPT-4，经过审查和测试，当中有15个原型被认为是集成到平台中的有力候选者，包括支持定制、回答有关支持的问题和欺诈检测。
摩根士丹利人员日常工作需要面对一个巨大的内容库，涵盖投资策略、市场研究和评论以及分析师见解等知识内容达到数十万页，并且这些信息大多以 PDF 格式分布在内部网站上，需要顾问浏览大量信息才能找到特定问题的答案，搜索费时费力。
为此，从去年开始，摩根士丹利就引入了 GPT-3，利用 GPT 的嵌入和检索功能，释放内部人员在财富管理累积知识上的工作量，GPT-4 发布后，将为面向摩根士丹利内部的聊天机器人提供支持，该计划由摩根士丹利财富管理部门首席分析和数据官 Jeff McMillan 所在团队领导进行，团队项目负责人指出，GPT-4 将能够把所有洞察力解析为一种更有用、可操作的格式。
据 McMillan 介绍，摩根士丹利财富管理在 GPT-4 引入后将分为三个部分进行，第一部分的落脚点在 GPT-4 的“几乎瞬间访问、处理和合成内容的非凡能力”上，即基于互联网大量文本进行训练，并在单词、句子、概念和想法之间建立关系。
第二个落脚点在摩根士丹利的智力资本，摩根士丹利创立有一个独特的内部内容存储库，后续将通过 GPT-4 进行处理和解析，并受公司内部控制的约束。
最后一部分在公司的人员上，摩根士丹利就 GPT-4 进行了培训，每天有200多名员工查询相关系统并提供反馈，尽可能实现由内部聊天机器人完成全面搜索财富管理内容。McMillan 表示，这项工作还将进一步丰富摩根士丹利顾问与其客户之间的关系，使他们能够更快地帮助更多人。
Duolingo 也推出了一种由 GPT-4 提供支持的学习体验 Duolingo Max，新增“Explain My Answer（解释我的答案）”和“Roleplay（角色扮演）”两大功能。
角色扮演
在 Explain My Answer 中，学习者通过在某些练习类型之后点击一个按钮，可以进入与 Duo 的聊天获得答案解释，并要求举例或进一步说明；Roleplay 功能允许学习者与应用程序中的角色进行对话，角色覆盖多个真实场景，包括在巴黎的咖啡馆点咖啡、邀请朋友一起旅行、未来的假期计划等。
参考链接：
https://openai.com/product/gpt-4
https://openai.com/contributions/gpt-4
更多内容，点击下方关注：
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
