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！标签

GPT-4 能够接受图像和文本输入，GPT输出文本，摘掉在各项测试和基准上的标签警花与同事翻车完整版表现已经与人类水平相当。

OpenAI 一次性大放送，GPT发布了 GPT-4 的摘掉技术报告、system card，标签并提供了 ChatGPT Plus 体验、GPTGPT-4 的摘掉 API waitlist、demo 视频，标签以及用于自动评估 AI 模型性能的GPT OpenAI Eval 框架。

Sam Altman 称，摘掉GPT-4 是标签“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，知乎带货博主吐槽合集合集每个单词都以 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。（公众号：雷峰网）

参考链接：

https://openai.com/product/gpt-4

https://openai.com/contributions/gpt-4

（公众号：雷峰网(公众号：雷峰网)）

雷峰网原创文章，未经授权禁止转载。详情见转载须知。