记者 | 张司钰

编辑 | 倪 妮

当开发者还在为OpenAI开放ChatGPT的API（应用程序编程接口）兴奋，铆足了劲研究各种AI插件之时，OpenAI在北京时间3月15日凌晨发布了多模态预训练大模型GPT-4（Generative Pre-trained Transformer 4），支持图像和文本输入并以文本形式输出。

不过，目前只有ChatGPT Plus的订阅用户可以试用有使用上限的GPT-4，想要访问GPT-4 API的开发者也需加入候补名单等待。由于目前的图像输入尚处于只供内部测试使用的第一阶段（α阶段），用户暂时只能向其输入纯文本信息。

在定价方面，对于订阅用户来说，GPT-4的定价为每1000个prompt token（用于文本生成的特定文本片段或单词）0.03美元，每1000个completion token（语言模型基于prompt token生成的完整文本）0.06 美元。

那么，GPT-4与之前“技惊四座”的GPT-3.5有什么不同？它又会让目前的AI应用产生怎样的变化？

首先是语言模型架构的不同：GPT-4使用多模态预训练大模型，输入不只限于文本，而GPT-3.5采用的是基于文本的单模态预训练模型。

当人们谈论GPT-4的高体验、强能力时，往往提及GPT-4针对文本、图像多种类型输入数据的强大的处理能力，这主要基于其特有的“多模态”功能。

虽然GPT-3.5已经具备很强的文本理解与生成能力，但它只是GPT-3微调的版本，它们有着相似的架构，即使增加了更多的参数，GPT-3.5仍然是一个单模态预训练模型，无论是图像还是文本、音频，用户只可以输入一种数据类型的信息。

GPT-4则非常不同。假使我们让计算机根据一张照片描述其中的物品，如果使用单模态预训练模型，计算机只能从图像中提取特征并生成描述，这样很容易出现“误判”。但如果使用多模态预训练模型，同时提供图片与相关文本描述，计算机就可以结合两类信息生成更准确的描述。

在OpenAI公开的GPT-4报告中，用一张带梗的图片演示了GPT-4特有的多模态功能：

比如用户输入：Can you explain this meme?（你可以解释这张网络爆火的图片吗？）

基于GPT-4的ChatGPT给出的回答是：这个梗将两个毫不相干的事物组合在一起，即从太空拍摄的地球照片和鸡块。文字暗示下方的图片是一张美丽的从太空拍摄的地球照片。然而，实际上这张图片是鸡块拼凑而成，模糊地呈现出世界地图的形状。这个梗的幽默之处在于文字和图片之间出现了出乎意料的差异。文字制造了一种期望，即展示一幅壮丽的地球图像，但实际呈现的是一些平凡而又滑稽的东西。

同样，在翻译领域，用户可以向多模态预训练大模型提供文本与音频，而非之前基于单模态预训练大模型只能提供文本或音频，计算机结合多种输入数据类型分析，可以生成更准确的翻译结果。在文献阅读过程中，用户也可以直接输入文献的图片格式与文字指令，使其总结论文要点。

其次是训练数据来源不同：GPT-4使用文本、图像、视频等多种类型，回答更具针对性，而GPT-3.5只有文本。

ChatGPT的爆火，展现了GPT-3.5在各种自然语言处理任务中出色的性能，以及在多个任务中与人类不相上下的文本理解与文本生成能力，但GPT-4让生成的内容更具针对性了。

对于模型的训练数据，GPT-3.5使用的是来自互联网的大量文本数据，这些数据包括维基百科、新闻报道、网站文章等。GPT-4使用的则是包括图像、视频、语音等多种类型的数据。比如，GPT-4可以通过分析视频和音频内容，学习不同的语音和口音模式，从而提高其对口语的理解和生成能力。

正因如此，OpenAI在介绍GPT-4的页面写道，“GPT-4 比以往任何时候都更具创造力和协作性。它可以生成、编辑和迭代用户进行创意和技术写作任务，例如创作歌曲、编写剧本或学习用户的写作风格。”

为了佐证相比GPT-3.5，拥有更大模型容量和更高计算能力的GPT-4可以处理更复杂、更长的输入信息，并生成更准确、更流畅的输出内容，OpenAI在报告中提到，经过6个月使用对抗性测试程序（Adversarial Testing，为确保机器学习模型不会对恶意数据产生过于错误的预测或输出，从而增强机器学习模型的安全性和稳健性）并参考ChatGPT的经验教训，GPT-4在真实性和可控性等方面取得了有史以来最好的成果。

如今，GPT-4能够通过模拟律师考试，其分数在应试者的前10%左右；相比之下，GPT-3.5的得分在倒数10%左右。并且，GPT-4也在USABO Semifinal Exam 2020（美国生物奥林匹克竞赛）、GRE口语等多项测试项目中取得了接近满分的成绩。