智东西（公众号：zhidxcom）
编译 | 陈佳慧
编辑 | 徐珊
智东西 9 月 19 日消息，据 The Information 报道，OpenAI 意图赶在谷歌推出多模态大语言模型 Gemini 前，发布其多模态大语言模型 GPT-Vision。而后，OpenAI 或许会推出一个更强大的多模态大模型，代号为 Gobi。
今年 3 月 OpenAI 发布的 GPT-4 已经融入了部分多模态功能，相较于 GPT-3.5 只能接受文本输入，GPT-4 还可以接受图像输入，但该视觉输入性能并不开放使用。而 Gobi 与 GPT-4 不同，Gobi 从一开始就是按多模态模型构建的，可以接受更多类型的信息输入并做出相应的处理。
OpenAI 与谷歌将多模态功能纳入大语言模型，可以将图像、文字、音频等不同形式的数据整合起来，让大语言模型更准确、更全面地处理用户所给信息，为用户提供便利。据 The Information 报道，OpenAI 与谷歌的多模态大语言模型之争，就像 AI 领域的苹果与安卓之争。这或许预示着 AI 大模型领域未来的发展趋势，同时也是 OpenAI 与谷歌抢占这项新技术的首发先机，提高用户影响力和技术引领地位的重要竞赛。
一、Gobi VS Gemini，OpenAI 与谷歌多模态大语言模型赛跑
此前有报道称，谷歌即将推出 Gemini，并且已经向一小批外部公司分享了这个项目。但据知情人士透露，OpenAI 正在争分夺秒地把公司最先进的 GPT-4 与多模态功能相结合，想要抢在谷歌之前发布 Gobi。并且，OpenAI 在今年 3 月发布 GPT-4 时，就对 GPT-4 中融入的多模态功能进行了预展示。不过，根据 The Information 报道，OpenAI 还没有开始训练 Gobi，因此现在还不知道 Gobi 最终能否成为 GPT-5。
对于 OpenAI 能否在多模态大语言模型方面超越谷歌，据 The Information 报道，目前，谷歌拥有来自谷歌搜索引擎和 YouTube 等平台的文本、图像、音频、视频等专有数据，这是谷歌相较于 OpenAI 发展多模态大语言模型的一项特殊优势。并且一位使用过 Gemini 早期版本的人士说，与现有的各种大语言模型相比，Gemini 产生的错误答案似乎更少。
▲ OpenAI 联合创始人 Greg Brockman 演示 GPT-4 中的多模态功能（来源：OpenAI 官网）
二、多模态功能肩负重任，被滥用的信息安全问题值得重视
在 3 月发布 GPT-4 预览多模态功能时，除了为盲人或低视力者开发技术的 Be My Eyes 公司，OpenAI 没有给其它公司提供多模态功能。到现在，OpenAI 才准备在更大范围内推出被称为 GPT-Vision 的功能。据 The Information 报道，OpenAI 可能会在 GPT-Vision 之后再推出 Gobi。
根据 The Information 报道，OpenAI 之所以耗费大量时间来推出 Gobi，主要是担心新的视觉功能会被坏人利用，例如通过自动解决验证码来冒充人类，或者通过人脸识别追踪人们。但现在，OpenAI 的工程师们似乎想到办法来缓解这个安全问题了。
谷歌的 Gemini 也面临同样的问题，当谷歌被问到采取了哪些措施防止 Gemini 被滥用时，谷歌的一位发言人称，谷歌在 7 月份做出过一系列承诺，以确保对其所有产品进行负责任的 AI 开发。
▲谷歌的新多模态大语言模型 Gemini
结语：多模态大模型之争或成下个 AIGC 焦点
多模态功能正被不断融入大语言模型，以提高大语言模型分析的精准度。如今，因 ChatGPT 名声大噪的 OpenAI 与 AI 老牌公司谷歌都致力于开发多模态大语言模型，可见其或许将成为 AI 大模型发展的未来趋势。
据 The Information 报道，这场 OpenAI 与谷歌的竞赛类似于 AI 版的苹果与安卓之争，而未来 Gobi 与 Gemini 的到来，将揭示 OpenAI 和谷歌的竞赛结果。
多模态大模型作为当前 AI 大模型领域的最新进展，OpenAI 与谷歌之间的多模态大模型之争不仅是科技竞争的焦点，也可能引发全球范围内关于技术应用、合作、监管和伦理等方面的重要讨论。
来源：The Information
