原创 | 文 BFT机器人
随着秋季的到来，科技界正在展开另一场季节性活动——科技巨头谷歌和OpenAI正在竞相发布下一代多模态大语言模型，这些高级模型能够解释图像和文本，使他们能够执行诸如从草图生成网站代码或以文本形式描述视觉图表等任务。
谷歌的开发的Gemini一直是头条新闻的宠儿，但OpenAI也不甘落后。该公司正准备推出GPT-Vision，这是其GPT-4模型的强大扩展，具有多模式功能。
01
OpenAI多模态大模型GPT-Vision
据悉，GPT-Vision在3月份的GPT-4发布期间首次进行展示，是OpenAI融合文本和视觉领域的雄心勃勃的尝试。虽然该功能最初实际用例仅限于Be My Eyes公司，这家公司通过其移动应用帮助视力障碍或失明用户进行日常活动。
GPT-Vision有潜力重新定义创意内容生成的界限。想象一下，使用简单的文本提示生成独特的艺术品、标识或模型；或者考虑一下对视觉障碍用户的好处，他们可以通过自然语言查询与视觉内容交互并理解视觉内容。该技术还有望彻底改变视觉学习和教育，使用户能够通过视觉示例学习新概念。
如今，OpenAI正准备将这项名为GPT-Vision的功能开放给更广泛的市场受众。
02
谷歌Gemini：将AlphaGo的优势与文本图像模型相结合
虽然OpenAI一直在大踏步前进，但谷歌的Gemini也不容小觑。由Google DeepMind开发Gemini是一个大型语言模型的集合，它可以从聊天机器人到总结文本或根据用户想要阅读的内容（如电子邮件草稿、音乐歌词或新闻报道）生成原始文本的功能提供支持。它还有望帮助软件工程师根据用户要求查看的内容编写代码并生成原始图像。
同时，Gemini也吸取了谷歌旗下著名的人工智能程序AlphaGo的经验，包括强化学习和树搜索技术，这可以推动Gemini进入规划和解决问题的新维度。
03
商业角度：多模式人工智能货币化
此外，谷歌计划通过其Google Cloud Vertex AI云服务平台来提供Gemini，预期价格是每位用户每月30美元。此举预计成为谷歌新的收入来源，尤其是针对企业客户。
另一方面，OpenAI已经开始通过包括金融服务在内的各种应用程序将GPT-4 货币化。GPT-Vision的推出可能会开辟新的垂直领域，进一步使其收入来源多样化。
04
针对道德层面的考量
谷歌与OpenAI两家公司都敏锐地意识到与人工智能开发相关的道德层面。谷歌公司有一个内部的“人工智能安全”小组，OpenAI也一直积极探索人工智能的道德方面，特别是在其对视障用户的潜在应用方面。据报道，OpenAI最大的担心是新的视觉功能会被恶意利用，比如通过自动解决验证码来冒充人类，或者通过面部识别来跟踪人。谷歌也有同样的困扰，不过对于大模型被恶意使用或滥用的问题，谷歌给出的回答是，该公司在7月份就做出了一系列承诺，以确保其所有产品都被负责任地开发。
05
人工智能的下一章：未来会发生什么
很明显，OpenAI和谷歌都处于人工智能技术重大飞跃的风口浪尖。无论是谷歌的Gemini还是OpenAI的GPT-Vision，这些模型的多模式功能有望改变我们与技术的交互方式，企业的运营方式，甚至我们理解周围世界的方式。随着这些科技巨头在这场引人入胜的竞赛中锁定胜局，有一件事是肯定的：赢家最终将是利用这些突破性技术来解锁新可能性的用户和企业！
作者 | 小河
排版 | 小河
审核 | 橙橙
若您对该文章内容有任何疑问，请与我们联系，我们将及时回应。