微软德国高管透露：GPT-4 将于下周发布，支持多模态能力

大家还在琢磨怎么把纯文本的 ChatGPT 玩出花来，微软德国的高管就直接把底牌亮了出来。

在 3 月 9 日举办的一场名为「AI in Focus - Digital Kickoff」的内部活动上，微软德国首席技术官 Andreas Braun 透露，GPT-4 将在下周正式亮相。更关键的是，它不再只是个打字的聊天机器人，而是一个多模态模型，不仅能看懂文字，还能涉足视频等多种形式。

微软高管说漏了嘴，多模态要来了

这场活动本来是微软德国给企业客户介绍 Azure-OpenAI 服务的，参与者都是提前注册的受众，甚至最后的圆桌环节也没给观众提问的机会。

但在介绍大模型趋势时，CTO Andreas Braun 语气很自然地抛出了这个消息。他表示，下周推出的 GPT-4 将具备多模态能力，会带来完全不同的可能性，比如视频处理。在 Braun 看来，大模型本身就是游戏规则的颠覆者，让机器能够用统计学的方式，去理解过去只有人类才能看懂的自然语言。

微软德国首席技术专家 Holger Kenn 进一步解释，所谓多模态，是指 AI 可以把文本不仅转化为图像，还能对应到音乐和视频。其实在 3 月初，微软发布多模态模型 Kosmos-1 的时候，业界就已经察觉到了风声，这次高管的表态算是直接把 GPT-4 摆上了台面。

不只是聊天，企业已经在算经济账了

微软德国首席执行官 Marianne Janik 在现场把当前的 AI 浪潮比作「iPhone 时刻」。她认为 AI 的核心目的不是取代员工，而是换一种方式去干那些重复性的体力活。

微软高级 AI 专家 Clemens Siebler 拿实际案例算了笔账。荷兰一家大型微软客户每天要接 30000 个电话，过去客服需要手动打字整理通话摘要；现在改用语音转文字加模型提炼后，每天能省下 500 个工时。而这个项目的原型开发只花了两个小时，一名开发者两周内就搭出了主体系统。

谈到模型胡说八道的问题时，Siebler 也很坦白，承认 AI 不可能百分之百回答正确。微软正在做置信度指标，而且客户更多是把模型限定在自家企业数据上做阅读理解，同时靠用户的点赞和点踩建立反馈闭环。另外，Janik 也强调微软不会使用客户的数据去训练模型。

为什么重要

如果 GPT-4 真的如期在下周拿出多模态能力，对普通用户和开发者来说，人机交互的门槛会被彻底打碎。以前你需要把文本、图像、音视频拆开给不同的工具处理，现在一个模型就能统筹理解，这意味着做视频脚本、自动剪辑或者跨模态搜索会变得异常简单。不过对于想立刻上手的团队，我们认为前期最好还是先拿内网文档和明确场景练手，模型的生成内容依然不好直接验证，千万别直接丢给终端客户。

对整个行业而言，这几乎是在逼着所有还在追赶 GPT-3.5 的同行改写路线图。大家还在拼命堆纯文本的参数和跑分，OpenAI 和微软已经把战场直接拉到了视频和跨模态。看起来，单模态模型很快就会沦为基础构件。

微软这次的做法也很耐人寻味。选在区域性的企业研讨会上，由德国高管看似随意地放话，既给下周的发布拉满了期待，又顺道在欧洲《人工智能法案》收紧前，给犹豫不决的传统企业吃了一颗定心丸。不过，面对欧盟动辄数千万欧元的监管罚单，这种飞速推进的多模态能力到底能在企业级市场走多稳，依然要打个问号。