截击 Google Gemini：传 OpenAI 正加速推出多模态 GPT-Vision

你可能还记得半年前 GPT-4 发布会上那个惊艳全场的演示：在草稿纸上随手画一个简陋的网页草图，拍张照片扔给模型，它就能啪啪啪写出可运行的网页代码。

当时大家以为立刻就能玩上，结果大半年过去，这个「看图说话」的功能除了给视障辅助应用 Be My Eyes 做了小范围测试，普通人根本摸不到影。现在，OpenAI 终于按捺不住，准备把这项代号为 GPT-Vision 的能力全面放出来了。

截击 Gemini，OpenAI 的防守反击

据 The Information 报道，OpenAI 突然加快进度，主要是因为 Google 的新王牌 Gemini 马上就要在这个秋天亮相了。

目前 Google 已经在让部分企业客户内测 Gemini，外界传闻它的原生多模态能力相当强悍，很有可能在综合体验上第一次反超 GPT-4。

为了不把领跑者的身位拱手让人，OpenAI 准备打一套组合拳：一边把现有的 GPT-4 补全，推向大众的 GPT-Vision；另一边则在研发代号为 Gobi 的下一代多模态大模型。

OpenAI 首席执行官 Sam Altman 最近在多次采访里都提到，GPT-5 目前还没影，现阶段的重点是对 GPT-4 进行各种打磨与增强，GPT-Vision 显然就是这波增强里最重磅的一张底牌。

看图写代码，终于不用只看演示了

所谓的多模态大模型，说白了就是不再只盯着纯文字看，而是能同时看懂图片和上下文。

比如扔一张复杂的财务走势图给它，它能直接提炼出趋势，不用你再去求助数据分析师朋友；或者拍一张手绘设计草图，让它直接生成前端页面。

在此之前，由于 OpenAI 的克制或算力限制，绝大多数人手里的 ChatGPT 始终只是个「纯文本输入框」。

Google 这边，首席执行官 Sundar Pichai 上周接受 Wired 采访时显得挺沉得住气。他承认 ChatGPT 帮行业验证了用户对 AI 技术的接受度，但他强调 Google 有自己的节奏，需要顾及产品的信任度和责任，走得更谨慎一些。

但不管 Google 怎么表态，OpenAI 显然不想给对手留下任何超车的喘息空间。

为什么重要

对普通用户和开发者来说，多模态模型的普及意味着交互逻辑彻底变了。你不用再费尽心思把眼前看到的东西转换成精准的提示词，直接拍张照片、截个图扔进去就行，这会让编写代码、做图表分析和处理复杂文档的门槛大幅降低。

对整个行业而言，这说明顶尖大模型的竞争已经从「拼谁肚子里词汇量多」正式迈向「拼谁能理解物理世界」。Google 原本指望靠 Gemini 的原生多模态打一场翻身仗，但如果 OpenAI 抢先一步把 GPT-Vision 铺开，Gemini 上线时的震撼感就会被大大稀释。

我们认为，OpenAI 这一步走得很聪明，但也带着明显的防御意味。当初把看图功能雪藏半年多，很大程度上是在算力成本和安全审核之间权衡；现在赶在 Gemini 前夕仓促推出，看起来更像是一场被竞争对手倒逼的防御性抢跑，后续在响应速度和推理成本上会不会妥协，还得等大家上手后见分晓。