微軟德國高管透露：GPT-4 將於下週釋出，支援多模態能力

大家還在琢磨怎麼把純文本的 ChatGPT 玩出花來，微軟德國的高管就直接把底牌亮了出來。

在 3 月 9 日舉辦的一場名為「AI in Focus - Digital Kickoff」的內部活動上，微軟德國技術長 Andreas Braun 透露，GPT-4 將在下週正式亮相。更關鍵的是，它不再只是個打字的聊天機器人，而是一個多模態模型，不僅能看懂文字，還能涉足影片等多種形式。

微軟高管說漏了嘴，多模態要來了

這場活動本來是微軟德國給企業客戶介紹 Azure-OpenAI 服務的，參與者都是提前註冊的受眾，甚至最後的圓桌環節也沒給觀眾提問的機會。

但在介紹大模型趨勢時，CTO Andreas Braun 語氣很自然地丟擲了這個訊息。他表示，下週推出的 GPT-4 將具備多模態能力，會帶來完全不同的可能性，比如影片處理。在 Braun 看來，大模型本身就是遊戲規則的顛覆者，讓機器能夠用統計學的方式，去理解過去只有人類才能看懂的自然語言。

微軟德國首席技術專家 Holger Kenn 進一步解釋，所謂多模態，是指 AI 可以把文本不僅轉化為影像，還能對應到音樂和影片。其實在 3 月初，微軟釋出多模態模型 Kosmos-1 的時候，業界就已經察覺到了風聲，這次高管的表態算是直接把 GPT-4 擺上了檯面。

不只是聊天，企業已經在算經濟賬了

微軟德國執行長 Marianne Janik 在現場把當前的 AI 浪潮比作「iPhone 時刻」。她認為 AI 的核心目的不是取代員工，而是換一種方式去幹那些重複性的體力活。

微軟高階 AI 專家 Clemens Siebler 拿實際案例算了筆賬。荷蘭一家大型微軟客戶每天要接 30000 個電話，過去客服需要手動打字整理通話摘要；現在改用語音轉文字加模型提煉後，每天能省下 500 個工時。而這個專案的原型開發只花了兩個小時，一名開發者兩週內就搭出了主體系統。

談到模型胡說八道的問題時，Siebler 也很坦白，承認 AI 不可能百分之百回答正確。微軟正在做置信度指標，而且客戶更多是把模型限定在自家企業資料上做閱讀理解，同時靠使用者的點贊和點踩建立反饋閉環。另外，Janik 也強調微軟不會使用客戶的資料去訓練模型。

為什麼重要

如果 GPT-4 真的如期在下週拿出多模態能力，對普通使用者和開發者來說，人機互動的門檻會被徹底打碎。以前你需要把文本、影像、音影片拆開給不同的工具處理，現在一個模型就能統籌理解，這意味著做影片指令碼、自動剪輯或者跨模態搜尋會變得異常簡單。不過對於想立刻上手的團隊，我們認為前期最好還是先拿內網文件和明確場景練手，模型的生成內容依然不好直接驗證，千萬別直接丟給終端客戶。

對整個行業而言，這幾乎是在逼著所有還在追趕 GPT-3.5 的同行改寫路線圖。大家還在拼命堆純文本的引數和跑分，OpenAI 和微軟已經把戰場直接拉到了影片和跨模態。看起來，單模態模型很快就會淪為基礎構件。

微軟這次的做法也很耐人尋味。選在區域性的企業研討會上，由德國高管看似隨意地放話，既給下週的釋出拉滿了期待，又順道在歐洲《人工智慧法案》收緊前，給猶豫不決的傳統企業吃了一顆定心丸。不過，面對歐盟動輒數千萬歐元的監管罰單，這種飛速推進的多模態能力到底能在企業級市場走多穩，依然要打個問號。