截擊 Google Gemini：傳 OpenAI 正加速推出多模態 GPT-Vision

你可能還記得半年前 GPT-4 釋出會上那個驚豔全場的演示：在草稿紙上隨手畫一個簡陋的網頁草圖，拍張照片扔給模型，它就能啪啪啪寫出可執行的網頁程式碼。

當時大家以為立刻就能玩上，結果大半年過去，這個「看圖說話」的功能除了給視障輔助應用 Be My Eyes 做了小範圍測試，普通人根本摸不到影。現在，OpenAI 終於按捺不住，準備把這項代號為 GPT-Vision 的能力全面放出來了。

截擊 Gemini，OpenAI 的防守反擊

據 The Information 報道，OpenAI 突然加快進度，主要是因為 Google 的新王牌 Gemini 馬上就要在這個秋天亮相了。

目前 Google 已經在讓部分企業客戶內測 Gemini，外界傳聞它的原生多模態能力相當強悍，很有可能在綜合體驗上第一次反超 GPT-4。

為了不把領跑者的身位拱手讓人，OpenAI 準備打一套組合拳：一邊把現有的 GPT-4 補全，推向大眾的 GPT-Vision；另一邊則在研發代號為 Gobi 的下一代多模態大模型。

OpenAI 執行長 Sam Altman 最近在多次採訪裡都提到，GPT-5 目前還沒影，現階段的重點是對 GPT-4 進行各種打磨與增強，GPT-Vision 顯然就是這波增強裡最重磅的一張底牌。

看圖寫程式碼，終於不用只看演示了

所謂的多模態大模型，說白了就是不再只盯著純文字看，而是能同時看懂圖片和上下文。

比如扔一張複雜的財務走勢圖給它，它能直接提煉出趨勢，不用你再去求助資料分析師朋友；或者拍一張手繪設計草圖，讓它直接生成前端頁面。

在此之前，由於 OpenAI 的剋制或算力限制，絕大多數人手裡的 ChatGPT 始終只是個「純文本輸入框」。

Google 這邊，執行長 Sundar Pichai 上週接受 Wired 採訪時顯得挺沉得住氣。他承認 ChatGPT 幫行業驗證了使用者對 AI 技術的接受度，但他強調 Google 有自己的節奏，需要顧及產品的信任度和責任，走得更謹慎一些。

但不管 Google 怎麼表態，OpenAI 顯然不想給對手留下任何超車的喘息空間。

為什麼重要

對普通使用者和開發者來說，多模態模型的普及意味著互動邏輯徹底變了。你不用再費盡心思把眼前看到的東西轉換成精準的提示詞，直接拍張照片、截個圖扔進去就行，這會讓編寫程式碼、做圖表分析和處理複雜文件的門檻大幅降低。

對整個行業而言，這說明頂尖大模型的競爭已經從「拼誰肚子裡詞彙量多」正式邁向「拼誰能理解物理世界」。Google 原本指望靠 Gemini 的原生多模態打一場翻身仗，但如果 OpenAI 搶先一步把 GPT-Vision 鋪開，Gemini 上線時的震撼感就會被大大稀釋。

我們認為，OpenAI 這一步走得很聰明，但也帶著明顯的防禦意味。當初把看圖功能雪藏半年多，很大程度上是在算力成本和安全稽核之間權衡；現在趕在 Gemini 前夕倉促推出，看起來更像是一場被競爭對手倒逼的防禦性搶跑，後續在響應速度和推理成本上會不會妥協，還得等大家上手後見分曉。