在OpenAI发布的ChatGPT引发了科技圈的热烈讨论之后，现在，GPT-4也终于发布，登上了互联网的大舞台，而且从测试结果可以看出，GPT-4的表现比前一代又有了很大的提高。那么，这一次GPT的进化体现在哪些方面？GPT-4是否还存在着一定局限性呢？

离发布仅仅四个多月，在ChatGPT展现了惊人的实力之后，OpenAI又扔下了一颗核弹：

GPT-4发布了。

在今天的博文中，OpenAI写到：

我们创建了GPT-4，这是 OpenAI 努力扩展深度学习的最新里程碑。GPT-4 是一个大型多模态模型（接受图像和文本输入，提供文本输出），虽然在许多现实世界场景中的能力不如人类，但在各种专业和学术基准上表现出人类水平。

好像和上一代还是差不多？放心，这是OpenAI谦虚了。

在随后YouTube上进行的Live Demo中，OpenAI的总裁和联合创始人Greg Brockman展示了GPT-4的真正实力——总结文章、写代码、报税、写诗……GPT-3.5做不到的，GPT-4轻松拿下。

但这仅仅是表面，GPT再一次进化，虽然可能不是你想的那样。

一、新的模型：迭代优化

怎么样证明一个人比另外一个人更厉害？考试。

那怎么证明一个AI模型比另外一个更厉害？同样是考试。

OpenAI让GPT-4在参加了许多项人类的通用考试，结果证明，它在许多测试和基准测试中的表现比前一代确实大大提高：

根据他们的测试结果，GPT-4的SAT分数增加了150分，现在能拿到1600分中的1410分；

它能通过模拟律师考试，分数在应试者的前10% 左右，相比之下，GPT-3.5的得分在倒数 10% 左右；

在SAT阅读考试中和SAT数学考试中，GPT-4的成绩都能达到领先的排名……

“我们花了6个月的时间使用我们的对抗性测试程序，以及在ChatGPT身上累积的经验教训来迭代调整GPT-4，从而在真实性、可操纵性和拒绝超出设定范围方面取得了有史以来最好的结果。”OpenAI称。

“我们的 GPT-4 训练运行（至少对我们而言！）前所未有地稳定，成为第一个我们能够提前准确预测其训练性能的大型模型。”

此外，GPT-4还有了一个质的飞跃——可以开始处理图像。

经常使用ChatGPT的人肯定知道，它只能处理文本，但GPT-4开始接受图像作为输入介质。

在OpenAI提供的一个示例中，GPT-4准确地回答了几个网络meme为什么搞笑的问题（虽然解释得并不好笑）。

图源：《纽约时报》

在《纽约时报》提供的案例中，同样可以看出GPT-4可以同时解析文本和图像，这也使它能够解释更复杂的信息。不过，目前图像输入的权限尚未公开，所以目前还没看到更多例子来证明GPT-4在图像方面的处理能力。

在随后举行的Live Demo中，OpenAI也表示，还没有公开提供这部分技术，但已经在和一家名为Be My Eyes的公司进行合作，对方会使用GPT-4来构建服务。

此外，GPT-4已经开始具备一点点的幽默感。它已经可以讲出一些模式化的、质量不咋样的冷笑话——但是，至少它已经开始理解“幽默”这一人类特质。

图源：《纽约时报》

当然，更多的方面，GPT-4的改进是迭代性的。在随意的谈话中，GPT-3.5和GPT-4之间的区别可能很微妙。但是，当任务的复杂性达到足够的阈值时，差异就会出现——GPT-4比GPT-3.5更可靠、更有创意，并且能够处理更细微的指令，可以更准确地解决难题。

比如说，北卡罗来纳大学教堂山分校的医学副教授兼心脏病专家Anil Gehi就向GPT-4描述了他一天前看过的一位患者的病史，包括患者术后出现的并发症被送往医院，描述中包含几个外行人无法识别的医学术语。

当Gehi医生问GPT-4应该如何治疗病人时，GPT-4给了他完美的答案。“这正是我们对待病人的方式，”Gehi医生说。当他尝试其他场景时，GPT-4给出了同样令人印象深刻的答案。

当然另外一个好消息是，GPT-4对于英语以外的语种支持也得到了大大的优化。

许多现有的机器学习基准测试都是用英语编写的。为了初步了解GPT-4在其他语言上的能力，OpenAI使用 Azure Translate，将一套涵盖57个主题的1.4万多项选择题的MMLU基准，翻译成了多种语言，然后进行测试。

在测试的26种语言中，有24种语言，GPT-4优于 GPT-3.5和其他大语言模型的英语语言性能。

其中中文达到了80.1%的准确性，而GPT-3.5的英文的准确性为70.1%，也就是说，在这个测试中，GPT-4对于中文的语言理解，已经优于此前ChatGPT对于英文的理解。

二、Live Demo：报税、写诗、写代码，无所不能

如果说着这些数据、案例，似乎还难以让人直观感受到GPT-4的真正实力，那么OpenAI的总裁和联合创始人Greg Brockman，就亲自在YouTube上进行了一把直播，来实时演示Live Demo中，展示了GPT-4的真正实力——总结文章、写代码、报税、写诗……GPT-3.5做不到的， GPT-4轻松拿下。

Greg Brockman展示了GPT-4的新的使用界面，左侧是系统框，可以规定AI的角色，以及整体的回答原则，中间则是对话框，可以输入具体的对话形态来对具体的内容进行调整、追问或者给出反馈。最右侧是一些参数设置。

在演示中，Brockman就使用使用左侧的“系统”框，让GPT-4相继成为“ChatGPT”、“AI编程助手”、“TaxGPT”，来解决不同的问题。

ChatGPT模式下，GPT-4可以处理超过2.5万字的文本，可以轻松地总结一篇超长文章的核心内容，比如把OpenAI今天发布的这篇讲述GPT-4的雄文总结要点。

甚至还可以像在演示中的那样，以各种奇怪的形式来提炼它——比如，以全是“G字母开头”的单词来总结。

或者要它把这些内容要点写成一首诗。

在“AI编程助手”模式下，还可以让它轻松写代码，生成一个网站，或者更复杂的，写一个基于Discord的机器人，如果出现错误，比如要调用比较新的API而出错，甚至也不需要向它解释，而是把错误代码复制进去，它就会自动纠错，生成新的代码。

或者要它变身成TaxGPT，要它基于税务法则，来计算出一对夫妻要缴纳多少税，而且还要把计算理由一步步写出来，让人们可以检阅。

对于GPT-4展示出的专业能力，GregBrockman大为赞赏，他表示那段税务文件，他自己读了半个小时也没有搞懂，然而GPT-4却可以很快给出答案。

或许这段不到一个小时的演示，才真正道出了GPT-4的强大之处——它不再仅仅是普通用户的“聊天机器人”，而将成为开发者手中的利器，在文本、编程、税务以及更多可以想见的领域，成为强大工具的开发基石。

从这一点来说，它比ChatGPT带来的影响，将更加广泛。

三、满嘴跑火车：还在跑，但是好一点

不得不提的是，尽管功能强大，但 GPT-4 与早期的 GPT 模型具有相似的局限性。最重要的是，它仍然不完全可靠——它仍然会大胆自信地编造事实，并且会出现推理错误。OpenAI强调，仍然推荐在使用它的时候要附加诸如人工审查、或者附加上下文，甚至在高风险情境中，要避免使用它。

在GPT-4公告中，OpenAI强调该系统已经接受了六个月的安全培训，在内部对抗性真实性评估中，GPT-4的得分比最新的GPT-3.5高：“响应不允许内容的请求的可能性降低了 82%，产生真实事实的可能性提高了 40%，优于 GPT-3.5。”

这也意味着， GPT-4 相对于以前的模型来说，还是显著地减少了一本正经胡说八道的频率，而且用户千方百计提示它以让它说出被禁内容的成功率，也小了很多。

但是，这并不意味着系统不会出错或输出有害内容。例如，微软透露其Bing聊天机器人其实一直由GPT-4提供支持，但许多用户还是能够以各种创造性的方式打破 Bing的护栏，让机器人提供危险的建议、威胁用户和编造信息。

此外，GPT-4仍然是基于2021年9月之前的数据训练的，这也意味着它和前一代一样，仍然缺乏对于2021年9月之后的数据的有效理解。

“GPT-4 仍有许多已知的局限性，我们正在努力解决，例如社会偏见、幻觉和对抗性提示。”OpenAI表示。

四、应用：面向开发者，越来越贵

当然，除了表现方面，还有一个明显的不同是，ChatGPT-4比以前的版本“更大”，这意味着它已经接受了更多数据的训练，因此运行起来也更加昂贵。OpenAI 只表示它使用了微软Azure来训练模型，但没有公布有关具体模型大小或用于训练它的硬件的详细信息。

这也意味使用它的成本越来越高。与ChatGPT不同的是，这个新模型目前还不能免费公开测试，虽然它鼓励开发者申请试用，但是将需要上等待名单。

新模型将提供给ChatGPT的付费用户ChatGPT Plus（每月20美元），也将作为API的一部分提供，允许开发者付费将AI集成到他们的应用程序中。OpenAI表示，多家公司已经将GPT-4集成到他们的产品中，包Duolingo、Stripe和Khan Academy等。

当然，如果你不是开发者或者付费用户，但是实在是想尝尝鲜，微软的Bing会是最好的选择——Bing的AI聊天机器人，过去六周以来，已经开始使用GPT-4了。

你感觉到了吗？