大模型之争，又卷起来了。
据The information爆料称，OpenAI即将推出多模态模型GPT-vision。
如果消息为真，这将是OpenAI在GPT-4之后推出的最大更新。
另一边，谷歌的多模态模型进展也在最近传出，为的就是能和OpenAI抗衡。
目前为止，OpenAI还没有对爆料中的传闻做出回应，但此前发布过多模态模型测试。
CEO奥特曼在回应有关GPT-5的传闻时，也暗示过GPT-4“正在增强”。
究竟谁能更胜一筹，还得让子弹再飞一会儿。
不能让Google抢了先
我们先回到OpenAI，被爆料的多模态模型将搭载什么样的功能呢?
首先是图像内容识别，比如根据手绘草图生成网页代码、输出可视化图表的文本分析等。
另一方面则是图像生成，通过简单的文本生成绘画、logo或表情包。
虽然OpenAI没有对这次的爆料做出回应，但做多模态模型这件事本身只是个时间问题。
3月份，OpenAI在发布GPT-4时，就曾推出了一个多模态GPT的预览版本。
当时，OpenAI把DEMO提供给了研究帮助视障群体的机构Be My Eyes。
除了这家机构之外，就再也没有人见过OpenAI的多模态模型是什么样子了。
在此之后，这个多模态模型更是杳无音讯。
唯一和图像有点关系的，就是GPT-4的升级版代码解释器(后改名为高级数据分析)可以处理一些图片任务。
但这是通过调用Python库实现的，而且也达不到AI中图像识别的程度，和多模态模型更是不沾边了。
有说法称GPT-vision迟迟没有推出的原因可能是对安全的担忧，担心被用于破解验证码和人脸识别系统。
直到这次Google多模态模型Gemini的消息传出。
安全问题有没有解决不得而知，但也许OpenAI是真的急了，不能任由谷歌超越，才有了模型发布的传闻。
另据爆料，OpenAI还在准备从头开始开发一个名为Gobi的多模态模型，不过训练还未开始。
那么，谷歌这边的情况又是怎样的呢?
Gemini来势汹汹
来势汹汹的Gemini，让网友直言其或将成为游戏规则的改变者。
甚至有媒体夸张一些地说将有机会取代GPT-4。
Gemini主要由谷歌DeepMind团队开发。谷歌CEO皮查伊介绍，Gemini集成了多种技术，支持同时输出文本和图像，还可以使用工具和API。
据悉，Gemini吸取了很多来自AlphaGo的经验教训，包括强化学习和树搜索技术。
而且，凭借着拥有YouTube这一得天独厚的优势，海量的训练数据可以说是唾手可得。
实际上，Google也一直把OpenAI视为竞争对手。
为了和ChatGPT较量，Google此前已经在Bard中加入过图像识别功能，但并未改变ChatGPT的地位。
但这次推出的Gemini，OpenAI也感到害怕了。
尽管竞争激烈，有一点倒是让谷歌和OpenAI不谋而合。
那就是，把模型的能力变成真金白银。
谷歌计划的Gemini提供方式是通过其Google Cloud Vertex AI云服务平台进行，预期价格为每个用户每月30美元。
这一做法预计将成为谷歌新的收入来源，尤其是针对企业客户。
而OpenAI这边，也已经开始通过金融服务等各种应用程序将GPT-4变为现金。
此次多模态的角逐究竟鹿死谁手，我们拭目以待。