【新智元导读】多模态大模型的战场上，已有人闻到风声。据外媒爆料，OpenAI 的全新多模态模型 Gobi 似乎已在筹备中。谷歌和 OpenAI 的这场对决，似乎已是箭在弦上了。
随着今年秋天的临近，谷歌和 OpenAI 的多模态模型之战，也进入到白热化阶段。就在上周，谷歌已经对一些外部公司开放了多模态大模型 Gemini 的功能。
而 OpenAI，当然不会坐以待毙。他们正在争分夺秒地把多模态功能整合进 GPT-4 里，争取推出功能与 Gemini 类似的多模态大模型，一举击杀谷歌。
传说中的多模态功能，在今年 3 月 OpenAI 那场震惊全世界的 GPT-4 发布会上，已经被展示过 ——
在纸上画个草图，拍个照发给 GPT-4，说一声「给我按照这种布局做个网站」，它立马就写出了网页代码。
不过随后，多模态仿佛昙花一现，再也没人见过产品化的实体功能。
所以，谷歌和 OpenAI 的多模态大战，终于要来了吗？
面对传闻中谷歌要击杀自己的这款大杀器，OpenAI 当然不会无动于衷。
据外媒 The Information 爆料，一款名为 Gobi 的全新多模态大模型，已经在紧锣密鼓地筹备了。OpenAI 计划，在 Gemini 发布之前就推出多模态 LLM，彻底击败谷歌。
其实，在 3 月份推出 GPT-4 多模态功能的预览后，OpenAI 已经向一家名为 Be My Eyes 的公司推出了这项功能，但并没有向其他公司提供。从名字就可以看出来，这家公司在研发让盲人或视力不佳人群看得更清楚的技术。
最近，OpenAI 打算更广泛地推出名为 GPT-Vision 的功能。
OpenAI 为什么花了这么长时间？最主要的原因，是他们担心新的视觉功能会被不法分子利用，比如通过自动破解验证码来冒充人类，或者通过面部识别来追踪人类。
不过，对于这些法律上的安全风险，OpenAI 的工程师们似乎已经解决了。同样，一位谷歌发言人也表示：谷歌已经采取了一些措施，防止 Gemini 被滥用。
在 7 月做出的承诺中，谷歌保证会在所有产品中开发负责任的人工智能。
在 GPT-Vision 之后，OpenAI 有可能会推出更强大的多模态大模型，代号为 Gobi。跟 GPT-4 不同，Gobi 从一开始就是按多模态模型构建的。
所以，Gobi 就是传说中的 GPT-5 吗？
现在，我们还无法知晓。Gobi 训练到哪一步了，也没有确切消息。
在 9 月初，DeepMind 联合创始人、现 Inflection AI 的 CEO Mustafa Suleyman，在采访时曾放出一枚重磅炸弹 —— 据他猜测，OpenAI 正在秘密训练 GPT-5。
Suleyman 认为，Sam Altman 最近说过他们没有训练 GPT-5，可能没有说实话。（原话是：Come on. I don't know. I think it's better that we're all just straight about it.）
而在这边，根据试用过 Gemini 的人士，Gemini 产生的幻觉，会比现有的模型都更少。原因详见下文。
总之，谷歌和 OpenAI 的这场多模态模型大战，可以说是 AI 版的 iPhone 和 Android 对决。
一个是称霸 AI 领域多年的硅谷巨头，一个是风头无两的顶流 AI 初创公司，二者差距有多大，所有人都在屏息等待。
另一边，谷歌也在开始邀请部分外部开发者加急测试，即将推出的下一代多模态大模型 Gemini。
上周，The Information 独家报道称，Gemini 可能很快准备好进行测试发布，并会集成到像 Google Cloud Vertex AI 等服务中。
在今年的谷歌 I / O 开发者大会上，劈柴曾公开介绍 Gemini，是一个多模态模型、高效集成工具、API。
为了合力干大事，谷歌还将谷歌大脑，与 DeepMind 实验室进行了合并。
据称，至少有 20 多位高管参与了 Gemini 的研发，DeepMind 的创始人 Demis Hassabis 领导，谷歌创始人 Sergey Brin 参与研发。
还有谷歌 DeepMind 组成的数百名员工，其中包括前谷歌大脑主管 Jeff Dean 等等。
一位测试过的人士说，Gemini 至少在一个方面比 GPT-4 有优势：除了网络上的公开信息外，该模型还利用了大量谷歌消费产品（搜索、Youtube）的专有数据。
因此，Gemini 在理解用户对特定查询的意图时应该特别准确，而且它产生的错误答案，即幻觉，似乎更少。
据此前 SemiAnalysis 分析师的爆料，谷歌的下一代大模型 Gemini，已经开始在新的 TPUv5 Pod 上进行训练，算力高达~1e26 FLOPS，比训练 GPT-4 的算力还要大 5 倍。
另外，Gemini 的训练数据库包含 Youtube 上 936 亿分钟的视频字幕，总数据集规模约为 GPT-4 的两倍。
据称，谷歌下一代大模型也是由多种规模组成，可能使用了 MoE 架构，以及投机采样技术。通过小模型提前生成 token 并传递给大模型进行评估，以提高模型的总体推理速度。
谷歌 DeepMind 的负责人 Hassabis 在采访中曾表示，Gemini 预计花费数千万到数亿美元，与开发 GPT-4 的成本相当。
Gemini 会整合 AlphaGo 中使用的技术，这将赋予系统全新的规划、解决问题的能力。
可以这么说，Gemini 把 AlphaGo 系统的一些优势，和大语言模型惊人的语言能力结合在一起了。并且，我们还有一些其他有趣的创新。
AlphaGo 背后的技术，就是强化学习，这是 DeepMind 首创的技术。
RL 代理随着时间的推移与环境交互，通过反复试验来学习策略，从而最大限度地提高长期累积奖励。
通过强化学习，AI 能够通过反复尝试和接受反馈来调整自己的表现，因而学会处理很棘手的问题，比如在围棋或电子游戏中选择如何采取下一步行动。
另外，AlphaGo 还使用了蒙特卡洛树搜索（MCTS）方法，来探索和记住棋盘上所有可能的动作。
与现有模型相比，Gemini 将大大提高软件开发人员的代码生成能力，谷歌希望用它来追赶微软的 GitHub Copilot 代码助手。
谷歌内部还讨论了，使用 Gemini 来实现图表分析等功能，比如要求模型解释完成图表的含义，以及使用文本或语音指令来浏览网页浏览器或其他软件。
谷歌云开发者平台 Google Cloud Vertex AI 也将得到 Gemini 加持，大小版本都有，这样开发人员就可以付费购买小模型在个人设备上运行。
现在，谷歌已经在全力备战，就等着 Gemini 开启逆袭之路。
7 月，OpenAI 曾公布 GPT-4 API 全面可用，并且在接下来几个月要推出新模型。
这不，就在今天，网友纷纷收到了 gpt-3.5-turbo-instruct 新模型发布的邮件，以代替旧模型 text-davinci-003。
据介绍，gpt-3.5-turbo-instruct 是一个 InstructGPT 风格的模型，其训练方式与 text-davinci-003 类似。
使用方法和以前的 Prompt-Completion 类似，根据提示词的指令补全。
就价格来说，gpt-3.5-turbo 4K 保持一致。
有网友已经开始用上了最新模型，去玩 1800 Elo 左右的国际象棋。而他此前还发现 GPT 根本做不到这一点，但现在看来这只是 RLHF 聊天模型的问题，纯 Completion 模型就成功了。
在对弈中，gpt-3.5-turbo-instruct 轻松击败了 Stockfish 4 级（1700 分），在 5 级（2000 分）的比赛中仍不落下风。
它从不走非法棋步，使用巧妙的开局牺牲，以及令人难以置信的卒与王将死，允许对手毫无实际意义地晋级。
网友用的是如下 PGN 风格的提示来模拟大师级游戏。高亮显示有点错误。GPT 自己走棋，他手动输入了 Stockfish 的棋步。
顺便提一句，OpenAI 即将在 11 月召开的首届开发者大会，已经开始注册了，快上手申请吧。
参考资料：
https://www.theinformation.com/articles/openai-hustles-to-beat-google-to-launch-multimodal-llm
https://devday.openai.com/
https://news.ycombinator.com/item?id=37558911#:~:text=Key%20Features%3A%20Gpt%2D3.5%2D,speed%20as%20our%20turbo%20models.
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。