人工智能正在經(jīng)歷一場無聲的革命。這項(xiàng)技術(shù)不僅超越了書面語言，融合了多種媒體，而且朝著更高的目標(biāo)努力，即更全面、更徹底地了解世界。ChatGPT只有6個(gè)月的歷史，已經(jīng)有些過時(shí)了。

這個(gè)程序及其“近親”被稱為大規(guī)模語言模型，它使用統(tǒng)計(jì)方法來預(yù)測、組合和表達(dá)句子。研究人員用更多的文本訓(xùn)練這些程序，假設(shè)強(qiáng)制向不同配置的機(jī)器提供語料庫可以提高預(yù)測能力和程序智能。這種文本最大化的人工智能開發(fā)方法在過去幾年中一直是主流。

然而，類似初代ChatGPT的純語言模型正在退場，取而代之的是可以處理圖像、音頻甚至感官數(shù)據(jù)的機(jī)器。這種新模式可能反映了人類對(duì)智能更人性化的理解，是模擬兒童通過觀察世界進(jìn)行學(xué)習(xí)的初步嘗試。企業(yè)也可以借此開發(fā)能力更全面的AI，進(jìn)而將其整合到更多產(chǎn)品中。除了GPT-4和Bard，許多程序也有各自開發(fā)的拓展功能。這些程序被稱為多模態(tài)模型——文本和圖像都是其中的模態(tài)——許多研究人員希望可以借其將AI提升到新高度。

理論上說，多模態(tài)方法可以解決純語言模型的核心難點(diǎn)——即使能流暢地串聯(lián)單詞，卻無法將其同概念、觀點(diǎn)、事物或活動(dòng)聯(lián)系起來。學(xué)習(xí)更多類型的數(shù)據(jù)，能夠幫助AI模型對(duì)外部環(huán)境進(jìn)行想象和交互，進(jìn)行接近現(xiàn)實(shí)的輸出，甚至為了解決問題而捏造真相。如果模型了解世界，自行捏造事物的可能性就會(huì)減少。多模態(tài)模型的構(gòu)建并非是新鮮事物，但近幾年來，AI研究的幾項(xiàng)關(guān)鍵成果使得跨領(lǐng)域方法愈發(fā)可行。

這種變化也有其現(xiàn)實(shí)原因，因?yàn)椴徽摶ヂ?lián)網(wǎng)看起來多大，AI可以用于訓(xùn)練的文本數(shù)量都是有限的，其程序的規(guī)模和靈敏度，以及可應(yīng)用的計(jì)算能力，都要受到現(xiàn)實(shí)制約。相比于ChatGPT，多模態(tài)AI在理解世界和語言流暢層面的提升仍有待討論。許多程序都被證實(shí)存在一定程度的不足，但研究仍處于早期階段，未來幾年仍將不斷提升。

要想真正讓AI模擬人類的思維，我們還有很長的路要走。增加投喂的文本數(shù)據(jù)無法解決AI模型的偏差和虛假問題，拓展投喂數(shù)據(jù)的類型也不一定會(huì)解決此類問題。如果程序吸納了有偏差的文本和圖像，其輸出仍然是有害的，而且傳播形式會(huì)更廣。相比只能處理語言的模型，多模態(tài)AI對(duì)某些特定操作可能更加敏感，例如對(duì)圖像關(guān)鍵像素的篡改。除了智能層面，多模態(tài)AI也是很好的商業(yè)命題。