炸裂的ChatGPT-4：能看图画图又会说话

ChatGPT-4V的出现，再一次让ChatGPT腾飞，除了原有的生成式对话、语意理解、代码生成等等，现在又可以画图、读图、语音对话能力。可以说是又是一次质的飞跃，我们离AGI又近了一些。

说话

ChatGPT合成的语音，不仅可以囊括了声调、语气、停顿断句等，甚至人说话时的口水吞咽、呼气都能听得很清楚，打开下面的视频来感受一下（这是一位网友的中文对话过程）。你还能分辨是真人还是假人吗？

（视频来源于即友）

考虑到网络延迟问题，会有略微的卡顿，都是正常现象。也有爱玩的网友，把两个ChatGPT放一起对话，就这么一问一答，直到天荒地老。

看图

早期开放的ChatGPT还是基于大语言模型，也是单模态技术，只能处理文字请求。目前的ChatGPT 4已经具备了多模态能力，能够针对图片内容进行解析，分析图中的内容。

识图可以做什么？很多图都要需要专业能力的解读，普通人拥有了识图能力，也可以看的懂医学影像、高分子结构、机械设计原理、集成电路图等等，知识门槛将进一步降低，这算不算知识平权的一个体现？

生图

再看看成图的能力，整合了自家 DALL.E 3 产品的AI生成图能力，把文生图和 ChatGPT 做了结合，在与ChatGPT对话的过程中就可以直接生成图片，嵌套在对话过程中。除了原有的生成图片的质量提升之外，当然跟Midjourney上还是有些差距，好处在于不用输入很精细的Prompt提示词，就可以生成相当惊艳的图片（提示词完善这部分由GPT去替用户完成）。

从创始人分享的一个宣传视频看出，制作绘本的难度被大大降低，故事编写、插图生成，完全可以在ChatGPT里完成，插图、绘本这个小细分领域又要被ChatGPT重构了。

在某多、某宝的商品链接里，已经有很多商家在这么运作了。

ChatGPT PLus

上面讲了这么多，为什么我的账号里没有这些功能？因为上述所说的这一切都是基于Plus版本，普通的ChatGPT版本并没有这些强大的能力。大家经常说大语言模型的训练成本高、推理成本更高，简单理解就是研发成本高，使用成本更高，如此高成本的压力下，普通版自然是无法享受这一些特性功能。

未来

音、视频

除了上面提到的语音合成技术，下一步的多模态能力应该是针对音频生成、视频生成方向拓展，集齐文字、图片、音频、视频等能力后，多模态能力才算完整，也基本覆盖当下数字文件的几大类型。

GPT5-6

GPT更高版本的推出毫无悬念，如果像GPT3.5到GPT4这种能力的跃迁，GPT6的能力简直无法想像，也许已经实现了AGI，明年？后年？静静期待吧！

智能硬件

据 The Information 报道，著名的前苹果产品设计师 Jony Ive 正在与 OpenAI CEO Sam Altman 就人工智能硬件项目进行商讨。Ive是谁你可能你比较陌生，但作为苹果公司前首席设计官，Jony Ive曾经领导了苹果许多最具标志性的硬件设计，从iMac到iPhone，从iPad到Apple Watch，是Jobs重要的合作伙伴，可以说没有Ive，苹果今天可能会是另外一个样子。

未来的人工智能硬件会是什么样，很值得期待，兴许会开启一个新时代，如iPhone般惊艳。