GPT-4其实是“数学不太好的文科生”，交大教授指出开发难点|图像_新浪财经

转自：上观新闻

北京时间今天凌晨，OpenAI公司发布了GPT-4，引发全球关注。与ChatGPT不同，这是一个多模态大模型，除了能处理并输出文本，还能处理图像并给出文本分析。在文章生成、问题回答、代码编写等方面，GPT-4的能力也比ChatGPT更强。由于在GRE数学和语文考试中取得高分，有专家称“GPT-4能考上斯坦福大学”。

业内人士如何看待这个多模态预训练大语言模型？解放日报·上观新闻记者采访了上海交通大学教授、自然语言处理专家赵海。

“读图编程”表演令人惊艳

赵海教授解释，模态对应的是人类感知类型，包括文本、图像、声音等。一个智能系统如果能处理两种或两种以上的感知信息，就属于多模态。一些网络媒体对GPT-4有误解，以为它能根据用户输入的文字生成图片，其实它没有这个功能。GPT-4比ChatGPT多出的功能，是用户可以输入图片，它能“读图”并输出文字。

这方面，OpenAI给出的一个案例是：输入一张有4种食材的照片，并问GPT-4：“我们能用这些食材做什么？”它马上会罗列多种菜肴和点心。用户还可以继续问它：怎么做其中的几种菜肴和点心？这就是ChatGPT也能回答的问题了。

GPT-4根据上图给出了多种食品名称。

在执行编程任务上，这个多模态大模型也能“读图”。OpenAI的产品发布会上，研发人员演示了GPT-4能识别他手绘的一张网页草图，并根据草图写出网页的前端代码。虽然这个网页很简单，但它的“读图编程”还是令人惊艳，显示出较高的图片理解和编程能力。不过遗憾的是，这家美国企业表示，这项功能目前不对公众开放。

GPT-4 根据网页草图给出了前端代码。

谈及这种多模态功能，赵海直言：“GPT-4的产品形态会让公众感到惊艳，但对一些业内人士来说，可能就没那么惊讶了。”在他看来，GPT-4强大功能的核心与ChatGPT一样，也是参数量高达1750亿的预训练大语言模型。至于图像分析能力，可看作给大语言模型“打补丁”、拼接图像向量的结果。

“从理论上说，给大语言模型拼接图像向量是不难的，但工程实现的难度很大。”赵海分析，“因为GPT-3模型已有千亿级参数，在此基础上增加大量图像参数，算力上的压力会非常大。”

这与达观数据首席执行官陈运文博士的观点颇为吻合。作为上海最大的自然语言模型研发企业创始人，陈运文认为，在大语言模型的工程基础领域，国内科技界还需要突破一个难关——如何将成千上万张GPU卡串联在一起，让它们充分发挥算力作用。这是“BAT”目前也没有完全解决的问题。

数学解题能力靠“打补丁”

除了功能增加，GPT-4的文本处理和生成能力也优于ChatGPT。比如，在GRE、统一律师考试等多个考试中，GPT-4的得分较ChatGPT显著提高，超过大部分人类考生。特别是在GRE数学考试中，GPT-4得了163分（满分为170分），超过80%的考生，让网民直呼“智商好高”。

谈及这个大模型的数学水平，赵海笑道：“很多人没考过GRE，其实GRE的数学题难度和中国小学数学题差不多。GPT-4的数学水平不会很高，很多小学奥数题可能就解不出来。”

GPT-4为何是“数学不太好的文科生”？他解释说，和图像分析能力一样，它的数学解题能力也是通过在大模型上“打补丁”才获得的。如果只接受过互联网上的文本大数据训练，GPT-4和ChatGPT只能做出简单的算术题。要让它解出难度高一点的代数和几何题，研发团队必须为大模型加入数学领域的解题算法。

“OpenAI说GPT-4有强大的推理能力，我感觉主要指的是它的数学水平高。”赵海告诉记者，“其实，推理能力包含逻辑推理能力和数学抽象思维能力，这两种能力是有区别的，前者侧重寻找因果关系。相对而言，GPT-4的逻辑推理能力更强。”

OpenAI官网发布GPT-4。

从OpenAI的GPT系列（GPT-1、2、3、ChatGPT和GPT-4）开发思路来看，这家美国企业在向着通用人工智能商用目标迈进。与ChatGPT相比，GPT-4离商用产品又进了一步。这种进步包括：在应对政治敏感、违反伦理或法律的指令和问题时，GPT-4表现得越发成熟和安全。一些体验过GPT-4的用户还反映，输入同样的问题，GPT-4的回答常常优于ChatGPT，表现为信息量更大，“车轱辘话”更少。

未来，GPT产品可能会成为一个类似电脑操作系统的平台，让通用人工智能进入千家万户，帮助人们生成各类文章、分析和生成各种风格的图片、编写代码、回答问题……赵海指出，这种革命性产品的基础是预训练大语言模型，国内科技界和产业界的当务之急，是开发出高质量的大模型，在此基础上发展产业生态就会有很大潜力。“真正的问题不是我们能否做出来，而是能做得有多好。”