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。

老板Greg Brockman亲自上线演示

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？

一、对战谷歌，OpenAI抢发多模态大模型

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。

1. Gobi能成为GPT-5吗？

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。

2. 谷歌秘密测试Gemini

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。

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。

二、gpt-3.5-turbo-instruct发布

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.