在ChatGPT风靡全球数月后，OpenAI终于发布了它的大型多模态模型（large multimodal model）GPT-4，它不仅能与用户一起生成、编辑，完成创意的迭代和技术写作任务，更重要的是，它还能读懂图片。

GPT-4分别回答了图片中的问题

多模态对GPT-4这样的生成式AI来说意义重大，除了Be My Eyes的例子，未来还可望应用到一些设计工具和图像处理产品上，连OCR（光学字符识别）技术也要甘拜下风了。

视频翻译产品Targum Video的创办人Altryne也表示，GPT-4的图像理解能力已经甩开现有模型数里地。

不过遗憾的是，OpenAI还没有把图像输入能力开放给公众体验，目前我们可以通过付费订阅ChatGPT Plus或Quora Poe来尝鲜。那么不会“看图说话”的GPT-4比GPT-3.5强在哪里呢？我们也通过Quora的Poe询问了一下GPT-4“本人”：

总的来说，相比GPT-3.5，GPT-4拥有更丰富的知识，对人类语言的理解能力也更准确，可以更好的理解整体对话的主题，不像以前那样一不小心就“歪楼”，非英语的语言理解能力也有所增强，生成的文本也会更连贯，可读性更高。

根据官方公布的数据，GPT-4不仅具备理解图片的能力，语言处理能力也有很大进步，GPT-4的中文能力已经超越GPT-3.5的英文能力了。

不过OpenAI CEO Sam Altman在Twitter上表示，GPT-4“仍然有局限性”，而且“第一次使用时似乎比你花更多时间使用它时更令人印象深刻”。

也就是说，仅从使用体验出发，GPT-4在语言能力上的改变更多体现在一些细微之处，不会像ChatGPT刚出现时那样惊为天人，不过对于多模态AI的实现来说，GPT-4的出现确也让人类再次迈出具有历史意义的一大步。