重磅更新！ChatGPT 可以直接語音對話和上傳圖片了！
在昨晚，OpenAI CEO Sam Altman 在推特上發(fā)布了一條重要消息，ChatGPT 要推出新功能啦。ChatGPT 現(xiàn)在可以看、聽和說了！
這次 ChatGPT 推出新的語音和圖像功能提供了一種新的、更直觀的界面類型，允許用戶跟它進行語音對話，向 ChatGPT 展示說話內(nèi)容。
多場景使用 ChatGPT
這一次的更新將使 ChatGPT 成為更強大的工具，適用于多種生活場景。比如，當你在旅行時，可以拍攝周圍的地標，然后與 ChatGPT 進行實時對話，了解更多有趣的信息。而當你在家時，只需拍攝你冰箱里的食物，ChatGPT 就能幫你決定今晚吃什么，甚至提供相應(yīng)的食譜。如果你的孩子遇到數(shù)學(xué)難題，拍照上傳后，ChatGPT 也可以幫助他們解決問題。
例如，你可以拍一張照片，然后詢問如何調(diào)整自行車座椅的高度。這一更新使 ChatGPT 成為了一個更強大的伴侶，可以幫助你解決日常生活中的各種問題。
官方示例
官方還給出了另一個實用的使用場景思路：你打開冰箱，拍一張照片，然后問 AI 晚餐可以吃什么，ChatGPT 將生成完整的菜譜。這樣，你可以在快節(jié)奏的生活中省下時間，讓 ChatGPT 幫你規(guī)劃健康的飲食。
這次的更新將在接下來的兩周內(nèi)向 ChatGPT Plus 訂閱用戶和企業(yè)版用戶推出，而且不論你使用的是 iOS 還是 Android，你都能夠輕松使用這一新功能。
ChatGPT 多模態(tài)版 GPT-4V
與此同時，多模態(tài)版 GPT-4V 模型也公開了更多細節(jié)。最令人驚訝的是，這個多模態(tài)版的 GPT 模型早在 2022 年 3 月就已經(jīng)完成訓(xùn)練，這意味著 OpenAI 在這方面取得了長足的進展。
現(xiàn)在，讓我們來看看 GPT-4V 模型的能力和局限性。
GPT-4V 的視覺能力
這個多模態(tài)版的 GPT 模型具有強大的視覺能力：
1.物體檢測： GPT-4V 能夠檢測和識別圖像中的常見物體，例如汽車、動物和家居用品等。這項能力在標準圖像數(shù)據(jù)集上進行了評估，表現(xiàn)出卓越的物體識別能力。
2.文本識別： 模型具備光學(xué)字符識別 (OCR) 功能，可以檢測圖像中的打印或手寫文本，并將其轉(zhuǎn)錄為機器可讀文本。這一功能在處理文檔、標志、標題等圖像時表現(xiàn)出色。
3.人臉識別： GPT-4V 能夠定位并識別圖像中的人臉。它還具有一定的面部分析能力，能夠根據(jù)面部特征識別性別、年齡和種族屬性。這一能力經(jīng)過 FairFace 和 LFW 等數(shù)據(jù)集的測量驗證。
4.驗證碼解決： 在處理基于文本和圖像的驗證碼時，GPT-4V 表現(xiàn)出了出色的視覺推理能力，這表明模型具有高級解謎技能。
5.地理定位： 模型能夠識別風(fēng)景圖像中描繪的城市或地理位置，表明它吸收了關(guān)于現(xiàn)實世界的大量知識。然而，這也可能涉及到隱私問題，因為模型可以識別出與特定地點相關(guān)的信息。
GPT-4V 的局限性
雖然 GPT-4V 具有強大的視覺能力，但它仍然存在一些局限性：
1.空間關(guān)系： 模型可能難以準確理解圖像中對象的精確空間布局和位置，有時無法正確捕捉對象之間的相對位置。
2.對象重疊： 當圖像中的對象嚴重重疊時，GPT-4V 有時難以區(qū)分一個對象的結(jié)束位置和下一個對象的開始位置，可能將它們混合在一起。
3.背景/前景： 模型不總是能夠準確識別圖像中的前景和背景中的對象，有時會錯誤地描述對象之間的關(guān)系。
4.遮擋： 當圖像中的某些對象被其他對象部分遮擋或遮擋時，GPT-4V 可能無法識別被遮擋的對象，或者錯過了它們與周圍對象的關(guān)系。
5.細節(jié)： 模型有時會忽略或誤解圖像中的微小物體、文本或復(fù)雜細節(jié)，導(dǎo)致錯誤的關(guān)系描述。
6.上下文推理： GPT-4V 缺乏強大的視覺推理能力，無法深入分析圖像的上下文，并描述對象之間的隱含關(guān)
7.置信度： 模型有時可能錯誤地描述對象之間的關(guān)系，與圖像內(nèi)容不符。這意味著它的描述可能不總是準確的。
需要注意的是，盡管 GPT-4V 具有強大的視覺能力，但目前在科學(xué)研究和醫(yī)療用途中，其性能可能不夠可靠。因此，在這些領(lǐng)域的應(yīng)用需要更多的研究和驗證。
ChatGPT 團隊表示，為了保護用戶隱私和防止濫用，他們正在考慮是否應(yīng)該允許模型識別公眾人物，以及是否應(yīng)該允許模型從人物圖像中推斷性別、種族或情感等信息。這表明他們對用戶的隱私和道德問題非常重視。
總之，ChatGPT 的這一重磅更新為用戶提供了更多交互的可能性，使其成為一個更加強大和多功能的工具。語音和圖像功能的引入使 ChatGPT 變得更加直觀和便捷，為用戶提供了全新的體驗。無論是在生活中解決問題，還是與模型進行有趣的對話，ChatGPT 的潛力正在不斷擴大。如果你是 ChatGPT Plus 或企業(yè)版用戶，你將在未來兩周內(nèi)率先體驗到這些令人激動的新功能，而其他用戶也將很快可以享受到這一更新帶來的便利。
所以，你已經(jīng)想好了要問 ChatGPT 的第一個問題嗎？這一重大更新將為你的交互體驗帶來更多樂趣和便捷，期待 ChatGPT 在未來繼續(xù)發(fā)展，為我們帶來更多驚喜和創(chuàng)新。不論你是專業(yè)用戶還是普通用戶，這一更新都將使你的生活更加便利和有趣。隨著技術(shù)的不斷發(fā)展，ChatGPT 帶來的可能性也會不斷擴大，讓我們拭目以待，期待更多精彩的功能和體驗。