多模态 与 即将上线的GPT-4

多模态（multimodal) 指的是多种模态的信息，包括文本，图片，语音，视频等。

这个概念本身很容易理解，而在计算机中多模态还分为输入和输出两个方面。

对于近来大火的Chatgpt来说， 输入和输出都只有文字，也就是单模态。

而微软德国CTO Braun 在一次会议中宣布接下来即将发布的GPT-4将拥有多模态模型。

但是目前不确定这个多模态指的是在输入上还是输出上， 以及将会包括哪种模态。

有技术人员分析，输出上的多模态将需要大量的算力和发展，目前可能不太现实。所以更大概率是在输入上允许多模态，即允许用户上传图片或视频等作为GPT-4的输入，然后以文本的形式给出答案输出。

即使是这样也无疑是非常大的一个技术飞跃，而这项技术也将运用各个领域。例如管理人员只需要给出一张业绩表现图，而AI就能自动生成一份详细的报告。 将组织架构图发给AI，让它进行优化等等。