文章主题：关键词：ChatGPT-4V，多模态能力，AI工具，物体检测，人脸识别，文本识别，复杂验证码识别，地理定位，视觉推理不足。
在这篇文章中，我们将深入探讨ChatGPT-4V的多模态功能，这包括物体识别、人脸识别、文本分析和复杂验证码的识别等。多模态功能的实现使得ChatGPT-4V能够更准确地理解和处理各种场景和问题。如果您对这些内容感兴趣，欢迎继续阅读我们的文章，以便更深入地了解这些强大的技术。
今天 OpenAI 发布重大更新，支持多模态语音和图像，模型叫 GPT-4V。ChatGPT 是一款功能强大的语言模型,最初被设计为一个完美的词语接龙工具。但现在它已经升级了,能够理解并回应用户的语音和图像输入,甚至可以进行对话。
千万不要想，这个更新没新东西，有人已经拿它开始赚钱了！
Spotify 发布了一款名为 “Voice Translation for podcasts” 的 AI 应用程序，能够将播客内容翻译成多种语言，同时保留发言者的原始音调和风格。
好像比同声翻译还厉害了点（目前接口还没有对外开放）。
对于开发者来说，研发成本大幅度降低。是不是可训练一个可以说话的小助理了？
讲点实用，那这个更新，我们可以用来干什么？
我就基于官方的更新说明，逐个分析给大家。
一、GPT-4V 说明
1. 物体检测
检测和识别图像中的常见物体，如汽车、动物、家居用品等。
这个能干啥？
官方给了一个例子：比如 ” 如何调整自行车座椅高度 “。
如果您在调整拍摄参数或选择适当的工具方面感到困惑，您可以尝试将您的疑问发送至ChatGPT。它会为您提供相应的建议和指导。另外，您也可以将您所拥有的各种工具拍摄下来，并提供给GPT，以便它能够根据您的需求推荐最适合的工具类型。
就像在现实世界中，身边有个专家，手把手教你怎么解决问题。
这个能力是可以工业化的，因为 ChatGPT 是可以调用外部接口。ChatGPT 能看到图像，并且可以通过接口，调用工具来处理一些复杂的事务。比如机器人等。
2. 人脸识别
作为一名文章写作高手，我将按照您的要求对原文进行改写。原内容提到了一个人脸识别系统能够识别人脸，并根据面部特征判断性别、年龄和种族属性。该系统的面部分析能力曾在FairFace和LFW等数据集上得到测量。在这个领域，人脸识别技术已经取得了显著的进展。目前，许多应用程序利用这种技术来破译密码或识别身份。但是，尽管这些技术已经相当成熟，仍然存在一些问题需要解决。例如，在光线不足或面部表情发生变化的情况下，人脸识别系统可能会出现错误。因此，研究人员正在不断努力改进这些技术，以提高它们的准确性和鲁棒性。总之，人脸识别技术在当前的现实生活中扮演着重要的角色。虽然它已经取得了一定的进展，但仍需要进一步的研究和改进，以提高它的性能和可靠性。
那接下来是不是可以识别抑郁症等疾病？
虽然官方重点声明了 “目前在科学研究和医疗用途中性能不可靠“。
但未尝不是一个突破点。
3. 文本识别
有字符识别 ( OCR ) 功能，可以检测图像中的打印或手写文本，并将其转录为可读文本。
这相当于对当前图片转文字技术的能力实现了提升，不再仅仅具备识别功能，还能够进行推理和修正错误信息。对于开发者而言，这一技术的进步无疑带来了巨大的利益。
目前我认识的朋友，就有这个需求，一下子就解决了他的问题。
4. 识别复杂验证码能力
能通过视觉推理，来识别基于文本和图像的验证码，这表明 GPT 有高级的解谜能力！
可能会暴力破解一些验证码工具，或者在科研领域，会有一些意想不到的效果。
5. 地理定位
可根据图中的风景，识别出是在哪个城市。
二、GPT-4V 视觉推理不足的地方
官方重点声明了 “目前在科学研究和医疗用途中性能不可靠“。
总结一下：GPT-4V 在空间的识别上，能力不足。
1. 复杂图像
该模型难以准确解释复杂的科学图表、医学扫描或具有多个重叠文本组件的图像。它没有上下文细节，不能有效地提供服务。
2. 空间关系
模型很难理解图像中，物品的精确空间布局和位置。它无法正确传达物品之间的相对位置。
3. 重叠
当图像中的物品严重重叠时，GPT-4V 有时无法区分一个物品结束位置和下一个对象的开始位置。它会将不同的对象混合在一起。
4. 背景 / 前景
模型并不总是准确地感知图像的前景和背景中的对象。它可能会错误地描述对象关系。
5. 遮挡
当图像中某些对象被其他对象部分遮挡或遮挡时，GPT-4V 可能无法识别被遮挡的对象或错过它们与周围对象的关系。
6. 小细节
模型经常会错过或误解非常小的物体、文本或图像中的复杂细节，从而导致错误的关系描述。
7. 下文推理
GPT-4V 缺乏强大的视觉推理能力，来深入分析图像的上下文，并描述对象之间的隐式关系。
8. 置信度
模型可能会错误地描述对象关系，与图像内容不符。
最后，GPT-4V ( ision ) 的训练完成于 2022 年，我们和 Open 的差距，看来不止 3 个月啊！
加油啊，国内的大模型厂家！
本文由 @产品浅谈 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
