技术前沿｜ChatGPT多模态功能All in One
发布时间：2023/11/08
返回列表
在11月6日的OpenAI开发者大会上，一系列亮点让人惊喜连连。GPT-4 Turbo最新版本进行了六项重大升级——扩展了上下文理解长度、加强了模型控制力、知识内容得到更新、增加了多模态功能、支持模型微调定制，以及提升了处理速度上限。此外，在会议上还推出了ChatGPT的自定义功能，用户可以无需任何编程知识，便可根据特定需求打造个性化的ChatGPT版本，称之为GPTs（多个GPT），这将作为即将推出的GPT商店（GPT Store）的一部分，实现人人都能零代码打造专属的ChatGPT。
现在的ChatGPT不仅可以聊天，还能支持图片生成、语音交互、文本分析、论文解析、浏览网页、数据分析等功能。让我们先来看看ChatGPT强大的多模态功能，我们能够如何使用这些功能更好的学习和工作。
01 图片生成功能
ChatGPT-4 作为一个语言模型，主要用于理解和生成基于文本的响应。它可以详细描述图像，解释图像的描述，并为图像生成提供详细的提示，但它不会直接在自己的框架内创建图像。
然而，OpenAI 还开发了其他专门的图像生成模型，DALL-E，旨在根据文本描述创建图像。这意味着虽然 ChatGPT-4 可以为图像制作文本提示，但 DALL-E 等另一个系统将用于根据该提示实际生成图像。
ChatGPT-4 与 DALL-E 或类似图像生成模型的集成可以实现无缝体验，用户可以在与 ChatGPT-4 的对话中描述图像，然后系统可以使用该描述来使用单独的图像生成图像，图像生成模型。
本文开始的两张图片都是由GPT4-DALL-E生成的，使用前还是需要将模式切换为DALL-E3模式。例如下面是让它生成十年后北京城的样子：
提示创建图像的步骤和寻求文本信息的方式类似，都是对话交流生成：
提示创建：用户向 ChatGPT-4 提供描述性文本提示，详细说明所需的图像内容。
提示解释：ChatGPT-4 解释并可能细化提示，以确保其足够清晰和详细，足以生成图像。
图像生成：细化的提示被传递到 DALL-E 等图像生成模型，然后根据提供的描述创建图像。
演示：生成的图像作为独立结果或在 ChatGPT-4 对话的上下文中呈现给用户。
02 网页浏览功能
Web 浏览功能的引入代表了 ChatGPT-4 之前功能的关键增强。在此更新之前，ChatGPT-4 在封闭环境中运行，仅依赖于 2023 年 4 月知识截止之前所训练的数据。用户可以根据当时可用的信息提出问题并获得答案，但是无法从互联网访问或检索实时更新的信息。
随着网络浏览功能的出现，现在可以执行实时网络搜索。这使得它能够提取当前信息，为用户提供更准确和最新的响应。例如，它可以访问最新的新闻文章、论坛主题或最近的统计数据得出更好的反馈。
ChatGPT Plus 的用户将被授予访问网页浏览功能的权限。这标志着 ChatGPT 功能的显着扩展，因为它现在包含了互联网连接。它使 Plus 用户能够指示 AI 导航网页、收集信息并与在线内容实时交互，这显着扩大了 ChatGPT 可以执行的任务范围。这可能会改变用户与人工智能的交互方式，使其成为更强大的研究、学习和娱乐工具。
03 高级的数据分析
ChatGPT-4的高级数据分析功能包括了对数据的理解、处理、分析和可视化等多方面的能力。这些功能可以帮助用户解决各种数据分析问题。具体来说，这些功能包括：
1. 数据理解与处理
￮ 对数据集的结构和内容进行解释。
￮ 清洗数据，包括处理缺失值、异常值、重复数据等。
￮ 执行数据转换，例如日期格式转换、数据类型转换、编码和解码等。
2. 统计分析
￮ 描述性统计分析，提供数据的概要，如均值、中位数、标准差等。
￮ 推论性统计分析，如假设检验、置信区间估计等。
￮ 相关性分析，评估不同变量之间的关系强度和方向。
3. 机器学习
￮ 使用各种机器学习算法进行预测和分类。
￮ 进行特征选择和模型优化。
￮ 解释模型的结果和性能。
4. 数据可视化
￮ 创建图表和可视化，如折线图、柱状图等。
￮ 使用高级可视化工具如Seaborn或Plotly生成复杂的图形。
￮ 通过可视化来帮助理解和展示数据分析的结果。
5. 自然语言处理（NLP）
￮ 文本数据的预处理，如分词、词干提取等。
￮ 文本分类、情感分析、主题建模等。
￮ 实体识别、关系抽取等。
6. 时间序列分析
￮ 分析时间序列数据，包括趋势、周期性的识别。
￮ 预测未来值，例如使用ARIMA、季节性分解的预测等。
￮ 检测时间序列数据中的异常点。
7. 交互式分析
￮ 与用户交互，以理解特定的数据分析需求。
￮ 根据用户的问题动态调整分析策略。
￮ 提供步骤解释和结果解读，帮助用户理解复杂的分析过程。
这些功能使得ChatGPT-4不仅仅是一个聊天机器人，还是一个强大的数据分析工具。用户可以通过自然语言与其交流，从而无需掌握专业的数据分析或编程技能就能进行复杂的数据分析。
下面是小编用该功能分析预训练模型提取的表征数据幅值分布图：
04 PDF论文辅助阅读
由于GPT-4没有上传PDF的功能，需要借助网页分析的插件分析PDF文件内容，WebPilot是一款强大的ChatGPT插件，它允许用户提供一个或多个URL，并可以选择性地添加交互请求、提取特定信息或指定URL内容的处理方式。这个插件为用户提供了一种定制化的网络浏览体验，让他们能够根据自己的需求浏览和处理网页内容。
05 画流程图
GPT-4没有内置的画图软件，加入插件Diagrams:show me即可辅助画图。下面是画出近十年的全球人口数量趋势：
随着ChatGPT等大模型不断开源和推陈出新，越来越多的企业将会受到影响。在竞争激烈的AI浪潮中，既是挑战也是机遇。
比如ChatGPT集成的语音交互功能是whisper语音基础模型实现，而whisper是通用的鲁棒性语音识别模型，如果直接用作唤醒智能家居、车载等场景，会存在域不匹配问题。因此需要对原来whisper模型实现迁移，将其优越的识别能力迁移到指定数据集和应用场景，这一能力的实现需要大量的域内数据，可以说数据是AI研究和发展的基石。
海天瑞声提供大量的垂域数据集，包括多语种、多场景、多应用的语音数据，可以用于语音模型微调。同时还能够提供众多高质量的图像、多模态数据，更好的帮助研发者进行模型的微调和自适应。
