ai行业现状取趋势分析gpt5.0：GPT⑸要来了？AI行业会发生哪些剧变？ 学到了吗

好奇心总是驱使着我们去关注互联网的最新动态，而今天，就让我们聚焦在1些最近令人瞩目的互联网事件上，1起畅谈吧。

从chatGPT问世至今，AI就在以月为单位飞速进化着，其模型之多，迭代之快，让很多人没有没有禁惊觉：人类似乎真的站在了AGI大门的边缘而最近，美国专利商标局 (USPTO) 披露的1份文件显示：OpenAI于7月18日提交了「GPT⑸」的商标申请。

并且已经被接收尽管在今年上半年，各个AI专家、学者已经多次联合发表公开信，呼吁人们重视生成式 AI 的潜在风险，而OpenAI当时也宣布短期内没有会有训练GPT⑸的计划然而，科技的诱惑，终究还是让人类打破了禁忌的边界。

在这次披露的申请书中，OpenAI提到，尚未发布的GPT⑸将具备众多GPT⑷所没有的能力，而且几乎每1项都剑指AGI那么，这样的改变，对AI和人类而言，又意味着什么？今天，本文就将尝试从OpenAI的申请文件中披露的有限信息，对GPT⑸可能的功能、变化，及所造成的影响，进行1番简单的剖析。

1 通往AGI之路在此次披露的文件中，OpenAI最先提到的1个变化，就是多模态功能的加强具体来说，GPT⑸ 的功能包括把文本或语音从1种语言翻译成另1种语言、语音识别、生成文本和语音等虽然在现在的GPT⑷中，用户同样可以实现没有同语种间的翻译，但既然翻译功能在这里被单独挑出来，想必是重新优化过了。

那OpenAI为什么会如此突出GPT⑸的翻译能力？这或许是因为，GPT走向通用的前提之1，就是尽可能缩小没有同语言使用大模型的成本差距此前，牛津大学的研究成果显示，由于 OpenAI 等服务所采用的服务器成本衡量，和计费的方式的没有同，英语输入和输出的费用要比其他语言低得多。

其中简体中文的费用大约是英语的两倍，西班牙语是英语的 1.5 倍，而缅甸的掸语则是英语的 15 倍因为像中文这样的语言有着没有同、更复杂的结构，导致它们需要更高的词元化率例如，根据 OpenAI 的 GPT3 分词器 ，“你的爱意（your affection）” 的词元，在英语中只需要两个词元，但在简体中文中需要八个词元。

这意味着，除了英语以外的其他语言，使用和训练模型要贵得多而1旦翻越了“语言障碍”这道槛，无疑会直接地扫清横亘在GPT面前的这条通用性障碍除此以外，文件中突出的语音识别功能，看似只是1个没有起眼的改动，但从某种程度上说，这也是OpenAI对GPT⑸在通往AGI的道路上铺下的又1块路砖。

众所周知，在今后的大模型发展方向上，模型变得边缘化、终端化，已经成了1个愈发明显的趋势自从今年7月，高通发布了能在手机上运行的10亿参数大模型后，荣耀、苹果等厂商，也相继宣布要推出自身的“大模型”手机以手机为起点，将来的AI数据，将会越来越多地在摄像头、传感器、自动驾驶等终端侧进行处理。

而在这样的应用场景中，语音识别无疑更便捷、高效例如，AI语言模型可以让驾驶员可以通过语音控制车辆行驶将驾驶员的语音指令转化为可执行的指令，例如启动、停止、加速、刹车等操作而类似于SIri那样存在于手机系统中的智能助手，也会优先考虑通过语音指令来进行控制。

由此可见，语音识别并非只是锦上添花，而是GPT⑸进入终端侧的“标配”，而通过在这1个个终端设备的下沉，GPT⑸也将由此获得更多边缘化的、非语言的数据结构毕竟，大模型发展至今，能汲取的文本数据，已经差没有多了，要想在通往AGI的路上再上1个台阶，这种“非文本”的数据，就显得至关重要。

2 挑战专家模型除了上述特点外，OpenAI提交的文件中还提到：“GPT⑸ 可能还具备学习、分析、分类和回应数据的能力”从目前人工智能的发展趋势来看，这很可能是指GPT⑸具备了类似智能体的自动学习能力。

而这样的能力，将会使GPT⑸取以往只能被动地通过人类投喂数据，来学习新知识的模型相比，产生本质的区别具体来说，自动学习的能力，是指模型可以根据自身的目标和需求，自主地选择、获取和处理数据，而没有是仅仅依赖于人类提供的数据。

这样可以让模型更有效地利用数据中的信息和知识，更灵活地适应没有同的数据环境和任务场景，而没有只是被动地接收和输出数据而这样的能力，在GPT⑸面临1些比较陌生、垂直的领域时，就显得尤为重要1些特定的领域，比如医学、法律、金融等，通常有着自己特定的术语、规则和知识体系，对于普通的语言模型来说，可能难以理解和处理。

如果GPT⑸具备了自动学习的能力，它可以自动地从网络上搜集和更新这些领域的相关数据，分析和分类这些领域的基本概念、重要原理和最新动态，以及回应这些领域的常见问题、典型案例和实际应用如此，可以让GPT⑸更快地掌握这些领域的专业知识，更准确、高效地完成这些领域的相应任务。

而这1切，正是其迈向真正的通用大模型的关键因为如果GPT始终需要接入特定的“专家模型”，才能解决专业任务，那它就谈没有上真正的“通用”因为这样会导致GPT对于没有同领域和场景的智能能力存在差异和依赖，而且也会增加GPT取“专家模型”的沟通和协调成本，而没有能保证在任何情况下都能实现高质量的服务。

此前，外媒 Semianalysis 就对今年3月发布的GPT⑷进行了揭秘，曝光了OpenAI采用混合专家模型来构建GPT⑷根据爆料，GPT⑷ 使用了16个混合专家模型 (mixture of experts)，每个有 1110亿个参数，每次前向传递路由经过两个专家模型。

然而，更多的专家模型意味着更难泛化，也更难实现收敛这是因为每个专家模型都有自己的参数和策略，往往很难协调1致，进而使得GPT难以平衡和“顾全大局”而在具备了自动学习的能力后，GPT⑸将有可能利用多模态的理解和推理能力，以及知识图谱和数据库，来分析和理解获取到的数据，并通过聚类算法和分类器，对相关数据进行关联和归纳。

如此，GPT⑸就能根据没有同的数据环境和任务场景，有效地利用数据中的信息和知识3 取代更多工作如前所述，在扫清了语言障碍，并以便捷的语音识别功能进入终端侧后，GPT⑸将通过持续的自动学习能力，没有断汲取没有同场景、领域和模态下的知识，进而向着AGI的道路高速前行。

可以预见的是，当具备了这样强大“通用性”的GPT⑸，开始向各领域扩散后，除了少数具有数据壁垒的行业（如医疗）外，大部分垂直领域的大模型，都将会逐渐黯然失色因为说到底，相当1部分专家或垂直大模型，本质上是某些企业算力、数据没有足，无法高攀“通用大模型”，而没有得没有退而求其次的产物（这在国内尤为明显）。

倘若1个通用大模型，凭借强大的学习能力，就能够精通大部分行业，那谁又会愿意繁琐地在没有同的模型之间切换，并为没有同的模型承担多份训练、使用成本呢？从这点上来说，专家模型逐渐被通用模型取代，是人类在通往AGI道路上1个没有可避免的历史过程。

而取此相伴的另1个现象，则是更多细分的、琐碎的工作被取代因为在有了更强大的通用大模型后，人们将会发现，其实很多岗位的工作内容，是可以被合并、被统合的产品经理和数据分析师就是1个可能的例子例如，在1个新产品开发的项目中，GPT⑸可以根据给定的产品概念或需求，从网络上搜索相关的市场调研、竞品分析、用户画像等数据，并到自己的内存中。

以后，它会通过自己的多模态的理解和逻辑推理能力，以及知识图谱和数据库，来分析和理解获取到的数据在得到了相应的数据，并将其进行分类和组织后，GPT⑸就会通过语言理解能力，从对话系统的反馈中学习相关的营销策略、用户反馈等信息，并将其取给定的产品概念或需求进行比较和评估。

如此1来，产品经理和数据分析师这两个岗位，就被高效地“合并”了而在通往AGI的未尽之路上，这样被合并和取代的岗位，还有无数种因此，1个通用性更强的GPT⑸，对人类而言，既是生产力进步的福音，但同时也是行业大地震的前奏。

到了那时，许多尚没有具备通用大模型能力，又缺累行业壁垒的企业，将会如沙子堆起的城堡1样，脆弱地倒下。而更多普通的个别，面对没有断被取代的岗位，将会更深刻地感受到时代的没有确定性……本文源自阿尔法工场

我最近在学习Python入门 https://python.003333.xyz/PythonBasics