行业点评：ChatGPT推出语音和图像功能，多模态AI加速突破【开源计算机陈宝健团队】

健谈计算机 · 公众号 · · 2023-09-26 11:40

正文

1、事件： ChatGPT推出语音和图像功能

9月25日，OpenAI在官网发文表示在ChatGPT推出语音和图像功能，未来两周将向Plus和Enterprise用户推出，语音功能支持iOS和Android平台，图像功能支持全平台。

（1）语音功能： 用户可以与ChatGPT进行语音对话，让ChatGPT讲故事、读诗等。语音输入端，由开源语音识别系统Whisper将口语转录为文本；语音输出端，由新的文本转语音模型支持，可以从文本和几秒的语音样本中生成类似人类的音频。

（2）图像功能： 用户可以用图片向ChatGPT提问，支持多轮对话和多图识别，比如拍下冰箱照片询问ChatGPT晚餐吃什么。从OpenAI官网展示的应用案例来看，ChatGPT可以根据用户上传的自行车、说明书、工具箱照片，指引用户完成自行车座椅的调节。

2、 谷歌和OpenAI持续加码，多模态AI加速突破

在5月的I/O大会上，谷歌推出对标GPT-4的大模型PaLM2，同时表示未来研究重心正转向多模态的Gemini。9月20日，OpenAI宣布推出新版文生图AI工具DALL-E3，DALL-E3通过集成ChatGPT能力实现多项升级。此前，根据The Information报告，OpenAI即将推出多模态大模型GPT-vision。谷歌、OpenAI等科技巨头纷纷加码，多模态AI加速突破。

3、 多模态大模型推动AI迈向“通感”时代，算力需求将大幅提升

随着人工智能感知、交互和生成能力的快速发展，多模态大模型正推动人工智能迈进“通感”时代，应用场景和生态也将进一步丰富。语音和图像数据大小显著高于文本，多模态大模型训练和推理的算力需求将大幅提升。根据SemiAnalysis表示，谷歌下一代多模态大模型Gemini已开启训练，算力达到1e26 FLOPS，是训练GPT-4算力的5倍。孟晚舟在2023华为全球分析师大会上表示，预计到2030年通用计算能力将增长10倍，AI计算能力将增长500倍，AI算力有望持续高景气。

4、投资建议

龙头推荐金山办公、科大讯飞、同花顺、三六零等。应用领域，推荐鼎捷软件、彩讯股份、焦点科技、拓尔思、致远互联等，受益标的包括泛微网络、普元信息、汉仪股份、新致软件、福昕软件、万兴科技、汉得信息等。底层算力领域，服务器端推荐中科曙光、浪潮信息，受益标的包括紫光股份等；GPU端，推荐海光信息，受益标的包括寒武纪、景嘉微等；华为昇腾生态，推荐卓易信息、神州数码等，受益标的包括四川长虹、烽火通信、拓维信息、同方股份等。AI监管领域，受益标的包括美亚柏科、永信至诚、人民网等