GPT-4 Turbo 的识图能力将影响哪些行业、业务场景？| AI Trend
作者：Chloe
技术顾问：函子科技CEO蒋耀锴
最近GPT-4 Turbo的风很大，放出了128k的单次通讯容量、降价2.75倍等好消息，不过，我们今天重点说下正式亮相的多模态能力——尤其其中的识图能力，即，GPT-4 Turbo with Vision。同时，该能力也开放了API接口，意味着可以跟现有数字系统和工作流做协同。
虽然这个能力的发布是意料之中的，但突破文本限制直接读图确定意味着AI向新领域的进军——即，在很多涉及视觉信息（图片和视频）解析和录入的工作流当中，更多重复劳动将被释放出来，投入到ROI更高、获得感更高的人类活动当中去。比如：
数据标注
这个浩浩汤汤的“画框框”大部队，日后会面临大幅去产能的局面，自动标注必是主流。不过，真要落地下来，还是会面临一系列工程挑战的，但这也恰恰给创业公司留出了一定的机会。
Via Google
电商SKU入库
在电商世界，每天都有海量的图片信息从现实世界被搬到虚拟世界，现在仍有很多企业依然很传统，像商品详情信息——材质、颜色、形状、某些维度的布尔值都是由人工录入的，或者根本就没有系统管理。
理论上讲，义务小商品市场的商家们，都会需要这么一套从拍照到自动建库的AI工作流，借由GPT-4 Turbo with Vision的API，完全可以跟现有的ERP等系统打通，这是AI直接融入现有工作流的一个大场景, 以下是我们给一个外贸小商品商家做的极简测试，如果要跟数据库对接，可以直接以JSON格式输出。
纸质档案、电子票据等契约型文件入库
举个例子，我们从合作伙伴那里了解到，由于曾经数字化水平低的历史原因，很多保险公司积压了很多纸质保单，如果这些信息全部人工入库的话，搬运量太大，如果不搬的话，管理和溯源的成本又太高。
报销、合规等也是跟 Vision能力高度契合的企业场景。它能提取出发票上的买方、买方、品名、金额等交易明细，并通过API接入把数据同步给公司的CRM和财务系统等。
这块儿会是个大突破，效率会明显高于传统的OCR。
传统的OCR在精准度上没有保障，但，像保单、发票这种契约型文件，对识别度的要求一定是100%。传统OCR也不具备区分所谓类型、格式、字段、逻辑和语义的能力，因此不太能把文档里的数据拆解出来，跟企业内部的数据流充分融合。
除非你专门针对某个垂直场景做定制，假如你花150万买3个码农1年的时间，应该可以把一个单一场景OCR模板搞出来，但如果税务局改了模板，那你也得重做，灵活性很差。
但以大模型为基座的CV是可以实现的，以下是对一个英文发票做的简单测试，不过现在GPT-4 Turbo with Vision尚未开始支持中文，所以，只好再等等啦。
质检
质量检查是工业流水线上常见的场景，结合物联网系统，视觉大模型可以用作零件、商品质量检测的初筛环节，不能判定的部分再交给人类处理。
富媒体内容生成
GPT-4 Turbo除了Vision能力，还开始支持DALL·E 3视觉模型以及TTS（文本到语音）的输出。不难看出这块儿综合能力比较容易用作多媒体内容的生成上，社交网络上已经有博主在生成足球解说视频了，这块儿网上最容易找到，就不多说啦。
本文来自微信公众号“Zion AI实验室”（ID:gh_bf45bbc4d5d3），作者：Chloe，36氪经授权发布。
