从GPT-3到GPT-4，大模型行业最关键的拐点在于从单一文本处理跃升至多模态输入理解。GPT-3属于NLP（自然语言处理）大模型，奠定了语言生成与理解的基础；而GPT-4作为多模态模型，能接受图像和文本输入并生成文本输出，标志AI从“读懂文字”走向“看懂世界”的质变，这也重塑了行业的技术路线与投资重心。

技术路径的分野：NLP的成熟与CV的瓶颈

大模型主要分为NLP、CV（计算机视觉）和多模态三大类。NLP是当前行业的主要发展方向，以GPT-3为代表，通过海量语料库的自监督预训练，让模型掌握上下文语境与语义组合能力。而CV大模型的发展面临更明显的制约：可用于训练的有效数据比NLP领域有明显差距、学习方法仍需突破、不同视觉应用依赖不同模型导致通用视觉模型尚未建立，且图像尺寸增大带来高计算量。因此，CV大模型短期很难出现大的爆发。

多模态的跃迁：从“读文”到“看图”

多模态模型是此次演进的核心拐点。所谓模态指文本、图像、视频、音频等信息类型，多模态机器学习即通过算法实现多源信息的处理与融合。GPT-4的突破在于首次打通了文本与图像的输入通道——它能识别图表、文档、屏幕截图，甚至能解读图片中的幽默逻辑。这一能力跃升带来的数据需求变化是结构性的：NLP依赖语料库，而多模态需要图文配对数据、视觉特征工程与更大的算力支撑，这对上游芯片、服务器等基础设施提出了更高要求，也拓宽了下游应用（如教育、办公、工业巡检）的想象空间。

国产大模型的卡位与差异

国内大模型领域，百度文心一言、腾讯混元、华为盘古是技术储备丰富、进展靠前的代表。三家的落地思路相似，区别主要在生态：百度和腾讯拥有To C业务，在数据入口的样本收集上有优势；华为则凭借对行业的深度理解，更多聚焦To B场景。从趋势看，腾讯在NLP和CV子分类中发展更占优，百度依托搜索业务的数据覆盖有望在多模态领域突破，华为则可能在工业、能源等行业垂直领域做深。整体而言，国内大模型相较国际前沿水平仍有差距，但小模型商业模式已成熟，大模型正处于快速迭代期。

常见问题

GPT-4的多模态能力具体指什么？

GPT-4能接受图像和文本两种模态的输入，并生成文本输出。例如，它可以理解包含文本和照片的文档、图表或屏幕截图，甚至能识别图片中的荒诞细节并解释其幽默点。

CV大模型为什么短期难爆发？

主要受四重限制：有效训练数据不足、学习方法有待突破、缺乏通用视觉模型架构，以及图像数据带来的高计算开销。这些因素共同导致CV大模型在短期内难以像NLP那样快速规模化落地。

国产大模型与国际前沿的差距有多大？

以百度文心一言为例，其早期版本大致相当于GPT-2.5的水平。不过国产厂商的迭代速度正在加快，百度、腾讯、华为等头部企业已在大模型领域形成各具优势的布局，未来竞争焦点在于生态构建与垂直场景深耕。