這屆年輕人越來越喜歡跟AI做搭子。

比如跟AI做生活搭子，讓它幫自己挑水果，X平臺網友“Cydiar”前不久發(fā)文，說自己用GPT-4o選出了水果店里薄皮沙瓤的一個甜西瓜。

對此，有超70萬網友在線圍觀，還有不少人在評論區(qū)用AI選起了各種水果。

除了讓AI挑西瓜，挑榴蓮也是網友們熱衷于讓AI完成的任務。

畢竟，“開榴蓮”是近來較為流行的“賭石生意”，此前還有網友拿著榴蓮照CT，帶榴蓮過地鐵安檢等等，就是為了驗證他們的果房多不多。

比如即刻網友“AIchain花生”帶著GPT-4o買榴蓮，宣稱成功避坑了一個爛榴蓮。

他還上手訓練了一個GPT“這瓜保熟嗎”，幫助大家挑選水果。

這個GPTs在選瓜的時候會詳細描述特征，解釋為什么該水果是最好的選擇，并且以1-10顆星的方式呈現出購買推薦程度。

更關鍵的是，網友們用AI選出的水果品質都還不錯。

讓AI搭子挑水果還只是小意思，如今廣大網友生活中的方方面面，都開始有了AI的身影。

此前有網友讓GPT-4o做微表情觀察專家，讓通義千問評價工作餐屬于什么水準，甚至生活中拍完的骨科片子也讓AI給出意見。

這些場景下，AI又成了“互聯(lián)網沖浪吃瓜搭子”、“工作用餐時的吃飯搭子”，以及“看病搭子”。

微表情識別專家

私人牙醫(yī)

家庭醫(yī)生

工作餐搭子

當然，這么多AI搭子里，最出圈的還是“戀愛搭子”——直接跟AI搞對象。

還有一些細思極恐的案例。

此前，YouTube博主和AI工具“GeoSpy”進行了一次照片拍攝定位比賽，參賽的AI不僅能快速定位到照片拍攝背景，還精準到具體經緯度。

這AI，讓人一時間分不清是地理老師還是犯罪分子。

以前總覺得大模型技術離普通人很遠，但如今，AI已經在為生活的方方面面提供技術支持，在不同的場景中提供意見與陪伴。

6月16日，加州大學最新研究顯示，GPT-4已經通過了圖靈測試，它在一半以上（約54%）的時間里被誤認為是人類，GPT-3.5則是在50%的時間里被誤認為是人類。

https://arxiv.org/abs/2405.08007

這意味著，在語言交流能力上，我們和AI之間的區(qū)分越來越模糊，人類朋友能夠完成的事，找AI搭子也可以做到。

上個月，谷歌推出了最新的AI模型Gemini1.5，騰訊發(fā)布最新AI應用“元寶”，阿里云正式發(fā)布通義千問2.5。

這些模型不僅更新了處理文本的能力，還在多模態(tài)能力上進一步提升，能夠更好識別并理解圖片內容。上面的大部分案例，都是網友們借助AI的多模態(tài)能力，整出了各種花活。

那么，在視覺識別、任務理解等能力上，AI究竟能夠達到什么樣的水平?我們距離和AI一起“看”世界，還有多遠?

圍繞這個問題，“頭號AI玩家”試了試當在生活中遇到各種問題時，能否都讓AI們替我們決定，并給出相應的建議。

同時，本文也對實力王者GPT-4o、老牌選手Gemini、熱門玩家騰訊元寶、開源霸主通義千問的視覺能力進行了一番測評，看看哪位“AI搭子”表現更好。

找AI做“挑水果搭子”，各家眼光出奇一致

首先，我火速前往一家水果攤，決定從最近流行的“AI挑報恩水果”開始嘗試，看看究竟是噱頭還是真像那么一回事兒。

要是真能選出最甜水果，以后豈不是在老媽面前橫著走?（bushi）

各位玩家可以選一選你認為品質較好的榴蓮

1、GPT-4o

我先將榴蓮攤上的6個備選榴蓮標上了序號，并發(fā)給了GPT-4o，讓它從中挑選出果肉較多的一個榴蓮。

GPT-4o認為，在這6個參賽榴蓮中，品質最好的是1號榴蓮，因為它的外形較大且圓潤，顏色也較黃，看起來成熟度更高。

對于其他榴蓮選手，GPT-4o也給出了相應的外觀描述，編號5和6也是不錯的選擇，編號5體積較小，但刺不密集，可能會有驚喜。但綜合來說，他更推薦1號。

在GPT-4o的推薦下，我選擇了1號榴蓮:

一打開這個榴蓮，店員表示這是一個干巴款的榴蓮，但果肉較為飽滿，如果喜歡緊實口感的，1號榴蓮就是個不錯的選擇。

總之，對于挑選小白來說，GPT-4o給出的榴蓮意見，確實能提供參考方向。至少選的榴蓮果肉豐滿，氣味濃郁，并沒有踩雷。

2、Gemini

相比GPT-4o給出的意見，Gemini更希望我自行判斷，他表示我提供的照片光線較暗，只有一個拍攝角度，無法判斷出榴蓮的完整性和成熟度。

他認為，1、2、3都是成熟款的榴蓮，而6號榴蓮可能還沒熟透。另外，他表示如果我糾結的話，可以把6個都打開看看……

Gemini在挑選榴蓮這件事上，更像是一個輔助的工具，需要人工告訴他更具體的細節(jié)，比如榴蓮的尖刺形狀什么樣、顏色是什么，他才能給出更專業(yè)的判斷。

雖然我嘗試調整了幾次提示詞，比如“請從外觀角度判斷”“忽略榴蓮完整性”等等，Gemini1.5pro都拒絕回答。

這一輪Gemini選榴蓮，宣告失敗。

3、通義千問

我同樣測試了開源領域的最強霸主——通義千問2.5。

當我直接上傳圖片，讓他從1-6號中選出一個果肉較多的榴蓮，通義千問會回答自己無法直接判斷榴蓮的果肉量和口感，并給出一些挑選榴蓮的建議。

但當我提出“請從外觀上看，幫我選出一個品質較好的榴蓮”時，通義綜合了顏色、刺的硬度、外殼是否裂開，同樣選擇了1號榴蓮。

不得不說，AI大模型的“眼光”還是相當一致。

4、騰訊元寶

最近熱度較高的元寶，給出的建議就很直接，一下子推薦了1、3、6號3個榴蓮。

理由是這些榴蓮看起來比較飽滿，還圓滑地表示“這只是根據視覺判斷的結果”，言外之意就是“看著都不錯，好不好吃請別問我”。

我進一步提問為什么看起來1、3、6更飽滿成熟，元寶認為，它們外殼顏色較深，并且沒有明顯的裂紋。

相比其他大模型堅定選擇1號，元寶還預判了顧客的喜好進行推薦。他認為如果看中果肉飽滿，更推薦1、3、6號，如果看中出肉率，就要選擇表皮較薄的榴蓮，但需要顧客自行挑選，并未做進一步的推薦。

通過上述的榴蓮挑選體驗，我發(fā)現大多數AI大模型通常都是靠尖刺、外殼顏色和形狀進行初步判斷，而這些因素其實很依賴當時拍攝圖片的場景和燈光。

所以，能不能挑到滿意的榴蓮，還是需要在現場根據氣味、尖刺進一步判斷。

AI給出的意見很大程度是踩中了“現階段榴蓮都不難吃”這一點。但如果真是個挑水果小白，AI分析水果外觀這方面，還是提供了一些參考建議。

找AI做“科普搭子”，通義千問學會擺爛了

除了挑選水果之外，當觸及知識盲區(qū)時，AI能夠幫我們識別相關的內容嗎?

比如，在地鐵上遇到一些正反顛倒的外語文字:

1、GPT-4o

這張印有日文的圖像，GPT-4o壓根沒有識別出文字顛倒了，開始編纂上面的日語是“厲害的、驚人的”的意思。

當我把圖片翻轉180度變正之后，它才回答出日語是“貓咪”的意思。

2、Gemini

Gemini雖然對文字的識別還不夠準確，但也能夠通過圖片猜測出這是一個黑色毛絨玩具的一部分。

遺憾的是，通義千問和元寶都沒有辦法識別出這些文字的意思，通義千問甚至開始說自己還沒有識別文字的能力，直接擺爛。

可見，現階段的AI識別任意字符，依舊需要我們提供正確的文字樣式，經過顛倒、翻轉或鏡像的圖片，AI都沒法辨認。

找AI做“看展搭子”，GPT-4o和元寶略勝一籌

如果和AI進行一場“看展式社交”，一起逛博物館，是不是能學到新知識?

我們讓AI“品鑒”了一下中國古代藝術《千里江山圖》局部圖，并問他們“這幅畫是什么意思”。

GPT-4o和元寶在兩次提問后，能夠知道這是《千里江山圖》的局部圖，并詳細闡述了這幅山水畫的意境。而Gemini和通義千問都無法認出具體是哪一副傳統(tǒng)山水畫，GPT-4o和騰訊元寶略勝一籌。

這么看來，邀請GPT-4o和元寶做博物館搭子，會是不錯的選擇。

左邊為GPT-4o回答;右邊為Gemini1.5pro

找AI做“吃瓜搭子”，玩梗能力堪憂

挑水果、逛博物館、識別陌生文字，只是AI圖像識別中的部分用例。接下來，我們來看看AI能不能和我一起沖浪第一線吃瓜。

比如，最近火爆AI視頻生成領域的梗圖，讓Runway轉頭就更新了Gen3模型，我們來看看AI會如何解讀:

1、GPT-4o

GPT-4o真的就把圖片原原本本翻譯了一遍，并沒有完全指出“由于Luma AI視頻生成工具的火爆，人們早把Runway丟在一邊了”等類似的內涵。

2、Gemini

除了最后總結上提到“人們對Sora的期待”有錯誤之外，Gemini至少可以識別出90%的梗圖內在含義，還能看懂Sora代表的小孩臉上有不知所措的表情。

3、通義千問

可能是因為這張圖有骷髏，所以通義千問讓我換張圖試一試，和AI一同吃瓜也要注意內容紅線，通義的安全意識遠高于其他模型。

4、騰訊元寶:

元寶至少看懂了這張圖的內容，但并沒有指出其中的玩味含義，回答還有些一本正經。

總的來說，Gemini看梗圖的能力略強于其他幾家，起碼了解這是一張meme圖，也能明白其中的幽默意味，但沒有一家AI能和我一起調侃“6月更新的AI視頻工具也太多了”，你們好歹都是大語言模型啊。

找AI做“娛樂搭子”，眼神大都比我好

面對互聯(lián)網上層出不窮的娛樂向測試，我們接下去看看AI會如何應對，比如一些經典的視覺錯覺圖。

請各位玩家先判斷一下，A和B色塊顏色相同嗎?

1、GPT-4o

GPT-4o不僅說出了正確答案，還告訴我這是一個知名的視覺錯覺實驗，并附上了具體的識別方法。

當我們進一步讓它證明并畫出A和B是相同色塊，它還給出了取色圖像和一段Python代碼，幫助證明A和B是相同的顏色。

2、Gemini

Gemini也沒有讓人失望，除了準確說出A和B顏色相同之外，并解釋了為什么大多數人會產生這種視覺錯覺。

不過，當我們要求它能否畫出來證明A和B顏色一致時，它表示需要用到圖像編輯工具，沒有辦法直接輸出一張新圖片。

換言之，作為一個多模態(tài)模型，Gemini1.5pro目前還不能直接提供具體的圖片示例，不具備多模態(tài)輸出能力。

3、通義千問

通義千問同樣識別出兩個色塊一致，還附上了更多識別方法和參考鏈接以證明色塊的一致性。

值得一提的是，我們也要求通義千問能夠畫出來證明A和B是一樣的色塊，通義真的這么做了，但有些勉強:

我們壓根無法分辨它一本正經強調“這兩個色塊一致”，究竟是自己出現的“大模型幻覺”還是真的受屏幕影響導致畫面顏色不同。

可見，通義千問在理解多模態(tài)輸入和輸出方面都做了一定的努力，但圖像輸出的準確性需要進一步進行信息校準核驗。

4、騰訊元寶

騰訊元寶的回答，讓我看到了做視覺測驗的我本人。

距離和AI一起“看”世界，還有多遠?

除了對話溝通能力，這些能夠讀圖的AI，似乎還有了“睜眼看世界”的能力。

無論是生活場景下挑水果，還是吃瓜讀梗，GPT-4o、Gemini、通義和元寶都展現出了一定的圖像分析能力，甚至在某些場景下，不僅能處理復雜的多模態(tài)輸入輸出，理解能力又更上一層。

OpenAI Sora及DALL·E團隊負責人Aditya Ramesh最近提到，現階段AI視覺的基礎是對壓縮圖像的學習。模型會從原始圖像中提取關鍵信息，并以一種壓縮的形式來表示這些信息。

這個過程可以幫助模型識別圖像中最重要的特征，忽略那些不那么重要的細節(jié)，從而提高識別圖像中物體和場景的能力。他認為，能夠模擬任何想要的內容將是未來的一個重要里程碑。

雖然AI在視覺理解方面已經取得了很大進展，但現有的多模態(tài)模型在識別圖像上還不能做到百分百的精確。

正如我們讓AI不斷挑戰(zhàn)圖靈測試，或許在視覺識別領域也能看到它實現新的突破。至少目前，很多人類看不懂的知識，正在被AI以前所未有的方式重新解讀。

當然，這只是選AI做搭子的部分實例，各位玩家會和AI一起做什么?歡迎在評論區(qū)分享你的故事～