多模态又考验算力了！ChatGPT文生图功能太火爆 奥尔特曼：GPU“冒烟了”

《科创板日报》3月28日讯（编辑 宋子乔） 随着OpenAI的图像生成功能完成重大升级，新的问题出现了。

OpenAI创始人Sam Altman表示：ChatGPT的文生图应用需求过高，我们的GPU“冒烟了”（melting，原为融化之意），在努力提高效率的同时，将暂时对ChatGPT生成图片的功能引入一些速率限制。

这意味着，OpenAI将对ChatGPT的图像生成功能实施临时限速，降低单位时间内的请求处理量，缓解GPU过载压力，并优先保障文本生成、对话等核心功能的稳定性，或许将暂时放缓图像生成的技术优化节奏。

此前3月26日，OpenAI推出基于GPT-4o模型的图像生成功能——Images in ChatGPT，用户可在ChatGPT及Sora平台直接通过自然语言指令生成、编辑图像，支持多轮迭代优化。这标志着ChatGPT正式将文本、图像、代码等多模态能力深度整合，实现从单一语言模型向全模态智能体的跨越。

该功能上线后，以“动动嘴就能P图”的便利迅速火爆，互联网平台上涌入大量由个人照片、知名梗图转变而来的“吉卜力”卡通风格图片。连Altman也感叹起该功能带来的泼天流量：“自己过去十年埋头苦干做AI，试图帮助实现超级智能来治愈癌症之类的事情。前7.5年几乎无人问津，接下来的两年半，做什么都会引来所有人的厌恶。然后某天醒来收到几百条消息，人们告诉你被画成了吉卜力风格的美少年。”

Sam Altman在社交平台上的新头像，生成自Images in ChatGPT

生成自Images in ChatGPT

生成自Images in ChatGPT

与此同时，由于图像生成功能的受欢迎程度远超预期，OpenAI原本计划本周向所有用户推送这项功能，但现在“被迫”推迟了向免费用户开放新功能的时间。

与作为扩散模型运行的DALL•E根本区别是，GPT-4o图像生成是原生嵌入在ChatGPT中的自回归模型。OpenAI根据在线图像和文本的联合分发来训练模型，使得模型可以学习图像与语言的关系，使其生成有用、一致且具备上下文感知的图像。

GPU就像一群超级快的“画师”，能同时处理大量计算任务，生成图片（如DALL•E、Stable Diffusion）需要AI逐像素计算，每一步都要处理海量数据。而让AI生成更精确、更高清的图像依赖于GPU的大规模并行计算。OpenAI提到，因为这个模型会创建更详细的图片，所以图像需要更长的渲染时间，通常会达到一分钟。

如此一来，文生图功能的用户越多，需要的GPU算力成倍增长。

解决方式主要有两种，更强的GPU或更高效的AI模型，前者走“力大砖飞”路线，后者寄希望于算法的优化，即通过改进AI算法让同样的GPU能处理更多任务（比如用更小的模型或压缩技术）。

作为AI领域的头部玩家，OpenAI背后的GPU储备自然是业内顶尖水准。根据技术咨询公司Omdia的分析，微软作为OpenAI的主要投资者，在2024年购买了约48.5万块英伟达的Hopper芯片，是其主要竞争对手Meta的两倍，这使其成为英伟达GPU的最大买家。OpenAI的大模型正是用微软的Azure云基础设施进行训练。

可以说，OpenAI因新功能面临的问题，折射了AI多模态技术发展中的资源与需求平衡难题，一方面，AI应用对GPU等算力资源的需求依然庞大，另一方面，行业继续呼唤技术迭代，以求高效利用现有资源。