![](http://rongxh.com/zb_users/upload/2024/06/20240626194008171940200843048.png)
OpenAI 又改写了一次历史,在今日凌晨上线了一款能接受文本、音频、图像多模态输入与输出,表达自然流畅、并能读懂情绪起伏的智能助手 GPT-4o。更重要的是,它可被放入桌面和手机端,并完全免费。压力被急剧转移到了谷歌、苹果身上;未来几天," 科技春晚 " 还将轮番上演。
作者 |董温淑
编辑 | 李 原
运营 | 刘 珊
最近一周,科技行业热闹非凡,大型 " 脸对脸 " 开打的 " 科技春晚 ",更将轮番上演。
5 月 14 日凌晨,OpenAI 2024 年春季发布会上线。如今这家巨头的每次动向,都存在再度 " 颠覆 " 一个行业的可能,既让 AI 创业者们翘首以盼,更让大家紧张万分。
虽然这场 OpenAI 的发布会仅持续了 28 分钟,业内也早有剧透——不会有传说中的 ChatGPT 5,也不会直接对标谷歌做 AI 搜索;但发布会的效果,仍然震惊四座。
此次 OpenAI 推出的是一款桌面版 ChatGPT,该模型被称为 GPT-4o。其中 "o" 代表着 "omni"(全能)。在演示中,这一 " 全模态 " 模型不仅能接受文本、音频、图像的任意组合输出,并可跨领域进行推理与展示——最重要的是,其反应速度最短达到了 232 毫秒,完全可做到与人类在正常对话中同频。
演示中,GPT-4o 像个真实的人类一样,可以被打断,也可做到语态联想。当它被装入手机时,能通过喘气听懂用户的叹息、疲惫,使用体验易用自然、功能强大。
OpenAI 同步宣布了 " 获客 " 大杀器:GPT-4o 可以被安装至桌面和手机端,并向所有人免费开放,API 定价只有 GPT-4 Turbo 的一半,速度达到 GPT-4 Turbo 的 2 倍,付费的 ChatGPT Plus 用户将获得 5 倍调用额度。
压力被急剧转移到谷歌、苹果等巨头身上。北京时间 5 月 15 日凌晨,谷歌也将上线 "I/O 大会 ",据传谷歌将在会上公布大模型最新进展,并将发布类似 GPT-4o,在 Gemini 加持下的、名为 "Pixie" 的个人数字助理。
本月 21 日,微软也将召开 "Build 开发者大会 ",市场猜测其大概率会将 OpenAI 最新能力集成到自家产品线中。
另据外媒报道,苹果在此次发布会前,已与 OpenAI 达成合作。在 6 月的苹果 "WWDC 大会 " 上,ChatGPT 会不会被塞入 iPhone 之中,以取代 " 招人恨 " 的 Siri,也非常值得期待。
28 分钟,干翻所有语音助手
一场大范围预热,将 OpenAI 发布会的悬念提前拉满。
发布会前,OpenAI 创始人、CEO 山姆 · 奥特曼先早早否定了对标谷歌,上线 AI 搜索的传闻。他称,"(新功能)对我来说就像魔法一样 "。OpenAI 语音 AGI 研究领导 Alexis Conneau 更直接将自己的社交媒体主页背景,改成了一张电影《Her》中的剧照——这是一部讲述人与 AI 助手 " 萨曼莎 " 相恋的科幻电影。
外界甚至为奥特曼编排出了一个与 AI 助手相爱的浪漫故事。发布会结束后,山姆也顺水推舟地,在自己的 X 账号上,只发表了一个单词—— "Her"。
▲(图源 / 网络)
不过当看过 OpenAI 的最新产品后,观众们惊呼,《Her》中的剧情真的进入了现实。
发布会上展示的 GPT-4o,仿佛是一个真实的 " 朋友 " 坐在身边。它反应迅速,语调流畅自然,情绪饱满,会跟随着你的情绪兴奋起来,也能根据上下文给出丰富的对话细节,揣摩对话者的情绪。
例如,当 OpenAI 的研发负责人 Mark Chen 上台时,他对着 GPT-4o 说:" 我站在台上有点紧张,该怎么办?"GPT-4o 回答:" 你太棒了,深呼吸一下吧,记得你可是个专家。"Mark Chen 随之大声喘气,问 GPT-4o 接下来还能给些什么建议,对方回答:" 放松点 Mark,呼吸得慢一点,你又不是吸尘器。"
▲(图源 /OpenAI)
接下来,GPT-4o 被要求给大家讲个睡前故事。没讲几秒,它就被 Chen 打断,要求能不能多点情绪和戏剧性。随即,GPT-4o 语调更加起伏和夸张。Chen 又对其要求:能不能再来点情感,最戏剧化的表达可以吗?GPT-4o 显然读懂了 " 戏剧化 " 的含义,随即拿出了戏剧演员一样夸张的语调——有趣的是,当 GPT-4o 又被要求唱歌时,它甚至自己先叹了口气。
在此过程中,GPT-4o 的反应速度也令人深刻。据计算,它对音频输入的响应时间最短为 232 毫秒,平均为 320 毫秒,这与人类在对话中的响应时间相似。
语音聊天外,GPT-4o 还表现出了多模态理解和输出能力。它能够跨声音、文本和视觉进行智能推理,可以就用户给出的截图、照片,或含有文本和图像的文件展开对话。
此外,GPT-4o 也能生成任何文本、音频和图像的组合。并能在输出中,识别人类的感情,根据感情做出 " 有情绪的反应 "。
为了快速 " 获客 ",这样强大的助手,OpenAI 准备交给用户免费使用,并可在电脑桌面运行。据官方介绍,OpenAI 优化了用户界面,用户只需要关注如何与 ChatGPT 协作。可想而知,这样一位免费的 AI 助手,可以随时陪你聊天、看图表、写日程,它将爆发怎样的巨量使用场景。
打到谷歌、苹果家门口
尽管 OpenAI 此次没有亮出 GPT-5 这样的大招,从业界反馈看,其展现出的技术能力升级足以令人再度感到震惊。
据腾讯科技报道,根据 OpenAI 官网最新博客文章显示,在 GPT-4o 上线之前,使用语音模式与 ChatGPT 对话,平均延迟为 2.8 秒(GPT-3.5)和 5.4 秒(GPT-4)。为实现这一点,ChatGPT 语音模式是由三个独立的模型组成的流水线:一个简单的模型将音频转录为文本,GPT-3.5 或 GPT-4 接收文本并输出文本,第三个简单的模型将该文本再转换回音频。
在这个过程中,GPT-4 会丢失很多信息,它不能直接观察语调、多个说话者或背景噪音,也不能输出笑声、歌唱或表达情感。
而 GPT-4o 之所以能表现出更自然、更贴近人类的情感,源于其是单独训练的新模型。因此,可以端到端地处理文本、视觉和音频,这意味着所有输入和输出都由同一个神经网络处理。
▲(图源 /OpenAI)
这款被 OpenAI 能力强大优化了的桌面 App 与手机端助手,其所打开的想象力,也威胁到了一众巨头的蛋糕。例如,许多人最直接的反应是:它已经达到了全面 " 吊打 "Siri 的水平。
有趣的是:据外媒报道,发布会前一天,苹果与 OpenAI 的合作已秘密达成。虽然合作方式尚不可知,但不少人猜测:OpenAI 的技术将会在苹果新品中集成亮相。
另外多模态人工智能助手的赛道里,最大的玩家本来还站着谷歌。
2023 年 12 月,谷歌发布了 Gemini 模型 1.0 版本,开始便定义其为 " 原生多模态大模型 ",希望打通语言、听力、视觉信息的输入输出能力。2024 年 2 月,Gemini 上新了 1.5 版本。
5 月 15 日,OpenAI 发布会一天后,谷歌 "I/O 大会 " 即将举办,Gemini 的更新发布本是关注重点。但 OpenAI 爆冷发布语音助手,无疑会将关注度从 Gemini 身上夺走不少。
不过这种在发布会前被抢风头的 " 糟心事 ",谷歌已经不是第一次经历。2023 年 12 月,谷歌原定上线 Gemini 时,OpenAI 便在 11 月抢先举办了首届开发者大会。为此,Gemini 的上线时间一度被传,要被延后到 2024 年初。
这一次,面对 OpenAI" 骑脸 " 开打,谷歌也不甘示弱地做出了反击,很快在官方账号里放出了语音助手的 demo 实时演示。
▲(谷歌 I/O 大会语音助手 Demo。图源 / 网络)
谷歌旗下人工智能研究机构 DeepMind 的 CEO 和联合创始人 Demis Hassabis、谷歌 AI 工作室产品负责人及 Gemini API 研究人员 Logan Kilpatrick 纷纷下场表示,自己将在本届 I/O 大会上 " 首秀 "。
两大巨头在实时语音助手战场正面交锋,让看客直呼精彩。但也有人给谷歌先泼了凉水,评价道:"Sorry Google but we got it one day earlier(对不起谷歌,但我们一天前已经得到这个了)。"
竞争对手们怎么办?
十年前," 科技春晚 " 还是苹果发布会的代名词。十年之后,主角已然轮换。
不得不承认," 百模大战 " 国内外已胶着对战了一年多,但每每在市场中扛起 " 议程设置 " 标杆角色的,仍非 OpenAI 莫属。接下来,围绕 GPT-4o 多模态功能更新的交互体验,也势必将掀起市场中的新一轮攻防大战。
此前,市场在曝光了 OpenAI 可能发布 AI 搜索产品、硬刚谷歌之时,已有各路大 V 下场,激辩 "AI 搜索 " 的未来。GPT-4o 的最新体验,也为还在苦苦追赶的国内 AI 创业市场,平添了许多紧张气氛。
不过,从业界的综合观察来看,国内创企亦不必觉得节奏被 OpenAI 追逐得难以喘息。比如,OpenAI 没有选择上线 GPT-5,本身亦是大模型训练 " 卷 " 至高阶,也逐渐进入到瓶颈期的反映。
作为目前在研的 OpenAI 最新一代大模型,GPT-5 被视为有望对现有模型形成碾压级超越的产品。其性能、售价等因素,也将直接影响市场的发力方向。
而从 2022 年 11 月到 2023 年 3 月,OpenAI 很快完成了从 ChatGPT(基于 GPT-3.5)到 GPT-4 的跨越,但 GPT-5 的发布目前还没有具体时间表。
有关 GPT-5 的亮相时间,市场已经存在多个版本。此前,OpenAI 官网曾预计 GPT-5 将在 2023 年第四季度推出,随后发布时间推迟。如今市场传闻称,GPT-5 有望于年中、今夏发布;亦有媒体援引内部人士消息称,GPT-5 或将于 2024 年 11 月份亮相。
而就在刚刚过去的 4 月,还有许多人在网上晒出了 OpenAI 发出的 " 红队测试邀请 " 邮件截图。在 AI 行业," 红蓝对抗测试 " 是保证大模型安全性的重要方式,测试人员通过不断地挑战模型,以便提前对漏洞 " 查漏补缺 "。因此,市场猜测虽然 OpenAI 未标明模型版本,但 GPT-5 或许已经接近发布。
也有业内人士猜测,GPT-5 的 " 姗姗来迟 ",或因 OpenAI 研发遇到某种天花板。与此同时,OpenAI 在今年 2 月 16 日发布的重磅文生视频模型 Sora,虽然看起来技惊四座,但 OpenAI 至今仍未开放使用 Sora,更遑论商业落地。
▲(Sora 生成的 MV 画面。图源 / 网络)
在专业人士看来,Sora 越快开放使用,就能提早完善问题、重塑商业流程。
音视频协作软件 " 分秒帧 " 创始人程刚对「市界」讲道:" 我们目前看到 Sora 存在幻觉问题、精准度问题、对物理世界的理解,以及模拟不准确所带来的逻辑问题、版权溯源和版权保护问题,以及有人滥用工具去生成虚假内容的问题等等。这些问题当然会影响 Sora 在商业场景中的使用。"
但他判断:"Sora 迭代的速度,基本可以参照 ChatGPT 的迭代速度。Sora 对现实模拟不准确的问题,比如手有六指,(如果放开使用)应该半年左右就能得到比较大的优化。"
© 市界原创出品,未经授权,请勿转载
沟通建议邮箱:gaojian@boyamedia.com
商务需求请联系:13811292543
如无特殊说明,图片均来自视觉中国
- 上一篇: 我是怎么干了微商的
- 下一篇: 上手了刷屏一天的GPT-4o,我感觉目前也就那样。。。