浙江
出品｜网易科技《态度》栏目
作者｜普子胥
编辑｜丁广胜
5月14日，OpenAI春季发布会，依旧是奥特曼熟悉的味道：
不仅抢在自己最大竞争对手“Google I/O”大会前发布，并在会前数次吹风：“将会带来很有意思的东西。”
现场，OpenAI首席技术官MiraMurati，在轻松的氛围中宣布：Open AI推出桌面版ChatGPT，并推出名为GPT-4o的全新旗舰人工智能模型。
那么，GPT-4o有何特别之处？
而堪称AI圈里最懂PR的奥特曼，这一次，有没有继续吹牛？
一、电影《Her》，从科幻走进现实
“GPT-4o 可以综合利用语音、文本和视觉信息进行推理。”
现场，OpenAI首席技术官MiraMurati指出，过去的GPT-4可以处理由图像和文本混合而成的信息，并能完成诸如从图像中提取文字或描述图像内容等任务。
不过，GPT-4o的强大之处，就是可以在GPT-4的基础上，新增语音处理能力。
并且，GPT-4o还可接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出。
这也意味着，GPT-4o相比GPT-4，不仅能看文本，还能看图像，能言善道，反应迅速。
并且更加像人。
而这，是这次GPT-4o的核心变化。大家纷纷惊呼，OpenAI再次改变世界！
1、实时回应，反应迅速
现场，演示者提问结束后，GPT-4o 几乎可以做到即时回应，没有停顿。
答案生成后，GPT-4o 能够立马将文本转语音，进行朗读。
准确来说，这不像是和一个AI进行模块式问答，而更像是和一个“真人”对话。
事实上，GPT-4o有着更快的反应速度：它可以在232毫秒的时间内响应音频输入，平均为320毫秒，这与人类在谈话中的反应时间，基本一致。
此外，GPT-4o在英语文本和代码上的性能与 GPT-4 Turbo 的性能相匹配，在非英语文本上的性能显着提高，同时 API 的速度也更快，成本降低了50%，速度是GPT-4-turbo的两倍。
与现有模型相比，GPT-4o 在视觉和音频理解方面尤其出色。
2、全能立体，沟通无障碍
相比前辈们，GPT-4o变得更加强大了
现场，它不仅可以通过画面实时解答数学方程，并能根据统计画图，进行现场指导。
并且，GPT-4o还能跨越国界，掌握多国语言。
现场，GPT-4o就根据实时提问，来了一段意大利语。
事实上，根据传统基准测试，GPT-4o 在文本、推理和编码智能方面实现了 GPT-4 Turbo 级别的性能。
此外，GPT-4o同时在多语言、音频和视觉功能上设置了新的高水位线。
3、更加自然，更加真实，也更加“像人”
GPT-4o 还有着更加拟人的功能。
现场，GPT-4o还能调整说话时的语气，根据指令改变声音。
能够以自然的、听起来像人类的声音说话，甚至还可以唱出部分回应。
不管是夸张、戏剧，乃至低沉阴冷，甚至机械嗓音。
GPT-4o都展现出了其声音极强的张力和可塑性。
不仅如此，在与人对话中，它还能发出不止一种语气词。
以及最重要的，对话中，GPT-4o体现了很多“情绪化”的表达。能够查看图表图像并进行讨论，检测用户情绪。
现场，它能通过音频感知，去试着对观看提问者的面部表情，做出情绪分析。
这不由得令人联想道电影《Her》中，那位具有磁性嗓音、复杂多变的AI，正从科幻走向现实。
二、更加简单、直观的GPT-4o ，要不要钱？
那么，强大的GPT-4o是如何感知情绪的？它是否会收费呢？
GPT-4o 之前，人们虽然可以使用语音模式与 ChatGPT 对话。然而，其平均延迟为2.8秒 (GPT-3.5) 和5.4秒 (GPT-4)。
一般而言，ChatGPT 采用的语音模式，是由三个独立模型组成：例如，其中一个简单的模型，是将音频转录为文本，GPT-3.5或 GPT-4接收文本并输出文本，再由型将该文本转换回音频。
然而，这也意味着GPT-4丢失了大量信息：它无法直接观察音调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感。
因此，此次的 GPT-4o，则达成了跨文本、视觉和音频端到端地训练了一个新模型，这意味着所有输入和输出都由同一神经网络处理。
这也使得，该模型使用起来将更加简单、直观。
GPT-4o 的出现，则标志着一个够使用文本、语音和视觉交互的数字助手，一个能够查看用户上传的屏幕截图、照片、文档或图表，并进行对话的贴心管家，正在加速而来。
此外，OpenAI 首席技术官 Mira Murati 表示，ChatGPT 现在还将具有记忆功能，这意味着它可以从之前与用户的对话中学习。
“这是我们第一次在易用性方面真正迈出一大步，”穆拉蒂在公司旧金山总部的现场演示中说道。 “这种互动变得更加自然，也更加容易。”
值得注意的是，此前OpenAI 发布新版 ChatGPT 模型时，通常会将其置于付费墙之后。不过，这次 GPT-4o 将免费提供给所有用户，付费用户则可以享受五倍的调用额度。
Mira Murati表示，该模型将在未来几周内分阶段集成至 OpenAI 的各个产品之中GPT-4O将免费提供。
此外，OpenAI还将推出桌面版ChatGPT，并推出名为GPT-4o的全新旗舰人工智能模型。
三、GPT-4o只是开胃小菜
尽管此次GPT-4O亮点不少，然而，不管是展示时间置于谷歌大会前一天的微妙，还是推出桌面版ChatGPT免费使用，无一例外都凸显了OpenAI 隐隐的竞争压力和增长焦虑。
事实上，本次OpenAI 春季发布会之前的数天，OpenAI创始人萨姆奥特曼就多次发声，提前预热，给观众留足了悬念：“我们一直在努力开发一些我们认为人们会喜欢的新东西，对我来说感觉就像魔法一样。”
不过，最终呈现的产品，既不是GPT5、也不是搜索引擎，似乎摆了大众一道。
从这点伤说，奥特曼堪称AI圈最懂PR的人。
此前，Sora发布的时间点，恰好赶在 Anthropic 的 Claude3以及其他大模型上线时间段。
彼时Sora登场“抢戏”，就用生成式视频的形式，对其他文本大模型进行降维打击。
于是立即舆论调转，全世界都将聚光灯对准Sora，OpenAI 又成了业界唯一的明星。可值得玩味的是，Sora直至现在，也没有开放给公众使用。
而屡屡“抢戏”的奥特曼，实则有着肉眼可见的急迫与压力。
一方面，OpenAI本次春季开发大会，呼声最高的AI搜索产品，就被放了鸽子。
业内人士曾指出，OpenAI要想在AI聊天机器人领域保持领先，AI搜索是绕不过去的，现在包括谷歌及AI搜索初创公司Perplexity等对手正在发力。
此前，Perplexity已凭借AI搜索和引用功能获得了10亿美元的估值。此外，OpenAI强大的对手谷歌，也在全面AI化它的搜索引擎业务，并计划在下周的开发者大会上公布Gemini AI模型的最新计划。
然而，根据报道，先前ChatGPT搜索的内测资格，虽然总体评价不错，但仍有瑕疵：OpenAI的AI搜索评价是，对于它不知道的信息会去联网，但对于非常实时的信息，依然不能很好地处理。
不仅如此，此次GPT-4O的免费推出，则凸显出OpenAI在增长上的面临的焦虑。
此前，OpenAI的用户增长在短时间内经历了显著的波动。
例如，从2023年初到中期，OpenAI的月活跃用户数量迅速增长，从1亿增加到接近10亿。
然而，进入2024年后，OpenAI的GPT-4的性能下降和用户体验问题开始受到关注。一个直观的例子是，即用户在使用GPT-4时，发现其记忆能力和对指令的遵从性有所下降，这意味着GPT-4可能无法有效地记住之前的对话内容或正确执行复杂的指令。
此外，OpenAI与微软的合作关系紧张也影响了开发者社区，导致一些中小企业开发者选择离开OpenAI平台。
尽管，竞争与增长并非是OpenAI一家难念的经。不过，作为AI的领头羊，OpenAI这次的GPT-4O，或许只能是道开胃小菜。
