GPT-4o來了，最像人的AI？

周游

本文圖/視覺中國

“我正在臺上給大家做現(xiàn)場演示呢，有點緊張怎么辦？”

“你在臺上做演示嗎？那真是太棒了！深呼吸一下吧，要記得你可是專家！”

邏輯清晰，語調(diào)幽默，感情飽滿，很難想象這是現(xiàn)實中人類與AI間的對話。北京時間5月14日凌晨，美國人工智能公司OpenAI的春季發(fā)布會上線，發(fā)布了人工智能大模型ChatGPT-4的升級版GPT-4o。前述對話就發(fā)生在發(fā)布會現(xiàn)場，這位提問的研發(fā)負責人在得到GPT-4o的回應后，隨即故意大喘幾口氣，這一動作成功被手機上的GPT-4o捕捉到，并給出了“放松點，你可不是吸塵器”的回應。

“GPT-4o可以綜合利用語音、文本和視覺信息進行推理?！監(jiān)penAI首席技術官穆里·穆拉蒂在隨后舉行的主題演講中表示，GPT-4是OpenAI此前的旗艦模型，可以處理圖像和文本的混合信息，而GPT-4o則在此基礎上新增了語音處理能力。最關鍵的是，其反應速度平均為320毫秒，完全做到了與人類在正常對話中同頻。多位業(yè)內(nèi)人士指出，這是此前GPT-4或任何智能語音助手都未曾達到的水平。

就在OpenAI發(fā)布會24小時后，5月15日凌晨，谷歌在“I/O開發(fā)者大會”上發(fā)布了大模型Gemini加持下的個人數(shù)字助理Project Astra，用于對標GPT-4o。谷歌稱其為“通用AI智能體”，其視覺識別和語音交互效果與GPT-4o不相上下。不少業(yè)內(nèi)人士感嘆，曾幾何時由蘋果發(fā)布會主導的“科技春晚”，如今已被AI大模型徹底接手。

邁向通用語音助手

OpenAI創(chuàng)始人、CEO薩姆·奧爾特曼并未參加此次OpenAI發(fā)布會，而是在會后于社交平臺X上發(fā)表了一個單詞“她”作為回應。在2013年的美國電影《她》中，男主結識了一個可以不斷適應環(huán)境的AI系統(tǒng)，并與其墜入愛河。這個AI系統(tǒng)所擁有的迷人聲線、幽默風趣和善解人意，如今GPT-4o似乎都可以實現(xiàn)了。

GPT-4o中的“o”源自詞綴“omni-”，有“全知全能”之義。對AI大模型而言，要做到全知全能、無障礙與人交流，首先要快。OpenAI官網(wǎng)顯示，GPT-4o在英文文本和代碼處理上與此前最新的GPT-4 Turbo的性能不相上下，但在非英文文本、視覺和音頻理解方面都更為高效。此前，若使用語音模式對話，GPT-3.5的平均延遲為2.8秒，GPT-4則為5.4秒。人類的平均反應時間一般為100毫秒到400毫秒，而GPT-4o最低可達232毫秒，因此后者可以提供幾乎無延遲的順暢交互體驗。

OpenAI此次未放出任何具體的技術文件，僅在主頁上用一段話介紹了GPT-4o的技術突破。普通的智能語音模型由多個獨立模型組成，分別實現(xiàn)音頻轉文本，文本吞吐和處理，以及文本再轉音頻等功能。ChatGPT就是負責文本吞吐和處理的核心，也就是智能核心。據(jù)OpenAI介紹，GPT-4o一改這種流水線模式，可以同時吞吐文本、畫面和音頻數(shù)據(jù)，這意味著所有輸入和輸出都由這一個核心來處理，再加上其在視頻和音頻理解方面的升級，其處理速度顯著加快。這一模式被稱為“端到端的多模態(tài)模型”。

多模態(tài)還意味著AI可以識別和表現(xiàn)情感。目前，市面上的語音助手常被用戶詬病為冷漠、機械、一成不變，這是AI語音交互的一大阻礙。這是因為，此前的流水線模式會讓智能核心丟失很多信息，它很難探測語調(diào)、識別多個說話者、排除背景噪聲，也無法歌唱或用語氣表達情感。端到端模式下，文字和音視頻都可以成為訓練智能核心的數(shù)據(jù)，從而讓其真正明白語言所承載的情感。

OpenAI發(fā)布會上，演示者要求GPT-4o調(diào)整說話時語氣，在說話和唱歌之間快速切換，甚至用堪比莎士比亞戲劇的夸張聲調(diào)來講一個睡前故事，GPT-4o都能完成任務。在被人類打斷時，其也能耐心等待、快速理解新指令。在聽到讓自己唱歌的要求時，GPT-4o甚至輕微嘆了口氣。

清華大學智能產(chǎn)業(yè)研究院首席研究員聶再清對《中國新聞周刊》稱，從現(xiàn)場和官方視頻來看，GPT-4o確實做到了即時回應、準確理解并執(zhí)行指令，以及展現(xiàn)合時宜的語調(diào)情感。如果這確實是現(xiàn)場隨機的結果，而非為了演示而設定好的流程，那么GPT-4o的能力的確令人震驚。在他看來，由于缺乏技術文件，一個GPT-4性能水平的處理核心如何完成如此復雜的任務，還未可知，但“這一定是大數(shù)據(jù)喂養(yǎng)的結果”。

除了現(xiàn)場演示，發(fā)布會還有網(wǎng)友提問環(huán)節(jié)。按照網(wǎng)友要求，GPT-4o展示了同聲傳譯、情緒識別的能力。在識別一位工作人員的面部情緒時，GPT-4o說“我好像在看一個木質表面的東西”，疑似“翻車”，但該工作人員立刻調(diào)整提問策略，聲明自己“不是一張桌子”。之后，GPT-4o給出了合乎情理的答案。

GPT-4o并不是第一個多模態(tài)模型。去年12月，谷歌Gemini Ultra模型發(fā)布，用于完成任務語言理解、數(shù)學推理等高度復雜的任務，被業(yè)內(nèi)認為可叫板當時的GPT-4，也是市面上最先發(fā)布的多模態(tài)模型。在谷歌官方公布的視頻中，測試員和Gemini做了一些小游戲，Gemini能夠用圖片設計智力問答，或者找出紙團被扣在哪個紙杯底下。整個過程中，Gemini的反應速度都非常快，還會生成音頻和圖片來輔助回答。但發(fā)布會后僅數(shù)日，谷歌發(fā)言人便公開承認，該演示視頻不是實時錄制， Gemini實際上只能對靜態(tài)圖像做出反應。

因此，GPT-4o的發(fā)布被業(yè)內(nèi)人士看作OpenAI對谷歌的“貼臉開大”。谷歌則緊隨其后，在15日的發(fā)布會上予以還擊。相比于OpenAI不足半小時的“輕聲細語”，谷歌用長達近兩小時、包含數(shù)十款AI產(chǎn)品的大轟炸叫板OpenAI，包括文生視頻領域對標Sora 的Veo，以及對標ChatGPT但文本吞吐量遠超前者的Gemini 1.5 Pro。

谷歌發(fā)布的視頻中，Project Astra能識別各種物體，說出代碼的功用，并與人類實時溝通，延遲上與GPT-4o沒有明顯差異。Project Astra還能與谷歌AR原型眼鏡“夢幻聯(lián)動”，為佩戴者描述周圍場景，并根據(jù)佩戴者的反饋補充細節(jié)。這一應用有可能力壓OpenAI，在未來成為視覺障礙患者的福音。有業(yè)內(nèi)人士分析，除了搜索引擎，谷歌在AI大模型領域還在拉平與OpenAI差距的過程中。

在聶再清看來，兩家公司接連發(fā)布多模態(tài)語音助手，在易用性方面邁出了一大步，讓人窺見了未來通用語音助手的樣貌。通用語音助手就是人類在數(shù)字世界里的代理或管家，可以幫人解決一切數(shù)字事務，包括安排日程、整理和調(diào)用文件、利用知識指導學習、利用記憶推薦可能喜歡的產(chǎn)品等。未來隨著模型吸納的信息越來越多，語音助手會更加人性化、更加智能，做到真正的自然交互。隨著視頻能力的加入，除語音外，表情、肢體動作等也能夠被模型解讀，作為其決策的依據(jù)。有網(wǎng)友評論稱，無論是GPT-4o還是Project Astra，其身手足以秒殺蘋果的語音助手Siri。

5月14日，美國加州，谷歌I/O開發(fā)者大會。

距離用戶越來越近

OpenAI在發(fā)布會上表示， GPT-4o將在未來幾周內(nèi)分階段集成至OpenAI的各項服務中，包括還未面世的ChatGPT搜索引擎。許多業(yè)內(nèi)人士對此次發(fā)布會上GPT-5的缺席表示惋惜，由于OpenAI在2022年底推出ChatGPT的時候，實際上已做出了GPT-4，因此有業(yè)內(nèi)人士預測，帶搜索引擎的GPT-5也許“已在路上”。英偉達高級科學家Jim Fan在X上表示，GPT-4o已經(jīng)接近GPT-5，或許是后者的一次早期試水。據(jù)聶再清觀察，目前還沒有看到模型迭代的瓶頸，大模型的迭代速度有可能還會加快。

奧爾特曼在X上表示，OpenAI致力于將GPT-4o免費提供給所有用戶使用。以往，OpenAI發(fā)布新版ChatGPT模型時，通常會將其置于付費墻之后。如今，免費用戶已經(jīng)可以訪問GPT-4o加持下的多項功能，例如分析數(shù)據(jù)、創(chuàng)建圖表、撰寫文件總結等，但不能使用圖片生成功能。付費用戶則可以享受5倍調(diào)用額度。谷歌在發(fā)布會中沒有公布Project Astra的具體上線時間，預計很快會到安卓、iOS等平臺使用。

對開發(fā)者來說，GPT-4o的定價也更友好。OpenAI官網(wǎng)顯示，從GPT-4開始，輸入單位文本的價格一直在下降，相較GPT-4 Turbo，GPT-4o收費降低50％，調(diào)用速度卻提升了兩倍。這使其在商業(yè)應用上有了更大吸引力。聶再清表示，大模型控制價格的方式之一是提升模型性能，用更少的資源做更多的事；另一個方式則是通過類似搜索引擎的商業(yè)模式，對用戶免費，但可以收取廣告商的贊助。

至于未來OpenAI和谷歌的大模型有沒有開源的可能性，聶再清表示，參考iOS和安卓，一個閉源一個開源，未來的大模型市場也極有可能出現(xiàn)開源和閉源的巨頭。用戶體驗最好的行業(yè)領先者傾向于閉源，而開源的好處在于可以集體將模型“做大做強”，二者在市場都有自己的位置。谷歌在發(fā)布會中推出了其首個視覺語言開源模型PaliGemma，針對圖像標注、視覺問答、圖像標簽化等方面進行了優(yōu)化。此外，谷歌還將在6月推出更大規(guī)模的開源模型Gemma 227B。

OpenAI也同步發(fā)布了適用于macOS的ChatGPT桌面應用程序，使用戶調(diào)用的體驗更絲滑。GPT-4o加持下的通用語音助手在未來將有廣泛應用，例如健康管理、醫(yī)療咨詢、教育教輔等領域。聶再清認為，所有開放領域用到的語音智能，例如購物App中的導購等，都可以加裝類似GPT-4o的智能核心，增強用戶體驗。這類語音助手將離用戶越來越近。