作者 | 董温淑 编辑 | 李 原 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。 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。”