最近一周，科技行業(yè)熱鬧非凡，大型“臉對臉”開打的“科技春晚”，更將輪番上演。

5月14日凌晨，OpenAI 2024年春季發(fā)布會上線。如今這家巨頭的每次動向，都存在再度“顛覆”一個行業(yè)的可能，既讓AI創(chuàng)業(yè)者們翹首以盼，更讓大家緊張萬分。

雖然這場OpenAI的發(fā)布會僅持續(xù)了28分鐘，業(yè)內(nèi)也早有劇透——不會有傳說中的ChatGPT 5，也不會直接對標(biāo)谷歌做AI搜索；但發(fā)布會的效果，仍然震驚四座。

此次OpenAI推出的是一款桌面版ChatGPT，該模型被稱為GPT-4o。其中“o”代表著“omni”（全能）。在演示中，這一“全模態(tài)”模型不僅能接受文本、音頻、圖像的任意組合輸出，并可跨領(lǐng)域進(jìn)行推理與展示——最重要的是，其反應(yīng)速度最短達(dá)到了232毫秒，完全可做到與人類在正常對話中同頻。

演示中，GPT-4o像個真實的人類一樣，可以被打斷，也可做到語態(tài)聯(lián)想。當(dāng)它被裝入手機(jī)時，能通過喘氣聽懂用戶的嘆息、疲憊，使用體驗易用自然、功能強大。

OpenAI同步宣布了“獲客”大殺器：GPT-4o可以被安裝至桌面和手機(jī)端，并向所有人免費開放，API定價只有GPT-4 Turbo的一半，速度達(dá)到GPT-4 Turbo的2倍，付費的ChatGPT Plus用戶將獲得5倍調(diào)用額度。

壓力被急劇轉(zhuǎn)移到谷歌、蘋果等巨頭身上。北京時間5月15日凌晨，谷歌也將上線“I/O大會”，據(jù)傳谷歌將在會上公布大模型最新進(jìn)展，并將發(fā)布類似GPT-4o，在Gemini加持下的、名為“Pixie”的個人數(shù)字助理。

本月21日，微軟也將召開“Build開發(fā)者大會”，市場猜測其大概率會將OpenAI最新能力集成到自家產(chǎn)品線中。

另據(jù)外媒報道，蘋果在此次發(fā)布會前，已與OpenAI達(dá)成合作。在6月的蘋果“WWDC大會”上，ChatGPT會不會被塞入iPhone之中，以取代“招人恨”的Siri，也非常值得期待。

01、28分鐘，干翻所有語音助手

一場大范圍預(yù)熱，將OpenAI發(fā)布會的懸念提前拉滿。

發(fā)布會前，OpenAI創(chuàng)始人、CEO山姆·奧特曼先早早否定了對標(biāo)谷歌，上線AI搜索的傳聞。他稱，“（新功能）對我來說就像魔法一樣”。OpenAI語音AGI研究領(lǐng)導(dǎo)Alexis Conneau更直接將自己的社交媒體主頁背景，改成了一張電影《Her》中的劇照——這是一部講述人與AI助手“薩曼莎”相戀的科幻電影。

外界甚至為奧特曼編排出了一個與AI助手相愛的浪漫故事。發(fā)布會結(jié)束后，山姆也順?biāo)浦鄣兀谧约旱腦賬號上，只發(fā)表了一個單詞——“Her”。

▲（圖源/網(wǎng)絡(luò)）

不過當(dāng)看過OpenAI的最新產(chǎn)品后，觀眾們驚呼，《Her》中的劇情真的進(jìn)入了現(xiàn)實。

發(fā)布會上展示的GPT-4o，仿佛是一個真實的“朋友”坐在身邊。它反應(yīng)迅速，語調(diào)流暢自然，情緒飽滿，會跟隨著你的情緒興奮起來，也能根據(jù)上下文給出豐富的對話細(xì)節(jié)，揣摩對話者的情緒。

例如，當(dāng)OpenAI的研發(fā)負(fù)責(zé)人Mark Chen上臺時，他對著GPT-4o說：“我站在臺上有點緊張，該怎么辦？”GPT-4o回答：“你太棒了，深呼吸一下吧，記得你可是個專家?！盡ark Chen隨之大聲喘氣，問GPT-4o接下來還能給些什么建議，對方回答：“放松點Mark，呼吸得慢一點，你又不是吸塵器?！?/span>

▲（圖源/OpenAI）

接下來，GPT-4o被要求給大家講個睡前故事。沒講幾秒，它就被Chen打斷，要求能不能多點情緒和戲劇性。隨即，GPT-4o語調(diào)更加起伏和夸張。Chen又對其要求：能不能再來點情感，最戲劇化的表達(dá)可以嗎？GPT-4o顯然讀懂了“戲劇化”的含義，隨即拿出了戲劇演員一樣夸張的語調(diào)——有趣的是，當(dāng)GPT-4o又被要求唱歌時，它甚至自己先嘆了口氣。

在此過程中，GPT-4o的反應(yīng)速度也令人深刻。據(jù)計算，它對音頻輸入的響應(yīng)時間最短為232毫秒，平均為320毫秒，這與人類在對話中的響應(yīng)時間相似。

語音聊天外，GPT-4o還表現(xiàn)出了多模態(tài)理解和輸出能力。它能夠跨聲音、文本和視覺進(jìn)行智能推理，可以就用戶給出的截圖、照片，或含有文本和圖像的文件展開對話。

此外，GPT-4o也能生成任何文本、音頻和圖像的組合。并能在輸出中，識別人類的感情，根據(jù)感情做出“有情緒的反應(yīng)”。

為了快速“獲客”，這樣強大的助手，OpenAI準(zhǔn)備交給用戶免費使用，并可在電腦桌面運行。據(jù)官方介紹，OpenAI優(yōu)化了用戶界面，用戶只需要關(guān)注如何與ChatGPT協(xié)作?？上攵@樣一位免費的AI助手，可以隨時陪你聊天、看圖表、寫日程，它將爆發(fā)怎樣的巨量使用場景。

02、打到谷歌、蘋果家門口

盡管OpenAI此次沒有亮出GPT-5這樣的大招，從業(yè)界反饋看，其展現(xiàn)出的技術(shù)能力升級足以令人再度感到震驚。

據(jù)騰訊科技報道，根據(jù)OpenAI官網(wǎng)最新博客文章顯示，在GPT-4o上線之前，使用語音模式與ChatGPT對話，平均延遲為2.8秒（GPT-3.5）和5.4秒（GPT-4）。為實現(xiàn)這一點，ChatGPT語音模式是由三個獨立的模型組成的流水線：一個簡單的模型將音頻轉(zhuǎn)錄為文本，GPT-3.5或GPT-4接收文本并輸出文本，第三個簡單的模型將該文本再轉(zhuǎn)換回音頻。

在這個過程中，GPT-4會丟失很多信息，它不能直接觀察語調(diào)、多個說話者或背景噪音，也不能輸出笑聲、歌唱或表達(dá)情感。

而GPT-4o之所以能表現(xiàn)出更自然、更貼近人類的情感，源于其是單獨訓(xùn)練的新模型。因此，可以端到端地處理文本、視覺和音頻，這意味著所有輸入和輸出都由同一個神經(jīng)網(wǎng)絡(luò)處理。

▲（圖源/OpenAI）

這款被OpenAI能力強大優(yōu)化了的桌面App與手機(jī)端助手，其所打開的想象力，也威脅到了一眾巨頭的蛋糕。例如，許多人最直接的反應(yīng)是：它已經(jīng)達(dá)到了全面“吊打”Siri的水平。

有趣的是：據(jù)外媒報道，發(fā)布會前一天，蘋果與OpenAI的合作已秘密達(dá)成。雖然合作方式尚不可知，但不少人猜測：OpenAI的技術(shù)將會在蘋果新品中集成亮相。

另外多模態(tài)人工智能助手的賽道里，最大的玩家本來還站著谷歌。

2023年12月，谷歌發(fā)布了Gemini模型1.0版本，開始便定義其為“原生多模態(tài)大模型”，希望打通語言、聽力、視覺信息的輸入輸出能力。2024年2月，Gemini上新了1.5版本。

5月15日，OpenAI發(fā)布會一天后，谷歌“I/O大會”即將舉辦，Gemini的更新發(fā)布本是關(guān)注重點。但OpenAI爆冷發(fā)布語音助手，無疑會將關(guān)注度從Gemini身上奪走不少。

不過這種在發(fā)布會前被搶風(fēng)頭的“糟心事”，谷歌已經(jīng)不是第一次經(jīng)歷。2023年12月，谷歌原定上線Gemini時，OpenAI便在11月?lián)屜扰e辦了首屆開發(fā)者大會。為此，Gemini的上線時間一度被傳，要被延后到2024年初。

這一次，面對OpenAI“騎臉”開打，谷歌也不甘示弱地做出了反擊，很快在官方賬號里放出了語音助手的demo實時演示。

▲（谷歌I/O大會語音助手Demo。圖源/網(wǎng)絡(luò)）

谷歌旗下人工智能研究機(jī)構(gòu)DeepMind的CEO和聯(lián)合創(chuàng)始人Demis Hassabis、谷歌AI工作室產(chǎn)品負(fù)責(zé)人及Gemini API研究人員Logan Kilpatrick紛紛下場表示，自己將在本屆I/O大會上“首秀”。

兩大巨頭在實時語音助手戰(zhàn)場正面交鋒，讓看客直呼精彩。但也有人給谷歌先潑了涼水，評價道：“Sorry Google but we got it one day earlier（對不起谷歌，但我們一天前已經(jīng)得到這個了）?！?/span>

03、競爭對手們怎么辦？

十年前，“科技春晚”還是蘋果發(fā)布會的代名詞。十年之后，主角已然輪換。

不得不承認(rèn)，“百模大戰(zhàn)”國內(nèi)外已膠著對戰(zhàn)了一年多，但每每在市場中扛起“議程設(shè)置”標(biāo)桿角色的，仍非OpenAI莫屬。接下來，圍繞GPT-4o多模態(tài)功能更新的交互體驗，也勢必將掀起市場中的新一輪攻防大戰(zhàn)。

此前，市場在曝光了OpenAI可能發(fā)布AI搜索產(chǎn)品、硬剛谷歌之時，已有各路大V下場，激辯“AI搜索”的未來。GPT-4o的最新體驗，也為還在苦苦追趕的國內(nèi)AI創(chuàng)業(yè)市場，平添了許多緊張氣氛。

不過，從業(yè)界的綜合觀察來看，國內(nèi)創(chuàng)企亦不必覺得節(jié)奏被OpenAI追逐得難以喘息。比如，OpenAI沒有選擇上線GPT-5，本身亦是大模型訓(xùn)練“卷”至高階，也逐漸進(jìn)入到瓶頸期的反映。

作為目前在研的OpenAI最新一代大模型，GPT-5被視為有望對現(xiàn)有模型形成碾壓級超越的產(chǎn)品。其性能、售價等因素，也將直接影響市場的發(fā)力方向。

而從2022年11月到2023年3月，OpenAI很快完成了從ChatGPT（基于GPT-3.5）到GPT-4的跨越，但GPT-5的發(fā)布目前還沒有具體時間表。

有關(guān)GPT-5的亮相時間，市場已經(jīng)存在多個版本。此前，OpenAI官網(wǎng)曾預(yù)計GPT-5將在2023年第四季度推出，隨后發(fā)布時間推遲。如今市場傳聞稱，GPT-5有望于年中、今夏發(fā)布；亦有媒體援引內(nèi)部人士消息稱，GPT-5或?qū)⒂?024年11月份亮相。

而就在剛剛過去的4月，還有許多人在網(wǎng)上曬出了OpenAI發(fā)出的“紅隊測試邀請”郵件截圖。在AI行業(yè)，“紅藍(lán)對抗測試”是保證大模型安全性的重要方式，測試人員通過不斷地挑戰(zhàn)模型，以便提前對漏洞“查漏補缺”。因此，市場猜測雖然OpenAI未標(biāo)明模型版本，但GPT-5或許已經(jīng)接近發(fā)布。

也有業(yè)內(nèi)人士猜測，GPT-5的“姍姍來遲”，或因OpenAI研發(fā)遇到某種天花板。與此同時，OpenAI在今年2月16日發(fā)布的重磅文生視頻模型Sora，雖然看起來技驚四座，但OpenAI至今仍未開放使用Sora，更遑論商業(yè)落地。

▲（Sora生成的MV畫面。圖源/網(wǎng)絡(luò)）

在專業(yè)人士看來，Sora越快開放使用，就能提早完善問題、重塑商業(yè)流程。

音視頻協(xié)作軟件“分秒幀”創(chuàng)始人程剛對「市界」講道：“我們目前看到Sora存在幻覺問題、精準(zhǔn)度問題、對物理世界的理解，以及模擬不準(zhǔn)確所帶來的邏輯問題、版權(quán)溯源和版權(quán)保護(hù)問題，以及有人濫用工具去生成虛假內(nèi)容的問題等等。這些問題當(dāng)然會影響Sora在商業(yè)場景中的使用。”

但他判斷：“Sora迭代的速度，基本可以參照ChatGPT的迭代速度。Sora對現(xiàn)實模擬不準(zhǔn)確的問題，比如手有六指，（如果放開使用）應(yīng)該半年左右就能得到比較大的優(yōu)化?！?/span>

作者 |董溫淑

編輯 | 李 原

運營 | 劉 珊