中原標準時間5月14日淩晨，全球知名人工智能研究機構OpenAI在其春季釋出會上宣布，正式推出全新多模态大模型GPT-4o。這一革命性的産品标志着生成式AI領域的新突破，為使用者帶來了前所未有的互動體驗。GPT-4o以其強大的文本、音頻、圖像處理能力，以及快速響應和免費開放的特點，迅速引發了業界的廣泛關注。
響應速度僅232毫秒，聊天堪比真人
GPT-4o作為OpenAI的最新旗艦産品，其名稱中的“o”代表“omni”，意為“全能的”。這款模型不僅支援文本輸入，還能接受音頻和圖像的任意組合作為輸入，并生成相應的文本、音頻和圖像輸出。這一特性使得GPT-4o在人機互動方面展現出了極高的靈活性和适應性。
在釋出會上，OpenAI展示了GPT-4o的實時互動能力。無論是語音輸入還是圖像識别，GPT-4o都能在短時間内給出準确的回應。使用者能夠像與助手互動一樣自然地使用ChatGPT，也可以在ChatGPT回答問題時中斷它。而且，新模型能夠捕捉到使用者聲音中的情感，并以不同的情感風格生成語音，如同真人一般。
特别是音頻輸入方面，GPT-4o的響應速度僅為232毫秒至320毫秒，與人類對話反應速度相當。這種近乎實時的互動體驗，使得GPT-4o在語音助手、智能客服等領域具有巨大的應用潛力。
舉個例子，在OpenAI釋出的示範視訊中，當使用者将鏡頭對準了生日蛋糕和蠟燭，GPT-4o能快速反應出他們在過生日。而當使用者提出希望聽到生日祝福歌時，GPT-4o能夠像真人一樣唱歌，且語氣俏皮不生硬。
值得一提的是，GPT-4o将對所有使用者免費開放。這一舉措無疑将大大降低AI技術的使用門檻，使得更多的人能夠體驗到AI技術帶來的便利。同時，OpenAI還為Plus使用者提供了額外的福利，包括5倍的調用額度等。
GPT-4o的強大功能得益于其跨文本、視覺和音頻的端到端訓練方式。這意味着所有輸入和輸出都由同一個神經網絡處理，進而實作了高效的資訊整合和生成。這種訓練方式不僅提高了模型的性能，還使得GPT-4o在圖像和音頻了解方面表現尤為出色。
CEO山姆·奧特曼表示，最初的 ChatGPT展示了語言界面的雛形，而新的ChatGPT則給人截然不同的感覺。“它快速、智能、有趣、自然，且有用。”
“對我來說，與電腦交談從來沒有真的自然過，而現在卻很自然。我真的看到了一個令人興奮的未來，在這個未來，我們可以使用計算機做比以往更多的事情。”奧特曼說。
GPT-4o或引發AI應用新風口
這款多模态大模型在文字、語音和視訊方面取得了顯著突破，極大地提升了AI的應用潛力。GPT-4o的推出或将加速AI應用的落地程序，推動AI技術向更廣泛的領域滲透。同時，GPT-4o的多模态互動能力也将為AI技術帶來全新的發展機遇和挑戰。
矽谷連續創業者、Traini創始人及CEO孫鄰家在接受第一财經記者采訪時表示，OpenAI的最新釋出将互動方式進行了更新、變革。“語音正在成為一個較穩定的接口，擴寬人類與産品互動的實體邊界。而且與GPT實時對話時，GPT能富有情感地回應，這個很酷，之前AGI是缺乏情感的。”他還表示，人工智能（AI）領域正在往AI應用方向發展，将給生活創造真實價值。
然而，也有人對GPT-4o的未來發展持謹慎态度。他們認為，雖然GPT-4o在技術上取得了重大突破，但在實際應用中仍需要解決一些問題和挑戰。例如，如何確定GPT-4o在處理使用者資料時的隐私安全、如何避免GPT-4o的誤判和誤導等。
對此，OpenAI表示，為GPT-4o“建立了新的安全系統，為語音輸出提供保護”。GPT-4o還與社會心理學、偏見和公平性以及錯誤資訊等領域的70多名專家進行了廣泛的外部評估，以确定新增加的模型會帶來或放大哪些風險。
針對可汗學院的可汗使用GPT-4o輔導他兒子做數學題的示例，人工智能軟體開發人員麥凱·瑞格利（Mckay Wrigley）在社交平台X上寫道：“這個示範太瘋狂了。學生與GPT-4o共享iPad螢幕，人工智能與他們對話，實時幫助他們學習。想象一下，如果世界上每個學生都能這樣學習，未來是如此的光明。”
有網友覺得OpenAI進一步拉開了和蘋果的差距，認為GPT-4o“功能秒殺Siri”。
不過，據外媒報道，蘋果公司已接近與OpenAI達成協定，今年将後者的部分技術引入iPhone，提供由ChatGPT支援的“聊天機器人”作為iOS 18中人工智能功能的一部分。
不過，蘋果同時還與谷歌就授權Gemini聊天機器人進行了談判。而谷歌将在OpenAI此次春季更新釋出會之後一天舉行I/O開發者大會，谷歌在大會的官方博文中曾提到“Gemini 時代”，預計将會釋出Gemini大模型的最新動态。
現代快報/現代+記者 龍秋利 綜合