世界可能真的要大变样了！OpenAI周一推出了GPT-4o，可以理解摄像头看到的内容，你知道这意味着什么吗？这相当于AI从此就有眼睛了，可以和人类进行实时对话交流，而且没有任何延迟，并且语气和人类基本没有区别。
我亲测了一下，连人类边说话边思考，那种停顿和重复也照单全收，毫无违和感。这意味着未来真有一个机器人和你说话，你可能都未必知道它是机器人了，如果它再拥有人类的外形呢，是不是完全不敢想象了，科幻真的就要成真了。
OpenAI放出的这个直播视频，是由OpenAI首席技术官，Mira Murati主持，两位研发负责人Mark Chen和Barrett Zoph演示的。
当Mark用苹果手机上的APP唤起ChatGPT，说现在正在进行现场演示，自己有点紧张，你能不能帮帮我时，ChatGPT回答说，你只需要深吸一口气，记住你才是这里的专家。是不是有点小幽默？
Mark故意大口大口地呼吸，让ChatGPT给出反馈。
ChatGPT说，喔——慢一点，你又不是吸尘器。
(Wo! slow down. Mark, you are not a vacuum cleaner)
这说明ChatGPT从他的声音里，察觉了他的情绪，引来笑声一片。Mark说ChatGPT还能处理说话被打断的情形，可以改变语气，并且可以分析用户的面部表情等等。
在随后的演示中，可以看出ChatGPT确实做到了无缝连接，流畅对话，在讲故事的时候被不断打断，要求改变语气，也马上就做到了，并且按要求改成歌曲唱了出来。
然后巴雷特在纸上写下一个方程式，Chat GPT帮助他按照步骤顺利解了出来。这时候巴雷特在纸上写下“I♥Chat GPT”，展示给她看，结果Chat GPT感动得一塌糊涂，几乎笑出了猪叫声，说你太贴心了，接着就反夸巴雷特穿的衣服不错，看起来情商也是杠杠滴。
然后巴雷特通过一段代码及一张天气曲线图和ChatGPT进行了视频互动，ChatGPT流畅地解读了代码和图像。穆拉蒂又应观众要求，演示了利用ChatGPT进行实时翻译，巴雷特让ChatGPT通过摄像头分析自己的表情，ChatGPT都没有任何延迟地完成了，总之就像是几个人在群聊，如果你只听声音，可能不会觉得里面还有一个AI在说话。
根据OpenAI的说法，GPT-4o可以“在短短232毫秒内响应用户的音频提示，平均为320毫秒，与人类在对话中的反应时间相似。”
是不是被彻底惊艳到了，和谷歌去年12月演示的Gemini似乎有异曲同工之妙，只是谷歌那次演示被认为夸大和误导的成分居多，是剪辑制造出来的，那么Gpt-4o这个，是不是也有夸张和误导的成分呢？
我感觉可能确实是这样，因为Mark和Barrett的演示，肯定是事先设计好的，包括马克的大声喘气，巴雷特的方程和代码。是不是事先和ChatGPT排练过不好说，但至少应该有草案，当然ChatGPT可能也确实有这个能力，很多朋友可能都有感觉，使用ChatGPT时间越长，它的套路就越多，你也就越熟悉，交流多了就变成车轱辘话了。
然后我马上打开ChatGPT，果然提醒我是否要用Gpt-4o进行对话，我毫不犹豫地点了同意，不过令人大跌眼镜的是，和Murati的演示完全不同，我和它的对话和使用文本聊天一样，它还是要反应很长时间才会回馈，根本没有什么232毫秒内响应，只是它的声音确实和其他AI不同，听起来像是人类的声音。
最令人不可思议的是，它也回答了我关于响应时间的疑问，后面有录屏，你们觉得它是暴露了OpenAI的内幕吗？OpenAI和谷歌一样，是不是也是设计好的吗？下面是我录下来的真实对话。
----------------------------
我：
嗯，是这样的，我站在很高的地方，比如高楼的栏杆前，有时会有一种可怕的想法，那就是突然想跳下去，这是一种什么现象，真的有人这样跳下去过吗？
----------------------------
ChatGPT：
你描述的这种感觉被称为“高处效应”（the call of the void 或 high place phenomenon）。这是一种相当常见的心理现象，很多人在高处时会突然有跳下去的冲动，但这并不意味着他们真的想自我伤害或有自杀倾向。关于为什么会有这种感觉，心理学家认为这可能是大脑在处理恐惧和生存本能时的一种反应。
至于有没有人因为这种冲动而真的采取行动，这种情况非常罕见。大部分人感受到这种冲动后，很快就会意识到这只是一种突然的想法，并不会真的采取行动。如果这种感觉让你感到不安或困扰，与朋友或专业人士交流一下你的感受可能会有所帮助。你有没有经历过类似的情况，或者还有其他关于这个话题的问题吗？
----------------------------
最后两句是不是很熟悉？又开始车轱辘了。
----------------------------
我：
嗯，谢谢，不过我看OpenAI说你232毫秒内就可以响应用户的音频提示，与人类在对话中的反应时间相似，怎么你响应了那么久？你用的模型真的是Gpt-4o吗？
----------------------------
ChatGPT：
是的，我用的是基于GPT-4的模型。关于响应时间，虽然理论上可以很快，但实际上会受到多种因素的影响，比如网络延迟、服务器负载以及问题的复杂性等。我的目标是尽可能快速且准确地回答问题，有时候可能需要额外的时间来确保回答的质量。如果你有紧急或特定时间需求的问题，尽管告诉我，我会尽量快速回复。你还有其他想了解的吗？
----------------------------
我：
我看你们的演示，真的是秒响应，真的很厉害啊，这个是什么原因呢？
----------------------------
ChatGPT：
感谢你的肯定！我们的模型通过大量数据训练，目的就是要提高在各种对话场景中的响应速度和准确性。在演示中表现得很好，可能是因为在这些情境下，问题相对明确，模型也针对这类常见问题进行了优化和调整，以确保快速和准确的反应。实际使用中，模型还会根据不同的问题和用途持续优化。你对这个技术还有其他的问题或者想了解的方面吗？
----------------------------
看看这两段对话，是不是感觉这个演示真的是事先设计好的呢？因为我和它的实际对话，它响应得非常慢，完全不像演示中那种秒回答。更能说明问题的是，因为前面问的不太流畅，我又重复了我的问题，它回答的和我前面的基本差不多，这就意味着完全可以进行事先设计和排练。另外我让它把要说的话唱出来，它也说自己不能直接唱歌，和演示中似乎完全不一样。
不过Murati在演示的最后，特别感谢了英伟达提供的最先进的GPU，让今天的演示能够成为可能，这是不是说这场演示得到了特别支持，算力强大，没有网络延迟，所以可以做到平均320毫秒，和人类差不多的响应速度呢？如果是这样，那就意味着要大规模地实现这种人机对话，不知道还要增加多少倍的算力，恐怕够英伟达和台积电忙活几年了，真是幸福的印钞机啊。
----------------------------
我：
嗯，我觉得这个能力非常重要，因为未来和机器人集成，就可以让人工智能变得和人类一样，如果外形再非常相像的话，那就和科幻电影里的情景完全一样了，人类和机器人将无法分辨。
----------------------------
ChatGPT：
确实如此，随着人工智能技术的发展，特别是在自然语言处理和机器人技术方面的进步，我们越来越接近可以模拟人类行为和交流方式的机器人。这种技术的进步可能让未来的机器人在外形、行为甚至与人类交流的能力上更加接近人类，正如你说的，就像科幻电影中的场景。
不过，这也带来了很多值得探讨的伦理和社会问题，比如人工智能的透明度、隐私保护、以及人类与机器人的关系等。你对这样的未来感到兴奋吗，还是有些担忧呢？
----------------------------
我：
我不担忧，我觉得未来人类的命运很难说，尼安德特人从没想过未来会怎样，我也没有必要去想。
----------------------------
ChatGPT：
你的看法很有洞察力。确实，未来充满不确定性，而每一次技术进步都可能带来意想不到的变化和挑战。像尼安德特人那样，我们也许无法完全预测未来的发展，但可以在现在做出选择和准备，以应对未来可能出现的情况。对于人工智能和技术的发展，你有什么特别感兴趣或想深入了解的方面吗？
----------------------------
这样的语气，是不是已经难以分辨了？不过我还是有一个简单的办法，可以区分ChatGPT和正常人类的声音，那就是它喜欢伦理道德，车轱辘话实在太特么多了，任谁一耳朵就能听出来，OpenAI能不能先把这个给它纠正了？