今天凌晨,一场不到 30 分钟的发布会,将又一次大大改变 AI 行业和我们未来的生活,也会让无数 AI 初创公司焦头烂额。

这真不是标题党,因为这是 的发布会。

刚刚, 正式发布了 GPT-4o,其中的“o”代表“omni”(即全面、全能的意思),这个模型同时具备文本、图片、视频和语音方面的能力,甚至就是 GPT-5 的一个未完成版。

更重要的是,这个 GPT-4 级别的模型,将向所有用户开放,并且未来几周内先向 Plus 推送。

刁钻意思_刁钻是褒义词_刁钻的意思

图片来自:发布会

我们先给大家一次性总结这场发布会的亮点,更多功能解析请接着往下看。

发布会要点

1. 新的 GPT-4o 模型:打通任何文本、音频和图像的输入,相互之间可以直接生成,无需中间转换

2. GPT-4o 语音延迟大幅降低,能在 232 毫秒内回应音频输入,平均为 320 毫秒,这与对话中人类的响应时间相似。

3. GPT-4 向所有用户免费开放

4. GPT-4o API,比 GPT 4-Turbo 快 2 倍,价格便宜 50%

5. 惊艳的实时语音助手演示:对话更像人、能实时翻译,识别表情,可以通过摄像头识别画面写代码分析图表

6. 新 UI,更简洁

7. 一个新的 桌面应用程序,适用于 macOS, 版本今年晚些时候推出

这些功能早在预热阶段就被 形容为“感觉像魔法”。既然全世界 AI 模型都在“赶超 GPT-4”,那 也要从武器库掏出点真家伙。

当然,还轮不到 GPT-5 登场。

您目前设备暂不支持播放

视频来自@dotey

免费可用的 GPT-4o 来了,但这不是它最大的亮点

其实在发布会前一天,我们发现 已经悄悄将 GPT-4 的描述从“最先进的模型”,修改为“先进的”。这正是为了迎接 GPT-4o 的到来。

GPT-4o 的强大在于,可以接受任何文本、音频和图像的组合作为输入,并直接生成上述这几种媒介输出。

这意味着人机交互将更接近人与人的自然交流。

GPT-4o 可以在 232 毫秒内回应音频输入,平均为 320 毫秒,这接近于人类对话的反应时间。此前使用语音模式与 进行交流,平均延迟为 2.8 秒(GPT-3.5)和 5.4 秒(GPT-4)。

它在英文和代码文本上与 GPT-4 Turbo 的性能相匹敌,在非英语语言文本上有显著改进,同时在 API 上更快速且价格便宜 50%。

刁钻的意思_刁钻是褒义词_刁钻意思

而与现有模型相比,GPT-4o 在视觉和音频理解方面表现尤为出色。

从测试参数来看,GPT-4o 主要能力上基本和目前最强 的 GPT-4 Turbo 处于一个水平。

刁钻是褒义词_刁钻意思_刁钻的意思

刁钻是褒义词_刁钻的意思_刁钻意思

过去 Siri 或其他语音助手的使用体验都不够理想,本质上是因为语音助手对话要经历三个阶段:

1. 语音识别或“ASR”:音频 -> 文本,类似 ;

2. LLM 计划下一步要说什么:文本 1 -> 文本 2;

3. 语音合成或“TTS”:文本 2 -> 音频,想象 或 VALL-E。

刁钻是褒义词_刁钻意思_刁钻的意思

然而我们日常的自然对话基本上却是这样的:

此前的 AI 语言助手无法很好处理这些问题,在对话的三个阶段每一步都有较大延迟,因此体验不佳。同时会在过程中丢失很多信息,比如无法直接观察语调、多个说话者或背景噪音,也无法输出笑声、歌唱或表达情感。

刁钻是褒义词_刁钻意思_刁钻的意思

当音频能直接生成音频、图像、文字、视频,整个体验将是跨越式的。

GPT-4o 就是 为此而训练的一个全新的模型,而要时间跨越文本、视频和音频的直接转换,这要求所有的输入和输出都由同一个神经网络处理。

而更令人惊喜的是, 免费用户就能使用 GPT-4o 可以体验以下功能:

而当你看完 GPT-4o 下面这些演示,你的感受或许将更加复杂。

版“贾维斯”,人人都有

不光能说,能听,还能看,这已经不是什么新鲜事了,但“船新版本”的 还是惊艳到我了。

睡觉搭子

以一个具体的生活场景为例,让 讲一个关于机器人和爱的睡前故事,它几乎不用太多思考,张口就能说出一个带有情感和戏剧性的睡前故事。

甚至它还能以唱歌的形式来讲述故事,简直可以充当用户的睡眠搭子。

做题高手

刁钻意思_刁钻的意思_刁钻是褒义词

又或者,在发布会现场,让其演示如何给线性方程 3X+1=4 的求解提供帮助,它能够一步步贴心地引导并给出正确答案。

当然,上述还是一些“小儿戏”,现场的编码难题才是真正的考验。不过,三下五除二的功夫,它都能轻松解决。

借助 的“视觉”,它能够查看电脑屏幕上的一切,譬如与代码库交互并查看代码生成的图表,咦,不对劲?那我们以后的隐私岂不是也要被看得一清二楚了?

刁钻是褒义词_刁钻意思_刁钻的意思

实时翻译

现场的观众也给 提出了一些刁钻的问题。

从英语翻译到意大利语,从意大利语翻译到英语,无论怎么折腾该 AI 语音助手,它都游刃有余,看来没必要花大价钱去买翻译机了,在未来,指不定 可能比你的实时翻译机还靠谱。

您目前设备暂不支持播放

实时翻译(官网案例)

感知语言的情绪还只是第一步, 还能解读人类的面部情绪。

刁钻的意思_刁钻是褒义词_刁钻意思

在发布会现场,面对摄像头拍摄的人脸, 直接将其“误认为”桌子,正当大家伙以为要翻车时,原来是因为最先打开的前置摄像头瞄准了桌子。

不过,最后它还是准确描述出自拍面部的情绪,并且准确识别出脸上的“灿烂”的笑脸。

您目前设备暂不支持播放

两个 GPT-4o 互动并唱歌(官网案例)

有趣的是,在发布会的尾声,发言人也不忘 Cue 了英伟达和其创始人老黄的“鼎力支持”,属实是懂人情世故的。

对话语言界面的想法具有令人难以置信的预见性。

在此前的采访中表示希望最终开发出一种类似于 AI 电影《Her》中的 AI 助理,而今天 发布的语音助手切实是有走进现实那味了。

的首席运营官 Brad 前不久曾预测,未来我们会像人类交谈一样与 AI 聊天机器人对话,将其视为团队中的一员。

现在看来,这不仅为今天的发布会埋下了伏笔,同时也是我们未来十年生活的生动注脚。

苹果在 AI 语音助手“兜兜转转”了十三年的时间都没能走出迷宫,而 一夜之间就找到出口。在不久的将来,也许人手一个钢铁侠的“贾维斯”将不再是幻想。

《她》来了

虽然 Sam 没在发布会上出现,但他在发布会后就发布了一篇博客,并且在 X 上发了一个词:her。

这显然在暗指那部同名的经典科幻电影《她》,这也是我观看这场发布会的演示时,脑子里最先联想到的画面。

电影《她》里的萨曼莎,不只是产品,甚至比人类更懂人类,也更像人类自己 ,你真的能在和她的交流中逐渐忘记,她原来是一个 AI。

这意味着人机交互模式可能迎来图像界面后真正的革命性更新,如同 Sam 在博客中表示:

新的语音(和视频)模式是我使用过的最好的计算机界面。它感觉像电影中的人工智能;而且我仍然有点惊讶它是真实的。达到人类级别的响应时间和表现力原来是一个很大的改变。

之前的 让我们看到自然用户界面初露端倪:简单性高于一切:复杂性是自然用户界面的敌人。每个交互都应该是不言自明的,不需要说明手册。

但今天发布的 GPT-4o 则完全不同,它几乎无延迟的响应、聪明、有趣、且实用,我们和计算机的交互从未真正体验过这样的自然顺畅。

这里面还藏着巨大可能性,当支持更多的个性化功能和与不同终端设备的协同后,意味着我们能够利用手机、电脑、智能眼镜等计算终端做到很多以往无法实现的事情。

AI 硬件不会再试积累,当下更令人期待的,就是如果下个月苹果 WWDC 真的官宣与 达成合作,那么 的体验提升或许将比近几年任何一次发布会都大。

英伟达高级科学家 Jim Fan认为,号称史上最大更新 iOS 18 ,和 的合作可能会有三个层面:

说到这里,也不得不心疼明天要举办发布会的 一秒。

———END———
限 时 特 惠: 本站每日持续更新海量各大内部创业教程,永久会员只需109元,全站资源免费下载 点击查看详情
站 长 微 信: nanadh666

声明:1、本内容转载于网络,版权归原作者所有!2、本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。3、本内容若侵犯到你的版权利益,请联系我们,会尽快给予删除处理!