OpenAI点燃AI魂，GPT-4o掀起端侧革命

睡着的肉夹馍

21世纪经济报道记者孔海丽 实习生邓熙涵 北京报道 酷暑到来之前，OpenAI提前引爆了AI之夏。北京时间5月14日凌晨1点，OpenAI举行春季发布会。会上，重点推出新旗舰模型GPT-4o，以及在ChatGPT中免费提供更多功能。GPT-4o在多模态交互领域开始了现象级横扫。
人类津津乐道的智能AI助手，面目逐渐清晰：除了尚未具身，无缝语音对话、精确到细节的视觉信息处理、情绪检测技术及共情能力，几乎都与真人无异。而比人类更强的是，这个AI情绪稳定，天文地理无所不知，解决问题的能力也是一流。
业内因GPT-4o沸腾起来，盛赞一如往常，“大模型从‘呆瓜’变‘真人’，交互能力革新带来的可能是场景、用户数的几何级放大”；“OpenAI将蚕食情感类人工智能助手的市场，向更具情感、个性更强的人工智能迈进”；“要重新理解机器视觉、听觉了”……
不过，喧嚣之下，也有一些客观声音，在审视OpenAI技术层面的进展。GPT-4o的广泛真实体验，能否全部达到视频演示中的极高水准，仍有待验证。
IDC中国研究总监卢言霞告诉21世纪经济报道记者，OpenAI本次发布会的现场演示中，视频采用的还是抽帧处理技术，即Image to text，语音交互还是之前的全双工技术，只是多模态对话的过程更顺畅更自然。但确实进一步提高了类GPT产品的智能化交互能力，弱化了背后的代码，简化了交互的流程。GPT-4o不会砸掉所有语音助手的饭碗，反而是大模型在端侧的落地迎来双赢可能。
科幻电影《Her》中所展现的图景似乎成为可能，人类距离真正的AI Agent还有多远？是否会引发新一轮的AI Agent变革？可以肯定的是，GPT-4o已经揭开AI行业变化与竞争的新篇章。
“AI背后藏了个真人”GPT-4o的“o”代表“omni”，象征着全能。该模型多模态交互能力突出，能够接受文本、音频和图像的“混搭”输入，快速响应完成推理，生成文本、音频和图像的组合输出。
音频输入层面，GPT-4o击穿了此前Siri等智能语音助手的延迟弊端，取得突破性进展。其响应速度之快，达到了人类级别，至短232毫秒，平均320毫秒。
此外，新模型展现出对人类交流习惯的高度理解力和适应性。GPT-4o能以听起来非常自然的人类声音说话，并且发出多种语气词，表现了此前AI音频所未能达到的张力和可塑性。
它能够接受人类交谈中的打断习惯，及时停顿并给出无缝回复，并且保持对上下文的记忆。这种自然的交互体验，让人几乎感觉不到与机器的界限。
视频输入方面，GPT-4o可以及时响应高管开启摄像头的视频需求指令，实时解决一元方程的数学计算，整个过程同样丝滑迅速。
GPT-4o还展示出对图片信息的快速解读能力，用AI读复杂图片正在变为现实。发布会现场，桌面版ChatGPT对一张包含气温数据的图表进行了详细的分析。
市面上已有一部分情感型人工智能机器人，比普通人工智能助手更能准确识别人类情绪。然而，上述功能多停留在文本中，GPT-4o的情绪检测功能则扩展至视频领域。
发布会现场，研究人员将手机摄像头对准自己的脸，向GPT-4o发起了颇具挑战性的问题：“我看起来怎么样？”，GPT-4o初次回答将提问者的脸界定为“木质表面”。随后，GPT-4o在引导性提问下修正结果，准确分析出提问者的情绪状态是愉悦的、笑容满面的。
从底层技术分析，GPT-4o的先进之处在于，它革新了传统的多模型串联处理方式，能够通过单一的神经网络统一处理所有的输入和输出，无论是文本、视觉图像还是音频信息，都能得到精准高效的解析和回应。
在OpenAI这场仅持续28分钟的发布会后，业内对GPT-4o的评价褒贬不一，但乐观主义期待呈压倒性态势。为继续造势吸引用户和投资的目光，OpenAI官网也为意犹未尽的用户披露了新模型的视频演示和基础信息。
GPT-4o的情感智能和多模态交互是OpenAI特别强调的两大竞争优势。发布会上，GPT-4o的语音与视频交互速度均接近真人，其官网后续披露的演示也呈现了新模型讲笑话、玩游戏、催眠放松的感性功用。
OpenAI并不是首家运用情感智能技术的公司。Inflection AI发布的Pi已能成熟运用大语言模型的对话共情回复技术，实现人类“嘴替”的效果，提供沉浸式的虚拟情感陪伴。
英伟达高级研究科学家兼人工智能代理负责人Jim Fan发文称赞GPT-4o的情感能力，令人联想到 2013 年的科幻电影《Her》。这部电影讲述了人机亲密关系——遭遇离婚风波的男主角西奥多与人工智能系统萨曼莎成为灵魂伴侣。
Jim Fan认为，OpenAI将蚕食Character.AI等情感类人工智能助手的市场，向更具情感、个性更强的人工智能迈进。
GPT-4o的另一大特点在于三手抓的多模态交互能力。音频输入层面，GPT-4o击穿了此前Siri等智能语音助手的延迟弊端，图像上则能快速分析复杂图表；视频层面新模型也有突破，可以在接打电话时准确识别通话另一方的情绪。
GPT-4o率先表态：多模态大模型融合文本、图片、音频及视频等信息，与现实世界高度契合，更贴近人类信息接收、处理和表达的自然方式。
继发布文生视频大模型Sora后，GPT-4o有望成为迈向多模态智能体的又一座里程碑。
巨头焦虑与端侧革命OpenAI的大模型库再添GPT-4o一员猛将，预示着AI Agent已至新赛点，再次拨快了人类循序渐进迈向GAI的时针。
从技术定义来看，AI Agent是通用人工智能的终极目标，以大语言模型（LLM）为大脑驱动，不需要人类的指挥，具有自主性，能独立思考并运行相应程序。
市场嗅到了技术带来的机会风口，AI Agent成为科技巨头竞相追逐的前沿方向。目前，已经出现不少泛化的Agent概念产品，微软的Copilot，谷歌的Gemini都是这一队列中曾被寄予厚望的数字助手。
如今，GPT-4o的加速推出革新了智能交互的表现。前DCCI互联网数据中心创始人胡延平认为，GPT-4o重新定义了机器视觉、听觉和摄像头的交互模式，应用爆发力不可估量。
新技术进展为巨头们的错失恐惧又添一把火。据悉，谷歌计划在2024年I/O开发者大会上推出个性化数字助手“Pixie”，由Gemini驱动，有望整合多模态功能。
微软也在蓄力开拓AI Agent的新场景。为了打造个性化聊天机器人，3月19日，微软已与Inflection AI达成协议，获得其核心技术授权；针对现有最接近AI Agent的Copilot，微软正努力解决如何为生成式AI提供良好提示词，为Copilot for Micorosft 365提供Prompt补全功能。
AI Agent的爆发之年，苹果同样意图升级被诟病“古老过时”的Siri。有知情人士称，苹果或将在iOS 18中引入由ChatGPT 提供支持的聊天机器人。
更自然、更“类人”的GPT-4o掀起的巨大波澜，不仅影响上游厂商，还将波及产业链下游的终端厂商。OpenAI此次发布会呈现的新模型多基于手机端场景，为处于产业爆发前夜的AI手机产业带来新想象。
市面上AI手机等端侧智能体的生态离不开大模型技术底座，智能终端厂家需要重新审视底层大模型能力。
相较于单个AI应用，AI手机的卖点一直是人格化、记忆、感知和管理能力，跨APP交互能力。而具备情绪价值和自然交互能力的GPT-4o走入市场，要么会颠覆一众AI手机，要么会让留下来的AI手机“如虎添翼”。
卢言霞告诉21世纪经济报道记者，“GPT-4o意味着大模型在端侧的落地更进一步。短时间内，肯定是谁的端侧交互能力强，谁就会赢得用户。在中长周期内，后来者也会迎头赶上。应该说，这是端侧与AI助手的双赢，毕竟上游厂商没有精力面向每个场景做优化与工程化，还是需要产业链的协作。”