臺州網(wǎng)站建設(shè)推薦臺州通聯(lián)網(wǎng)絡(luò)公司

OpenAI用幾個短小精悍的場景演示，讓用戶直觀了解到了GPT-4o的多模態(tài)理解能力、幾乎無延遲的反應(yīng)能力，以及與人類相近的共情感受與表達(dá)能力，科幻電影《Her》中女性語音智能機器人的形象由此得到現(xiàn)實復(fù)刻。

ChatGPT成為“Her”，在技術(shù)上的震撼點主要來自于GPT-4o對多模態(tài)實時交互的反應(yīng)速度有如此快的提升。例如，它對音頻輸入的響應(yīng)時間最短可達(dá)232毫秒，平均為320毫秒，這與人類在對話中的響應(yīng)時間非常相似。但在此之前，使用GPT-3.5和GPT-4的平均延遲分別為2.8秒和5.4秒。

OpenAI在官網(wǎng)對這個變化背后的原因進行了闡釋。此前，其音頻模型（Voice Mode）是一個近似三個獨立模型組成的管道：一個簡單模型將音頻轉(zhuǎn)錄為文本，GPT-3.5或GPT-4接收文本并輸出文本，第三個簡單模型再將文本轉(zhuǎn)換回音頻。

在這個過程中，模型智力的主要來源GPT-4（或GPT-3.5）會丟失大量信息：它不能直接觀察音調(diào)、多個說話者以及背景噪音，也不能輸出笑聲、歌聲或表達(dá)情感。

在GPT-4o上，OpenAI訓(xùn)練了一個跨文本、視覺和音頻的端到端新模型，這意味著所有輸入和輸出都來自同一個神經(jīng)網(wǎng)絡(luò)。這大概是這個多模態(tài)模型在理解與生成能力以及反應(yīng)速度上都獲得明顯提升的核心原因。

事實上，不需要跨模態(tài)融合、由同一神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練的原生多模態(tài)大模型，正是國內(nèi)大模型創(chuàng)業(yè)公司正在試圖突破的方向。因為它能帶來所有GPT-4o目前展現(xiàn)出來的優(yōu)勢：低成本、高效率，這不僅是產(chǎn)品優(yōu)化的基礎(chǔ)，也是大規(guī)模商業(yè)化的前提。

但來自投資人視角的觀察結(jié)論是，即便只是音頻模型的端到端訓(xùn)練，目前國內(nèi)大模型創(chuàng)業(yè)公司也都還未走到這一步。

除了基于原生多模態(tài)的模型變化，促成GPT-4o反應(yīng)如此之快的另一個重要因素在于模型尺寸。OpenAI并未公開表明過GPT-4o或是GPT-4 Turbo的參數(shù)大小，行業(yè)只是基于API調(diào)用價格以及傳聞（例如GPT-3.5 Turbo可能是一個20B大小的模型，而GPT-3.5為175B），按照比例關(guān)系來推測過這些新模型的尺寸。

在此前提下，GPT-4o大概率是一個比1.8T更小的尺寸模型，而這種在保證模型能力的情況下變小、變快，甚至在某些維度上變強的工程化能力，正是OpenAI難以被競爭者超越的“魔法”所在。

這也是國內(nèi)大模型行業(yè)正在努力的方向之一。為了降低大模型的推理成本，行業(yè)理應(yīng)壓縮模型，而從Scaling Law（規(guī)模法則）來看，這個目的只能通過“先變大、再變小”來實現(xiàn)，這樣才有可能兼顧速度和性能。

至于如何像GPT-4o一樣“在變小的同時變強”，這也是各家技術(shù)比拼的關(guān)鍵點。

據(jù)界面新聞記者了解，國內(nèi)從事底層大模型研發(fā)的創(chuàng)業(yè)公司普遍都在關(guān)注這一技術(shù)方向，但各自的重視程度并不相同。例如，有的觀點會認(rèn)為率先做出萬億參數(shù)大模型、達(dá)到GPT-4時刻更重要，有的則會認(rèn)為在研發(fā)的途中兼顧應(yīng)用的成本與性價比同樣重要。但無一例外的是，目前行業(yè)還沒有呈現(xiàn)出太好的解法。

產(chǎn)品層面，來自國內(nèi)大模型獨角獸的產(chǎn)品中，Kimi（Kimi+）、萬知、躍問等等，雖然已經(jīng)具備一定多模理解與生成的能力，但更多還是聚焦于AI搜索引擎、AI專業(yè)助手等輕量級agent，在語音實時交互層面仍然無法達(dá)到ChatGPT的能力水平。

并且，Minimax在最新發(fā)布的海螺AI中加入了“小海螺”角色，功能在于提供實時語音對話服務(wù)，定位直接對標(biāo)ChatGPT在語音交互上的能力。但根據(jù)公司的官方演示視頻，“小海螺”無論在反應(yīng)速度、表達(dá)方式，還是在音色、情感等擬人能力上，仍然有距離感明顯的“AI感”。

因此，GPT-4o帶給行業(yè)的技術(shù)質(zhì)問其實是，在同等參數(shù)量級與性能水平下，能否做到跟它同樣快？如果速度也能趕上，那能否兼顧其對音頻、視覺和文本的多模態(tài)實時交互能力？

實際上，GPT-4o的降本能力體現(xiàn)到產(chǎn)品和商業(yè)化上，是擴大AI應(yīng)用用戶規(guī)模的前提。

OpenAI對于ChatGPT免費開放的決策，已經(jīng)在行業(yè)內(nèi)被普遍認(rèn)為是一個“正確路線”。前述投資人表示，“擴大用戶base，讓多模態(tài)大模型讓用戶更快、更簡單地先用起來，這個思路肯定是對的?！?/span>

獵豹移動董事長兼CEO傅盛在發(fā)布會結(jié)束后談?wù)摰?，?/span>OpenAI發(fā)布應(yīng)用恰恰說明了應(yīng)用在人工智能領(lǐng)域大有可為，每一個創(chuàng)業(yè)者都應(yīng)該去好好地做人工智能應(yīng)用。”

不過，反過來看，OpenAI發(fā)布GPT-4o而非GPT-5（或是GPT-4.5），還是給大模型技術(shù)遇冷的觀點留下生存空間。

傅盛表示，“如果不計成本的累參數(shù)，提高所謂的大模型能力，這條路肯定是容易遇到困難的，目前看起來GPT-5.0可能還要難產(chǎn)一段時間。”

金沙江創(chuàng)投主管合伙人朱嘯虎則對此發(fā)表了三個觀點：第一，大模型的技術(shù)迭代曲線明顯放緩；第二，開始卷免費，說明GPT的用戶和收入增長都已經(jīng)碰到瓶頸，不是深度綁定大廠的模型公司基本已經(jīng)出局；第三，應(yīng)用會迅速爆發(fā)，推理成本再降一個數(shù)量級就會普及出現(xiàn)AI時代的國民應(yīng)用。

暫且不論大模型創(chuàng)業(yè)公司生死存亡的問題，GPT-4o的出現(xiàn)的確留下了兩個矛盾信號：好消息是，關(guān)于OpenAI在GPT-5可能遇到的瓶頸，國內(nèi)底層大模型加速追趕的窗口期或許到了；壞消息是，在應(yīng)用層上，OpenAI目前所能打磨出來的用戶體驗，大概也需要國內(nèi)創(chuàng)業(yè)者們花上好一陣時間來追趕。

此外，OpenAI給行業(yè)留下了一個謙虛的“挑釁”是，團隊指出，GPT-4o是其第一個完成這種端到端訓(xùn)練的模型，因此團隊仍在探索其功能和局限性——這意味著未來歷經(jīng)迭代的GPT-4o，能力極限或許遠(yuǎn)不止于此