最近一周，科技行業熱鬧非凡，大型「臉對臉」開打的「科技春晚」，更將輪番上演。
5月14日淩晨，OpenAI 2024年春季釋出會上線。如今這家巨頭的每次動向，都存在再度「顛覆」一個行業的可能，既讓AI創業者們翹首以盼，更讓大家緊張萬分。
雖然這場OpenAI的釋出會僅持續了28分鐘，業內也早有劇透——不會有傳說中的ChatGPT 5，也不會直接對標谷歌做AI搜尋；但釋出會的效果，仍然震驚四座。
此次OpenAI推出的是一款桌面版ChatGPT，該模型被稱為GPT-4o。其中「o」代表著「omni」（全能）。在演示中，這一「全模態」模型不僅能接受文本、音訊、影像的任意組合輸出，並可跨領域進行推理與展示——最重要的是，其反應速度最短達到了232毫秒，完全可做到與人類在正常對話中同頻。
演示中，GPT-4o像個真實的人類一樣，可以被打斷，也可做到語態聯想。當它被裝入手機時，能透過喘氣聽懂使用者的嘆息、疲憊，使用體驗易用自然、功能強大。
OpenAI同步宣布了「獲客」大殺器：GPT-4o可以被安裝至桌面和手機端，並向所有人免費開放，API定價只有GPT-4 Turbo的一半，速度達到GPT-4 Turbo的2倍，付費的ChatGPT Plus使用者將獲得5倍呼叫額度。
壓力被急劇轉移到谷歌、蘋果等巨頭身上。台北時間5月15日淩晨，谷歌也將上線「I/O大會」，據傳谷歌將在會上公布大模型最新進展，並將釋出類似GPT-4o，在Gemini加持下的、名為「Pixie」的個人數碼助理。
本月21日，微軟也將召開「Build開發者大會」，市場猜測其大概率會將OpenAI最新能力整合到自家產品線中。
另據外媒報道，蘋果在此次釋出會前，已與OpenAI達成合作。在6月的蘋果「WWDC大會」上，ChatGPT會不會被塞入iPhone之中，以取代「招人恨」的Siri，也非常值得期待。
01、28分鐘，幹翻所有語音助手
一場大範圍預熱，將OpenAI釋出會的懸念提前拉滿。
釋出會前，OpenAI創始人、CEO山姆·柯曼先早早否定了對標谷歌，上線AI搜尋的傳聞。他稱，「（新功能）對我來說就像魔法一樣」。OpenAI語音AGI研究領導Alexis Conneau更直接將自己的社交媒體主頁背景，改成了一張電影【Her】中的劇照——這是一部朗讀程式與AI助手「薩曼莎」相戀的科幻電影。
外界甚至為柯曼編排出了一個與AI助手相愛的浪漫故事。釋出會結束後，山姆也順水推舟地，在自己的X賬號上，只發表了一個單詞——「Her」。
▲（圖源/網絡）
不過當看過OpenAI的最新產品後，觀眾們驚呼，【Her】中的劇情真的進入了現實。
釋出會上展示的GPT-4o，仿佛是一個真實的「朋友」坐在身邊。它反應迅速，語調流暢自然，情緒飽滿，會跟隨著你的情緒興奮起來，也能根據上下文給出豐富的對話細節，揣摩對話者的情緒。
例如，當OpenAI的研發負責人Mark Chen上台時，他對著GPT-4o說：「我站在台上有點緊張，該怎麽辦？」GPT-4o回答：「你太棒了，深呼吸一下吧，記得你可是個專家。」Mark Chen隨之大聲喘氣，問GPT-4o接下來還能給些什麽建議，對方回答：「放松點Mark，呼吸得慢一點，你又不是吸塵器。」
▲（圖源/OpenAI）
接下來，GPT-4o被要求給大家講個睡前故事。沒講幾秒，它就被Chen打斷，要求能不能多點情緒和戲劇性。隨即，GPT-4o語調更加起伏和誇張。Chen又對其要求：能不能再來點情感，最戲劇化的表達可以嗎？GPT-4o顯然讀懂了「戲劇化」的含義，隨即拿出了戲劇演員一樣誇張的語調——有趣的是，當GPT-4o又被要求唱歌時，它甚至自己先嘆了口氣。
在此過程中，GPT-4o的反應速度也令人深刻。據計算，它對音訊輸入的響應時間最短為232毫秒，平均為320毫秒，這與人類在對話中的響應時間相似。
語音聊天外，GPT-4o還表現出了多模態理解和輸出能力。它能夠跨聲音、文本和視覺進行智能推理，可以就使用者給出的截圖、照片，或含有文本和影像的檔展開對話。
此外，GPT-4o也能生成任何文本、音訊和影像的組合。並能在輸出中，辨識人類的感情，根據感情做出「有情緒的反應」。
為了快速「獲客」，這樣強大的助手，OpenAI準備交給使用者免費使用，並可在電腦桌面執行。據官方介紹，OpenAI最佳化了使用者介面，使用者只需要關註如何與ChatGPT協作。可想而知，這樣一位免費的AI助手，可以隨時陪你聊天、看圖表、寫日程，它將爆發怎樣的巨量使用場景。
02、打到谷歌、蘋果家門口
盡管OpenAI此次沒有亮出GPT-5這樣的大招，從業界反饋看，其展現出的技術能力升級足以令人再度感到震驚。
據騰訊科技報道，根據OpenAI官網最新網誌文章顯示，在GPT-4o上線之前，使用語音模式與ChatGPT對話，平均延遲為2.8秒（GPT-3.5）和5.4秒（GPT-4）。為實作這一點，ChatGPT語音模式是由三個獨立的模型組成的流水線：一個簡單的模型將音訊轉錄為文本，GPT-3.5或GPT-4接收文本並輸出文本，第三個簡單的模型將該文本再轉換回音訊。
在這個過程中，GPT-4會遺失很多資訊，它不能直接觀察語調、多個說話者或背景噪音，也不能輸出笑聲、歌唱或表達情感。
而GPT-4o之所以能表現出更自然、更貼近人類的情感，源於其是單獨訓練的新模型。因此，可以端到端地處理文本、視覺和音訊，這意味著所有輸入和輸出都由同一個神經網絡處理。
▲（圖源/OpenAI）
這款被OpenAI能力強大最佳化了的桌面App與手機端助手，其所開啟的想象力，也威脅到了一眾巨頭的蛋糕。例如，許多人最直接的反應是：它已經達到了全面「吊打」Siri的
水平。
有趣的是：據外媒報道，釋出會前一天，蘋果與OpenAI的合作已秘密達成。雖然合作方式尚不可知，但不少人猜測：OpenAI的技術將會在蘋果新品中整合亮相。
另外多模態人工智能助手的賽道裏，最大的玩家本來還站著谷歌。
2023年12月，谷歌釋出了Gemini模型1.0版本，開始便定義其為「原生多模態大模型」，希望打通語言、聽力、視覺資訊的輸入輸出能力。2024年2月，Gemini上新了1.5版本。
5月15日，OpenAI釋出會一天後，谷歌「I/O大會」即將舉辦，Gemini的更新釋出本是關註重點。但OpenAI爆冷釋出語音助手，無疑會將關註度從Gemini身上奪走不少。
不過這種在釋出會前被搶風頭的「糟心事」，谷歌已經不是第一次經歷。2023年12月，谷歌原定上線Gemini時，OpenAI便在11月搶先舉辦了首屆開發者大會。為此，Gemini的上線時間一度被傳，要被延後到2024年初。
這一次，面對OpenAI「騎臉」開打，谷歌也不甘示弱地做出了反擊，很快在官方賬號裏放出了語音助手的demo即時演示。
▲谷歌I/O大會語音助手Demo 圖源：網絡
谷歌旗下人工智能研究機構DeepMind的CEO和聯合創始人Demis Hassabis、谷歌AI工作室產品負責人及Gemini API研究人員Logan Kilpatrick紛紛下場表示，自己將在本屆I/O大會上「首秀」。
兩大巨頭在即時語音助手戰場正面交鋒，讓看客直呼精彩。但也有人給谷歌先潑了涼水，評價道：「Sorry Google but we got it one day earlier（對不起谷歌，但我們一天前已經得到這個了）。」
03、競爭對手們怎麽辦？
十年前，「科技春晚」還是蘋果釋出會的代名詞。十年之後，主角已然輪換。
不得不承認，「百模大戰」國內外已膠著對戰了一年多，但每每在市場中扛起「議程設定」標桿角色的，仍非OpenAI莫屬。接下來，圍繞GPT-4o多模態功能更新的互動體驗，也勢必將掀起市場中的新一輪攻防大戰。
此前，市場在曝光了OpenAI可能釋出AI搜尋產品、硬剛谷歌之時，已有各路大V下場，激辯「AI搜尋」的未來。GPT-4o的最新體驗，也為還在苦苦追趕的國內AI創業市場，平添了許多緊張氣氛。
不過，從業界的綜合觀察來看，國內創企亦不必覺得節奏被OpenAI追逐得難以喘息。比如，OpenAI沒有選擇上線GPT-5，本身亦是大模型訓練「卷」至高階，也逐漸進入到瓶頸期的反映。
作為目前在研的OpenAI最新一代大模型，GPT-5被視為有望對現有模型形成碾壓級超越的產品。其效能、售價等因素，也將直接影響市場的發力方向。
而從2022年11月到2023年3月，OpenAI很快完成了從ChatGPT（基於GPT-3.5）到GPT-4的跨越，但GPT-5的釋出目前還沒有具體時間表。
有關GPT-5的亮相時間，市場已經存在多個版本。此前，OpenAI官網曾預計GPT-5將在2023年第四季度推出，隨後釋出時間推遲。如今市場傳聞稱，GPT-5有望於年中、今夏釋出；亦有媒體援引內部人士訊息稱，GPT-5或將於2024年11月份亮相。
而就在剛剛過去的4月，還有許多人在網上曬出了OpenAI發出的「紅隊測試邀請」郵件截圖。在AI行業，「紅藍對抗測試」是保證大模型安全性的重要方式，測試人員透過不斷地挑戰模型，以便提前對漏洞「查漏補缺」。因此，市場猜測雖然OpenAI未標明模型版本，但GPT-5或許已經接近釋出。
也有業內人士猜測，GPT-5的「姍姍來遲」，或因OpenAI研發遇到某種天花板。與此同時，OpenAI在今年2月16日釋出的重磅文生影片模型Sora，雖然看起來技驚四座，但OpenAI至今仍未開放使用Sora，更遑論商業落地。
▲（Sora生成的MV畫面。圖源/網絡）
在專業人士看來，Sora越快開放使用，就能提早完善問題、重塑商業流程。
音影片協作軟件「分秒幀」創始人程剛對「市界」講道：「我們目前看到Sora存在幻覺問題、精準度問題、對物理世界的理解，以及模擬不準確所帶來的邏輯問題、版權溯源和版權保護問題，以及有人濫用工具去生成虛假內容的問題等等。這些問題當然會影響Sora在商業場景中的使用。」
但他判斷：「Sora叠代的速度，基本可以參照ChatGPT的叠代速度。Sora對現實模擬不準確的問題，比如手有六指，（如果放開使用）應該半年左右就能得到比較大的最佳化。」
作者 | 董溫淑
編輯 | 李 原
營運 | 劉 珊
