集齐“听说读写”、功能似真人！“GPT-4o”模型亮相

转自：劳动报

OpenAI又迎来升级，摇身一变成了人工智能语音助手。5月14日凌晨，美国人工智能研究公司OpenAI在线上举办了“春季更新”活动。活动中发布了新旗舰模型“GPT-4o”，可以实时对音频、视觉和文本进行推理。据介绍，新模型使ChatGPT能够处理50种不同的语言，同时提高了速度和质量。

“全能型”ChatGPT亮相

据了解，GPT-4o的“o”代表“omni”。该词意为“全能”，源自拉丁语“omnis”。而GPT-4o多模态大模型的技术进步，也让ChatGPT作为个人的“超级助理”成为可能。

OpenAI的官网呈现了ChatGPT作为个人语音“超级助理”的多个惊人应用场景。

首先是面向单个用户，和人一样，它提供的主要是“情绪价值”与“认知价值”。比如它能讲笑话、唱生日快乐歌、玩游戏、逗小狗、给人催眠、让人放松等等；它能充当面试官，给人提供面试建议；它还能给一位盲人提供环境观察，给他讲述看到的景色、提醒他过马路的路况。

接着是面向多个用户，它提供的更多是一种“协同价值”。比如给两个语言不通的人充当翻译，让他们能无障碍沟通；给两个人做“剪刀石头布”的游戏裁判，先喊口令让游戏开始、之后还能准确判断是哪个人赢了；充当一名“家教”，帮一位父亲辅导他的孩子做作业；甚至作为一名“会议第三方”，主持和记录多人会议。

“与现有模型相比，GPT-4o在图像和音频理解方面尤其出色。”在发布会上，公司首席技术官Mira Murati介绍，GPT-4o是迈向更自然人机交互的一步，它可以接受文本、音频和图像三者组合作为输入，并生成文本、音频和图像的任意组合输出。

较前几个版本，GPT—4o胜在哪里？在GPT-4o之前，用户使用语音模式与ChatGPT对话时，GPT-3.5的平均延迟为2.8秒，GPT-4为5.4秒，音频在输入时还会由于处理方式丢失大量信息，让GPT-4无法直接观察音调、说话的人和背景噪音，也无法输出笑声、歌唱声和表达情感。与之相比，GPT-4o可以在232毫秒内对音频输入做出反应，与人类在对话中的反应时间相近。

这是由于三个版本的语音对谈机制不同。GPT-3.5和GPT-4会先将音频转换为文本，再接收文本生成文本，最后将文本转换为音频，经历这三个过程，音频中的情感表达等信息会被折损，而GPT-4o是跨文本、视觉和音频的端到端模型，是OpenAI第一个综合了这些维度的模型，可更好进行对谈。

OpenAI将推出更多免费工具

“今天，有1亿人使用ChatGPT来创作、工作、学习，以前这些高级工具只对付费用户可用，但现在，有了GPT-4o的效率，我们可以将这些工具带给每个人。”Mira Murati 在发布会上说道。那么，如果落实到实际生活的使用中，GPT-4o究竟能给普罗大众带来什么变化呢？

OpenAI的官网展示了GPT-4o在海报创作、三维重建、字体设计、会议总结等等一系列充满可能性的应用。比如，在输入人物图片、海报元素以及想要的风格后，GPT-4o就能给用户生成一张电影海报。或者根据输入的诗歌文本，GPT-4o能生成用手写体写着诗歌、画着画的单行本图片。

已有用户使用了GPT-4o来描述图片，发现其生成结果较准确，5秒左右就能生成描述图片的文字。

根据此次发布会的信息透露，OpenAI开始向ChatGPT Plus和Team用户推出GPT-4o，并且很快就会向企业用户推出。与此同时，OpenAI将开始推出免费版的ChatGPT，即便是免费版，用户也可以有机会体验GPT-4o，但当达到限额时，ChatGPT将自动切换到GPT-3.5。

此外，OpenAI还推出了ChatGPT的桌面版应用，通过简单的键盘快捷键（Option + Space）可以立即向ChatGPT提问，还可以直接在应用程序中截取屏幕截图与机器人进行讨论。不过目前只有MacOS版本，Windows版要稍晚一些亮相。

另据OpenAI官网显示，GPT-4o不仅在文本和代码处理的性能上与GPT-4 Turbo持平，而且在API调用上速度更快，价格更是降低了50%。对于这一调整，有分析指出，在此次OpenAI推出基于GPT-4o的“超级智能助理”之后，这一领域或将成为接下来各科技大厂争相追赶的方向。

头图来源：OpenAI官网

海量资讯、精准解读，尽在新浪财经APP