ChatGPT-4o,OpenAI的一小步,人类“AI助理”的一大步
5 月 13 日,OpenAI 用一场春季发布会,再次搅动了整个 AI 行业。
在 Sam Altman 缺席的情况下,OpenAI CTO Mira Murati 担纲介绍了新的 ChatGPT 产品 ChatGPT-4o。
短短 26 分钟的发布会,却几乎是科幻电影《Her》的现实演绎。当你打开 ChatGPT,你面对的不再是一个只会帮你生成内容,或者进行僵硬语音聊天的工具——你唤起的将是一个“无所不能”的语音助手,或者说,一个越来越接近人类的“物种”。
它长出了“眼睛”,可以通过摄像头看到你,比如通过研究员上扬的嘴角判断他的心情、通过周围的环境背景判断了他正在做什么,甚至给出造型建议;它能“看到”你的电脑桌面,直接帮你查看写的代码有什么问题。
它有了更灵敏的“耳朵”,能听懂的不只是语言,还能听懂研究员过于急促的呼吸声,并引导他慢慢平稳呼吸、放松下来。
OpenAI CTO Mura Murati 宣布推出 ChatGPT-4o | 图片来源:OpenAI
它有了更灵活的“嘴巴”,对话不再有延时,你能随时打断,它也能随时接住你的话。它的声音能带入感情,比如更冷静一点、更激昂一点,甚至讽刺一点。它还能唱歌。
它也有了更聪明的“大脑”,能帮研究员一步步解不等式,还可以做同声翻译,你可以通过它跟不同语种的人们交流。
这些强大的能力背后,是 OpenAI 推出的新模型 GPT-4o。与现有模型相比,GPT-4o 的最大进步在于,它可以实时对音频、视觉和文本进行推理——换句话说,它让 ChatGPT 实现了真正意义上的多模态交互。
这不仅仅是技术进步的追求,更是应用普及的追求。OpenAI 的使命之一是让 AI 普惠每个人,让用户能顺滑地用上 AI 是至关重要的。在“模型即应用”的时代,这种交互体验最终还是要靠模型能力的提升。OpenAI 称,GPT-4o(“o”代表“omni”)是迈向更自然的人机交互的一步。
发布会上,Mira Murati 宣布 ChatGPT-4o 将免费向所有用户开放,而付费和企业用户,可以抢先获得体验。
电影《Her》上映于 2013 年,它讲述了一位人类爱上一位人工智能语音助理的故事。从今天 ChatGPT 呈现的能力来看,这样的想象正在加速成为现实。
一、ChatGPT 的惊人进步:变身人类“超级助理”,甚至不需要人类参与
OpenAI 的官网呈现了 ChatGPT 作为个人语音“超级助理”的更多惊人应用场景。
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。
盲人用户使用 ChatGPT-4o“观察”整个世界| 图片来源:OpenAI
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。
最有意思的还是不同 ChatGPT 之间的对话。这种无需人类参与的沟通,不仅充满了科幻感,更让人开始想象无需人类协作,而让机器代替人类协作的未来。在一段演示中,一位用户要求一部手机的 ChatGPT 代表自己,向另一部手机的 ChatGPT 申请售后,结果这两个 ChatGPT 毫无阻碍地聊了两分钟,顺利帮这位用户“换了货”。而 OpenAI 总裁 Greg Brockman 则做了一个调皮的演示,他让两个 ChatGPT 互动并唱了歌。
OpenAI 总裁 Greg Brockman 演示两个 GPT 的互动 |图片来源:OpenAI
一位曾在 10 年前就开始做“AI 语音助理”的前大厂高管对极客公园表示,他当时就设想过 AI 助理的终极形态应该是“多模态、无所不能”,但彼时技术并不支持,他认为 ChatGPT 会加速这种设想实现的可能——只是他没想到,会来得这么快。
他认为,实现 AGI 的一个关键标志是机器是否能具备了自主学习、自主迭代、自主解决问题等能力。这个突破看起来很遥远,但当两个 ChatGPT 开始互相聊天的时候,这个鸿沟看起来似乎浅了一点点。
二、GPT-4o多模态大模型的技术进步及其安全性
这些惊艳的产品表现,都源自 GPT-4o 多模态大模型的技术进步。后者分为文本、语音、图像三部分,GPT-4o 在这三块都有提升,尤其是后两者。
在文本方面,据 OpenAI 的技术报告,GPT-4o 在 MMLU(语言)、GPQA(知识)、MATH(数学)、HumanEval(编程)的评测指标,都超出了 GPT-4T、GPT-4(2023 年 3 月最初发布版本),以及竞品 Claude 3 Opus、Gemini Pro 1.5、Llama3 400b、Gemini Ultra 1.0。比如在 0-shot COT MMLU 上,GPT-4o 创下了 88.7% 的新高分。
GPT-4o 在文本上的成绩相当优异|图片来源:OpenAI
最关键的是音频、多语言和视觉上的进步。
在音频方面,过去 ChatGPT 的音频缺陷是需要经过三个独立的模型处理,因此存在延迟,且无法承载丰富信息。它先由第一个模型将音频转录为文本,再由 GPT-3.5 或 GPT-4 接收文本并输出文本,最后由第三个模型将该文本转换回音频——一方面,它使得音频的传输存在延迟,GPT-3.5 的平均延迟为 2.8 秒,GPT-4 的平均延迟为 5.4 秒。另一方面,过程中模型会丢失大量的信息,从而无法直接观察音调、多个说话者或背景噪音,也无法输出笑声、歌唱或表达情感。
而 GPT-4o 的解决办法是,跨文本、视觉和音频,端到端地训练了一个新模型,这意味着所有输入和输出都由同一个神经网络处理。OpenAI 称这是其突破深度学习界限的最新举措。目前,GPT-4o 可以在短至 232 毫秒、平均 320 毫秒的时间内响应音频输入,与人类的响应时间相似。同时在音频 ASR 性能和翻译性能上,GPT-4o 都比 Whisper-v3(OpenAI 的语音识别模型)的性能更优。
M3Exam 基准测试既能用于多语言评估,也可以用于视觉评估。它由多项选择题组成,包括图形和图表。在所有语言的基准测试中,GPT-4o 都比 GPT-4 更强。另外,在视觉理解评估上,GPT-4o 在视觉感知基准上都实现了最先进的性能。
GPT-4o 在视觉理解上同样能力不错 | 图片来源:OpenAI
一位大模型训练者曾对极客公园表示,模型的技术领先性从来不是靠打榜评分,而是靠用户最真实的感受和体验。从这个角度来说,GPT-4o 的技术领先性将很容易见分晓。
OpenAI 表示,GPT-4o 的文本和图像功能将于发布会当天在 ChatGPT 中推出。免费用户就可以使用,不过 Plus 付费用户能享受高达 5 倍的消息容量。在未来几周内,OpenAI 会在 ChatGPT Plus 中推出新版本的语音模式 GPT-4o alpha。
而开发人员现在就可以在 API 中访问 GPT-4o 的文本和视觉模型。与 GPT-4 Turbo 相比,GPT-4o 速度提高了 2 倍,价格降低了一半,速率限制提高了 5 倍。在未来几周内,OpenAI 计划向一小部分值得信赖的合作伙伴推出 GPT-4o 的新音频和视频功能。
一项强大的技术最令外界担忧的就是它的安全可控性。这也是 OpenAI 最核心的考虑之一。
OpenAI 表示,GPT-4o 通过过滤训练数据和通过训练后细化模型行为等技术,在跨模式设计中内置了安全性。其还创建了新的安全系统,为语音输出提供防护。为了保证更好的安全性,OpenAI 表示在接下来的几周和几个月里,将致力于技术基础设施、培训后的可用性以及发布其他模式所需的安全性。
三、OpenAI 从没让外界失望,再次引领科技圈的未来
作为这波 AI 浪潮的开启者、引领者,OpenAI 的每一次发布和更新,都关系着其庞大用户量的涨跌、公司竞争的进退以及整个行业的关注和走向。
在这次发布会之前,外界对 OpenAI 颇多谣传,也包括质疑。一周前,外媒报道此次 OpenAI 要发布的是一款搜索引擎——在一年最重要的新闻发布时刻,这家公司没有推出 GPT-5,这引来外界对其创新力的颇多怀疑。而如果无法拿出足够创新力的技术和产品,这家公司将难以重振用户的增长,满足整个市场对它的期待。
自 2022 年底推出 ChatGPT 后,OpenAI 的用户量经历了大起大落。据 Similarweb 估计,其全球访问量在 2023 年 5 月达到 18 亿次的峰值。但进入 2023 年下半年后,其用户量则有所下降,至今仍未追平去年 5 月的全球访问量峰值记录。
自 2022 年 11 月以来,ChatGPT 在全球和美国的流量增长情况|图片来源:Similarweb
这次发布会,直接关系着OpenAI用户量的增长情况。
外界对搜索引擎还是颇为关注的,Similarweb 表示这个消息当天让 ChatGPT 流量大涨。不过,在发布会前两天,OpenAI CEO Sam Altman 才对外澄清,此次既不会发 GPT-5、也不会发搜索引擎,“但我们一直在努力开发一些我们认为人们会喜欢的新东西!对我来说感觉就像魔法一样。”他把这件事描述得更小了。
或许,人们是在一种低期待中观看这次 OpenAI 的发布会。但最终,他们收获到的是一次强烈的震撼。这或许正是 OpenAI 想要的反差效果。
无论是最初的 GPT-3.5,还是去年这个时候的 GPT-4、去年年底的 GPTs,又或者是今年年初的 Sora——OpenAI 再一次证明,它不会让世人失望。尽管 Google、Claude、Character AI、Perplexity 等竞争对手正攫走更多新用户以及资本的青睐,但 OpenAI 依然证明自己有能力引领科技创新的“高地”。
ChatGPT 和其他聊天机器人的访问量对比|图片来源:Similarweb
在此次 OpenAI 推出基于 GPT-4o 的“超级智能助理”之后,这似乎也将成为接下来各科技大厂争相追赶的方向。
据外媒报道,近期谷歌一直在测试使用人工智能打电话。传闻,它将推出一款名为“Pixie”的多模态个人助理,作为“Google Assistant”的替代品。它可以通过摄像头查看物体,并执行人类指令。这在明天的 Google I/O 大会上就会见分晓。
而近日,外媒亦报道,苹果即将与 OpenAI 达成协议——在 6 月份苹果举办的年度全球开发者大会上,苹果或将在 iOS 18 中引入由 ChatGPT 提供支持的“聊天机器人”,这将对苹果的个人语音助理 Siri 带来颠覆性影响。
难以想象,仅仅一年半的时间,OpenAI 就将技术推到了今天这个地步,让“超级助理”的想象这么快发生在我们眼前。然而,这也只是 OpenAI 释放的技术实力的一角。毕竟,我们今天谈到的仅仅是 GPT-4 的更新,还没有说到 GPT-5。OpenAI 到底会给我们带来多少震撼,以及随之会产生多少忧虑,都是未知的问题。
如果站在科技的未来隧道往回看,今天 GPT-4o“超级语音助理”的诞生,或许会成为科技史上一个标志性的时刻。但或许又如同 OpenAI 首席运营官 Brad Lightcap 几天前所说,“在接下来的 12 个月里,我们应该会觉得今天使用的(AI)系统糟糕得可笑。”
本文来自微信公众号:极客公园 (ID:geekpark),作者:黎诗韵,编辑:靖宇
相关推荐
索尼的一小步,音乐行业的一大步
张颐武:匠荞是毛铺的一小步 可能是中国白酒一大步
贝索斯的一小步:竞争推动人类走向太空
NASA的一小步,马斯克的一大步
脑机接口首次人体试验,马斯克向“超级人类”前进一小步
OpenAI会变邪恶吗?再聊AI对人类的威胁
ChatGPT最新路线曝光:不是GPT-5,要做个人助理?
担忧AI向人类扔核弹,OpenAI是认真的
OpenAI大招三连,继续“苹果”化
OpenAI发布炸裂研究:让AI解释AI黑箱,人类无法理解
网址: ChatGPT-4o,OpenAI的一小步,人类“AI助理”的一大步 http://www.xishuta.com/newsview118290.html
推荐科技快讯
![](http://www.xishuta.com/upload/imgs/img_20190122031342.jpg)
- 1问界商标转让释放信号:赛力斯 94522
- 2人类唯一的出路:变成人工智能 15930
- 3报告:抖音海外版下载量突破1 15370
- 4移动办公如何高效?谷歌研究了 15239
- 5人类唯一的出路: 变成人工智 15008
- 62023年起,银行存取款迎来 9755
- 7网传比亚迪一员工泄露华为机密 7611
- 812306客服回应崩了 12 6135
- 9瓜子大数据:用户提车7天内, 5599
- 10假期出游大家关注啥?如何避开 5394