ChatGPT-4o，人类「AI 助理」的一大步｜Z Talk

作者 | 黎诗韵
编辑 | 靖宇

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，比如它通过研究员上扬的嘴角判断他的心情、通过他周围的环境背景判断了他正在做什么、甚至给出了造型建议；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。

它有了更灵活的「嘴巴」，对话不再有延时，你能随时打断它、它能随时接住你的话。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」。它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，源自 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。

ChatGPT 的惊人进步

在 OpenAI 的官网上，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。

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。

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，这个过程会来得这么快。

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。

GPT-4o 多模态大模型的技术进步、以及安全性

这些惊艳的产品表现，根本上源自于 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）的评测指标上，都超出了 GPT-4T、GPT-4 (23 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。

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，从而存在延迟、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，模型会丢失大量信息，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。

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。

OpenAI 从没让外界失望

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，这家公司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。

这次发布会，直接关系着其用户量的增长情况。

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，还是去年底的 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着科技创新的「高地」。

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」，这或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。」