21世紀(jì)經(jīng)濟(jì)報(bào)道記者孔海麗 實(shí)習(xí)生鄧熙涵 北京報(bào)道 酷暑到來之前，OpenAI提前引爆了AI之夏。北京時(shí)間5月14日凌晨1點(diǎn)，OpenAI舉行春季發(fā)布會(huì)。會(huì)上，重點(diǎn)推出新旗艦?zāi)Ｐ虶PT-4o，以及在ChatGPT中免費(fèi)提供更多功能。GPT-4o在多模態(tài)交互領(lǐng)域開始了現(xiàn)象級(jí)橫掃。
人類津津樂道的智能AI助手，面目逐漸清晰:除了尚未具身，無縫語音對話、精確到細(xì)節(jié)的視覺信息處理、情緒檢測技術(shù)及共情能力，幾乎都與真人無異。而比人類更強(qiáng)的是，這個(gè)AI情緒穩(wěn)定，天文地理無所不知，解決問題的能力也是一流。
業(yè)內(nèi)因GPT-4o沸騰起來，盛贊一如往常，“大模型從‘呆瓜’變‘真人’，交互能力革新帶來的可能是場景、用戶數(shù)的幾何級(jí)放大”；“OpenAI將蠶食情感類人工智能助手的市場，向更具情感、個(gè)性更強(qiáng)的人工智能邁進(jìn)”；“要重新理解機(jī)器視覺、聽覺了”……
不過，喧囂之下，也有一些客觀聲音，在審視OpenAI技術(shù)層面的進(jìn)展。GPT-4o的廣泛真實(shí)體驗(yàn)，能否全部達(dá)到視頻演示中的極高水準(zhǔn)，仍有待驗(yàn)證。
IDC中國研究總監(jiān)盧言霞告訴21世紀(jì)經(jīng)濟(jì)報(bào)道記者，OpenAI本次發(fā)布會(huì)的現(xiàn)場演示中，視頻采用的還是抽幀處理技術(shù)，即Image to text，語音交互還是之前的全雙工技術(shù)，只是多模態(tài)對話的過程更順暢更自然。但確實(shí)進(jìn)一步提高了類GPT產(chǎn)品的智能化交互能力，弱化了背后的代碼，簡化了交互的流程。GPT-4o不會(huì)砸掉所有語音助手的飯碗，反而是大模型在端側(cè)的落地迎來雙贏可能。
科幻電影《Her》中所展現(xiàn)的圖景似乎成為可能，人類距離真正的AI Agent還有多遠(yuǎn)？是否會(huì)引發(fā)新一輪的AI Agent變革？可以肯定的是，GPT-4o已經(jīng)揭開AI行業(yè)變化與競爭的新篇章。
“AI背后藏了個(gè)真人”
GPT-4o的“o”代表“omni”，象征著全能。該模型多模態(tài)交互能力突出，能夠接受文本、音頻和圖像的“混搭”輸入，快速響應(yīng)完成推理，生成文本、音頻和圖像的組合輸出。
音頻輸入層面，GPT-4o擊穿了此前Siri等智能語音助手的延遲弊端，取得突破性進(jìn)展。其響應(yīng)速度之快，達(dá)到了人類級(jí)別，至短232毫秒，平均320毫秒。
此外，新模型展現(xiàn)出對人類交流習(xí)慣的高度理解力和適應(yīng)性。GPT-4o能以聽起來非常自然的人類聲音說話，并且發(fā)出多種語氣詞，表現(xiàn)了此前AI音頻所未能達(dá)到的張力和可塑性。
它能夠接受人類交談中的打斷習(xí)慣，及時(shí)停頓并給出無縫回復(fù)，并且保持對上下文的記憶。這種自然的交互體驗(yàn)，讓人幾乎感覺不到與機(jī)器的界限。
視頻輸入方面，GPT-4o可以及時(shí)響應(yīng)高管開啟攝像頭的視頻需求指令，實(shí)時(shí)解決一元方程的數(shù)學(xué)計(jì)算，整個(gè)過程同樣絲滑迅速。
市面上已有一部分情感型人工智能機(jī)器人，比普通人工智能助手更能準(zhǔn)確識(shí)別人類情緒。然而，上述功能多停留在文本中，GPT-4o的情緒檢測功能則擴(kuò)展至視頻領(lǐng)域。
發(fā)布會(huì)現(xiàn)場，研究人員將手機(jī)攝像頭對準(zhǔn)自己的臉，向GPT-4o發(fā)起了頗具挑戰(zhàn)性的問題:“我看起來怎么樣？”，GPT-4o初次回答將提問者的臉界定為“木質(zhì)表面”。隨后，GPT-4o在引導(dǎo)性提問下修正結(jié)果，準(zhǔn)確分析出提問者的情緒狀態(tài)是愉悅的、笑容滿面的。
從底層技術(shù)分析，GPT-4o的先進(jìn)之處在于，它革新了傳統(tǒng)的多模型串聯(lián)處理方式，能夠通過單一的神經(jīng)網(wǎng)絡(luò)統(tǒng)一處理所有的輸入和輸出，無論是文本、視覺圖像還是音頻信息，都能得到精準(zhǔn)高效的解析和回應(yīng)。
OpenAI并不是首家運(yùn)用情感智能技術(shù)的公司。Inflection AI發(fā)布的Pi已能成熟運(yùn)用大語言模型的對話共情回復(fù)技術(shù)，實(shí)現(xiàn)人類“嘴替”的效果，提供沉浸式的虛擬情感陪伴。
英偉達(dá)高級(jí)研究科學(xué)家兼人工智能代理負(fù)責(zé)人Jim Fan發(fā)文稱贊GPT-4o的情感能力，令人聯(lián)想到 2013 年的科幻電影《Her》。這部電影講述了人機(jī)親密關(guān)系——遭遇離婚風(fēng)波的男主角西奧多與人工智能系統(tǒng)薩曼莎成為靈魂伴侶。
Jim Fan認(rèn)為，OpenAI將蠶食Character.AI等情感類人工智能助手的市場，向更具情感、個(gè)性更強(qiáng)的人工智能邁進(jìn)。
繼發(fā)布文生視頻大模型Sora后，GPT-4o有望成為邁向多模態(tài)智能體的又一座里程碑。
巨頭焦慮與端側(cè)革命
OpenAI的大模型庫再添GPT-4o一員猛將，預(yù)示著AI Agent已至新賽點(diǎn)，再次撥快了人類循序漸進(jìn)邁向GAI的時(shí)針。
從技術(shù)定義來看，AI Agent是通用人工智能的終極目標(biāo)，以大語言模型為大腦驅(qū)動(dòng)，不需要人類的指揮，具有自主性，能獨(dú)立思考并運(yùn)行相應(yīng)程序。
市場嗅到了技術(shù)帶來的機(jī)會(huì)風(fēng)口，AI Agent成為科技巨頭競相追逐的前沿方向。目前，已經(jīng)出現(xiàn)不少泛化的Agent概念產(chǎn)品，微軟的Copilot，谷歌的Gemini都是這一隊(duì)列中曾被寄予厚望的數(shù)字助手。
如今，GPT-4o的加速推出革新了智能交互的表現(xiàn)。前DCCI互聯(lián)網(wǎng)數(shù)據(jù)中心創(chuàng)始人胡延平認(rèn)為，GPT-4o重新定義了機(jī)器視覺、聽覺和攝像頭的交互模式，應(yīng)用爆發(fā)力不可估量。
新技術(shù)進(jìn)展為巨頭們的錯(cuò)失恐懼又添一把火。據(jù)悉，谷歌計(jì)劃在2024年I/O開發(fā)者大會(huì)上推出個(gè)性化數(shù)字助手“Pixie”，由Gemini驅(qū)動(dòng)，有望整合多模態(tài)功能。
微軟也在蓄力開拓AI Agent的新場景。為了打造個(gè)性化聊天機(jī)器人，3月19日，微軟已與Inflection AI達(dá)成協(xié)議，獲得其核心技術(shù)授權(quán)；針對現(xiàn)有最接近AI Agent的Copilot，微軟正努力解決如何為生成式AI提供良好提示詞，為Copilot for Micorosft 365提供Prompt補(bǔ)全功能。
AI Agent的爆發(fā)之年，蘋果同樣意圖升級(jí)被詬病“古老過時(shí)”的Siri。有知情人士稱，蘋果或?qū)⒃趇OS 18中引入由ChatGPT 提供支持的聊天機(jī)器人。
更自然、更“類人”的GPT-4o掀起的巨大波瀾，不僅影響上游廠商，還將波及產(chǎn)業(yè)鏈下游的終端廠商。OpenAI此次發(fā)布會(huì)呈現(xiàn)的新模型多基于手機(jī)端場景，為處于產(chǎn)業(yè)爆發(fā)前夜的AI手機(jī)產(chǎn)業(yè)帶來新想象。
市面上AI手機(jī)等端側(cè)智能體的生態(tài)離不開大模型技術(shù)底座，智能終端廠家需要重新審視底層大模型能力。
相較于單個(gè)AI應(yīng)用，AI手機(jī)的賣點(diǎn)一直是人格化、記憶、感知和管理能力，跨APP交互能力。而具備情緒價(jià)值和自然交互能力的GPT-4o走入市場，要么會(huì)顛覆一眾AI手機(jī)，要么會(huì)讓留下來的AI手機(jī)“如虎添翼”。
盧言霞告訴21世紀(jì)經(jīng)濟(jì)報(bào)道記者，“GPT-4o意味著大模型在端側(cè)的落地更進(jìn)一步。短時(shí)間內(nèi)，肯定是誰的端側(cè)交互能力強(qiáng)，誰就會(huì)贏得用戶。在中長周期內(nèi)，后來者也會(huì)迎頭趕上。應(yīng)該說，這是端側(cè)與AI助手的雙贏，畢竟上游廠商沒有精力面向每個(gè)場景做優(yōu)化與工程化，還是需要產(chǎn)業(yè)鏈的協(xié)作。”
鄭重聲明：此文內(nèi)容為本網(wǎng)站轉(zhuǎn)載企業(yè)宣傳資訊，目的在于傳播更多信息，與本站立場無關(guān)。僅供讀者參考，并請自行核實(shí)相關(guān)內(nèi)容。
|
