​OpenAI大模型上新，自然人机交互迈出重要步伐

OpenAI大模型上新，自然人机交互迈出重要步伐

近日，美国人工智能公司 OpenAI 在其春季发布会上展示了新一代旗舰生成模型 GPT-4o。接入 GPT-4o 的 ChatGPT 语音助手，能和用户实时对话且从语音中分辨用户是否紧张，能通过前置摄像头观察用户的面部表情并分析其情绪变化，能当家教老师在线教孩子解数学题 …… 能听、能看、能说，且达到人类级别的响应时间和表达能力，难怪不少网友惊呼：大模型从 " 呆瓜 " 变 " 真人 " 了！

作为人工智能大模型浪潮的领航者，OpenAI 这次发布展现了人工智能大模型 2 个新趋势。

一方面，大模型向应用端需求进化，商业价值更加凸显。

在 GPT-4o 之前，用户以语音模式与 ChatGPT 对话，要通过音频转文本、文本处理、文本转音频 3 个模型来实现，平均延迟为 2.8 秒（GPT-3.5）和 5.4 秒（GPT-4）。GPT-4o 是 OpenAI 的首个 " 端到端多模态大模型 "，"o" 代表 omni，即 " 全能 " 的意思。它用一个模型同时处理文本、视觉和音频的输入输出，所有输入和输出都由同一个神经网络完成，这让它的反应速度有了质的提升。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，与人类在对话中的反应速度一致。这意味着高端人工智能产品更接近一个自然人，向自然人机交互迈出了重要一步。

GPT-4o 在资源消耗和响应速度上进行了优化，达到了与 GPT-4 Turbo 相当的能力，且降低 50% 的推理成本，打开了商业推广的空间，更有利于在智能手机、智能电脑等个人终端上实现端侧应用。在消费终端，用户需求多样化且变化迅速，需要提升交互界面的友好性和易用性，让用户获得流畅、自然的交互体验。GPT-4o 向具备情绪价值和自然交互能力的方向进化，意味着大模型在端侧的落地更进一步，有望开启下一波科技应用和商业模式的革命，出现人工智能的国民级应用。

另一方面，大模型技术迭代放缓，风险和不确定性增加。

OpenAI 并没有推出万众期待的 GPT-5，这让不少业内人士推测，OpenAI" 用更多大数据炼更大模型 " 这条技术迭代路线可能已遇到瓶颈，国内底层大模型加速追赶的窗口期或许到了。人们还期待 GPT-5 解决当代大模型存在的最大问题——幻觉（胡编乱造），因为它影响大模型的可靠性。这个问题也没能在 GPT-4o 中获得解决。有些网友就在试用中发现它会认字不会写字，如果让它输出一张含有特定文字内容的手写字体图画，它会写出谁都看不懂的自造字。此外，OpenAI 去年发布的 GPT-4 模型仅限付费用户使用，今年则宣布新模型 GPT-4o 用户不用注册、功能全部免费。OpenAI 开始卷起了免费，可能是 GPT 的用户增长和收入增长都已经碰到瓶颈。

从卷参数、卷文本长度再到卷多模态，大模型的竞争一直很激烈。随着当前人工智能技术的快速发展，大模型技术路径和商业模式的多样性和不确定性增加，商业投资风险也随之增加。对国产大模型来说，风险也是机遇。比如，全球首个三模态大模型其实是 2021 年 7 月中国发布的 " 紫东太初 "。不管大模型赛道往什么方向去，中国都有基础，也应该有信心打开更广阔的应用商业化空间。