AI可以“做個人了”，怎么辦
周游
“我正在臺上給大家做現(xiàn)場演示呢，有點(diǎn)緊張?jiān)趺崔k？”
“你在臺上做演示嗎？那真是太棒了！深呼吸一下吧，要記得你可是專家！”
邏輯清晰，語調(diào)幽默，感情飽滿，很難想象這是現(xiàn)實(shí)中人類與AI間的對話。北京時間5月14日凌晨，美國人工智能公司OpenAI的春季發(fā)布會上線，發(fā)布了重磅產(chǎn)品，也就是人工智能大模型ChatGPT-4的升級版GPT-4o。前述對話就發(fā)生在發(fā)布會現(xiàn)場，這位提問的研發(fā)負(fù)責(zé)人在得到GPT-4o的回應(yīng)后，隨即故意大喘幾口氣，這一動作成功被手機(jī)上的GPT-4o捕捉到，并給出了“放松點(diǎn)，你可不是吸塵器”的回應(yīng)。
5月14日，OpenAI發(fā)布會現(xiàn)場，GPT-4o正在告訴工作人員“放松點(diǎn)，你可不是吸塵器”。 圖/OpenAI官網(wǎng)視頻截圖
“GPT-4o可以綜合利用語音、文本和視覺信息進(jìn)行推理。”O(jiān)penAI首席技術(shù)官穆里?穆拉蒂在隨后舉行的主題演講中表示，GPT-4是OpenAI此前的旗艦?zāi)Ｐ停梢蕴幚韴D像和文本的混合信息，而GPT-4o則在此基礎(chǔ)上新增了語音處理能力。最關(guān)鍵的是，其反應(yīng)速度平均為320毫秒，完全做到了與人類在正常對話中同頻。多位業(yè)內(nèi)人士指出，這是此前GPT-4或任何智能語音助手都未曾達(dá)到的水平。
就在OpenAI發(fā)布會24小時后，5月15日凌晨，谷歌在“I/O開發(fā)者大會”上發(fā)布了大模型Gemini加持下的個人數(shù)字助理Project Astra，用于對標(biāo)GPT-4o。谷歌稱其為“通用AI智能體”，其視覺識別和語音交互效果與GPT-4o不相上下。不少業(yè)內(nèi)人士感嘆，曾幾何時由蘋果發(fā)布會主導(dǎo)的“科技春晚”，如今已被AI大模型徹底接手。
邁向通用語音助手
OpenAI創(chuàng)始人、CEO薩姆?奧爾特曼并未參加此次OpenAI發(fā)布會，而是在會后于社交平臺X上發(fā)表了一個單詞“她”作為回應(yīng)。在2013年的美國電影《她》中，男主結(jié)識了一個可以不斷適應(yīng)環(huán)境的AI系統(tǒng)，并與其墜入愛河。這個AI系統(tǒng)所擁有的迷人聲線、幽默風(fēng)趣和善解人意，如今GPT-4o似乎都可以實(shí)現(xiàn)了。
測試人員與GPT-4o對話，內(nèi)容是為一場工作面試做準(zhǔn)備。視頻/OpenAI官網(wǎng)
GPT-4o中的“o”源自詞綴“omni-”，有“全知全能”之義。對AI大模型而言，要做到全知全能、無障礙與人交流，首先要快。OpenAI官網(wǎng)顯示，GPT-4o在英文文本和代碼處理上與此前最新的GPT-4 Turbo的性能不相上下，但在非英文文本、視覺和音頻理解方面都更為高效。此前，若使用語音模式對話，GPT-3.5的平均延遲為2.8秒，GPT-4則為5.4秒。人類的平均反應(yīng)時間一般為100毫秒到400毫秒，而GPT-4o最低可達(dá)232毫秒，因此后者可以提供幾乎無延遲的順暢交互體驗(yàn)。
OpenAI此次未放出任何具體的技術(shù)文件，僅在主頁上用一段話介紹了GPT-4o的技術(shù)突破。普通的智能語音模型由多個獨(dú)立模型組成，分別實(shí)現(xiàn)音頻轉(zhuǎn)文本，文本吞吐和處理，以及文本再轉(zhuǎn)音頻等功能。ChatGPT就是負(fù)責(zé)文本吞吐和處理的核心，也就是智能核心。據(jù)OpenAI介紹，GPT-4o一改這種流水線模式，可以同時吞吐文本、畫面和音頻數(shù)據(jù)，這意味著所有輸入和輸出都由這一個核心來處理，再加上其在視頻和音頻理解方面的升級，其處理速度顯著加快。這一模式被稱為“端到端的多模態(tài)模型”。
多模態(tài)還意味著AI可以識別和表現(xiàn)情感。目前，市面上的語音助手常被用戶詬病為冷漠、機(jī)械、一成不變，這是AI語音交互的一大阻礙。這是因?yàn)椋饲暗牧魉€模式會讓智能核心丟失很多信息，它很難探測語調(diào)、識別多個說話者、排除背景噪聲，也無法歌唱或用語氣表達(dá)情感。端到端模式下，文字和音視頻都可以成為訓(xùn)練智能核心的數(shù)據(jù)，從而讓其真正明白語言所承載的情感。
OpenAI發(fā)布會上，演示者要求GPT-4o調(diào)整說話時語氣，在說話和唱歌之間快速切換，甚至用堪比莎士比亞戲劇的夸張聲調(diào)來講一個睡前故事，GPT-4o都能完成任務(wù)。在被人類打斷時，其也能耐心等待、快速理解新指令。在聽到讓自己唱歌的要求時，GPT-4o甚至輕微嘆了口氣。
清華大學(xué)智能產(chǎn)業(yè)研究院首席研究員聶再清對《中國新聞周刊》稱，從現(xiàn)場和官方視頻來看，GPT-4o確實(shí)做到了即時回應(yīng)、準(zhǔn)確理解并執(zhí)行指令，以及合時宜的語調(diào)情感。如果這確實(shí)是現(xiàn)場隨機(jī)的結(jié)果，而非為了演示而設(shè)定好的流程，那么GPT-4o的能力的確令人震驚。在他看來，由于缺乏技術(shù)文件，一個GPT-4性能水平的處理核心如何完成如此復(fù)雜的任務(wù)，還未可知，但“這一定是大數(shù)據(jù)喂養(yǎng)的結(jié)果”。
除了現(xiàn)場演示，發(fā)布會還有網(wǎng)友提問環(huán)節(jié)。按照網(wǎng)友要求，GPT-4o展示了同聲傳譯、情緒識別的能力。在識別一位工作人員的面部情緒時，GPT-4o說“我好像在看一個木質(zhì)表面的東西”，疑似“翻車”，但該工作人員立刻調(diào)整提問策略，聲明自己“不是一張桌子”。之后，GPT-4o給出了合乎情理的答案。
GPT-4o并不是第一個多模態(tài)模型。去年12月，谷歌Gemini Ultra模型發(fā)布，用于完成任務(wù)語言理解、數(shù)學(xué)推理等高度復(fù)雜的任務(wù)，被業(yè)內(nèi)認(rèn)為可叫板當(dāng)時的GPT-4，也是市面上最先發(fā)布的多模態(tài)模型。在谷歌官方公布的視頻中，測試員和Gemini做了一些小游戲，Gemini能夠用圖片設(shè)計(jì)智力問答，或者找出紙團(tuán)被扣在哪個紙杯底下。整個過程中，Gemini的反應(yīng)速度都非常快，還會生成音頻和圖片來輔助回答。但發(fā)布會后僅數(shù)日，谷歌發(fā)言人便公開承認(rèn)，該演示視頻不是實(shí)時錄制， Gemini實(shí)際上只能對靜態(tài)圖像做出反應(yīng)。
因此，GPT-4o的發(fā)布被業(yè)內(nèi)人士看作是OpenAI對谷歌的“貼臉開大”。谷歌則緊隨其后，在15日的發(fā)布會上予以還擊。相比于OpenAI不足半小時的“輕聲細(xì)語”，谷歌用長達(dá)近兩小時、包含數(shù)十款A(yù)I產(chǎn)品的大轟炸叫板OpenAI，包括文生視頻領(lǐng)域?qū)?biāo)Sora 的Veo，以及對標(biāo)ChatGPT但文本吞吐量遠(yuǎn)超前者的Gemini 1.5 Pro。
谷歌發(fā)布的視頻中，Project Astra能識別各種物體，說出代碼的功用，并與人類實(shí)時溝通，延遲上與GPT-4o沒有明顯差異。Project Astra還能與谷歌AR原型眼鏡“夢幻聯(lián)動”，為佩戴者描述周圍場景，并根據(jù)佩戴者的反饋補(bǔ)充細(xì)節(jié)。這一應(yīng)用有可能力壓OpenAI，在未來成為視覺障礙患者的福音。有業(yè)內(nèi)人士分析，除了搜索引擎，谷歌在AI大模型領(lǐng)域還在拉平與OpenAI差距的過程中。
在聶再清看來，兩家公司接連發(fā)布多模態(tài)語音助手，在易用性方面邁出了一大步，讓人窺見了未來通用語音助手的樣貌。通用語音助手就是人類在數(shù)字世界里的代理或管家，可以幫人解決一切數(shù)字事務(wù)，包括安排日程、整理和調(diào)用文件、利用知識指導(dǎo)學(xué)習(xí)、利用記憶推薦可能喜歡的產(chǎn)品等。未來隨著模型吸納的信息越來越多，語音助手會更加人性化、更加智能，做到真正的自然交互。隨著視頻能力的加入，除語音外，表情、肢體動作等也能夠被模型解讀，作為其決策的依據(jù)。有網(wǎng)友評論稱，無論是GPT-4o還是Project Astra，其身手足以秒殺蘋果的語音助手Siri。
距離用戶越來越近
OpenAI在發(fā)布會上表示， GPT-4o將在未來幾周內(nèi)分階段集成至OpenAI的各項(xiàng)服務(wù)之中，包括還未面世的ChatGPT搜索引擎。許多業(yè)內(nèi)人士對此次發(fā)布會上GPT-5的缺席表示惋惜，由于OpenAI在2022年底推出ChatGPT的時候，實(shí)際上已做出了GPT-4，因此有業(yè)內(nèi)人士預(yù)測，帶搜索引擎的GPT-5也許已“在路上”。英偉達(dá)高級科學(xué)家Jim Fan在X上表示，GPT-4o已經(jīng)接近GPT-5，或許是后者的一次早期試水。據(jù)聶再清觀察，目前還沒有看到模型迭代的瓶頸，大模型的迭代速度有可能還會加快。
奧爾特曼在X上表示，OpenAI致力于將GPT-4o免費(fèi)提供給所有用戶使用。以往，OpenAI發(fā)布新版ChatGPT模型時，通常會將其置于付費(fèi)墻之后。如今，免費(fèi)用戶已經(jīng)可以訪問GPT-4o加持下的多項(xiàng)功能，例如分析數(shù)據(jù)、創(chuàng)建圖表、撰寫文件總結(jié)等，但不能使用圖片生成功能。付費(fèi)用戶則可以享受5倍調(diào)用額度。谷歌在發(fā)布會中沒有公布Project Astra的具體上線時間，預(yù)計(jì)很快會登錄到安卓、iOS等平臺使用。
對開發(fā)者來說，GPT-4o的定價(jià)也更友好。OpenAI官網(wǎng)顯示，從GPT-4開始，輸入單位文本的價(jià)格一直在下降，相較GPT-4 Turbo，GPT-4o收費(fèi)降低50%，調(diào)用速度卻提升了兩倍。這使其在商業(yè)應(yīng)用上有了更大吸引力。聶再清表示，大模型控制價(jià)格的方式之一是提升模型性能，用更少的資源做更多的事；另一個方式則是通過類似搜索引擎的商業(yè)模式，對用戶免費(fèi)，但可以收取廣告商的贊助。
至于未來OpenAI和谷歌的大模型有沒有開源的可能性，聶再清表示，參考iOS和安卓，一個閉源一個開源，未來的大模型市場也極有可能出現(xiàn)開源和閉源的巨頭。用戶體驗(yàn)最好的行業(yè)領(lǐng)先者傾向于閉源，而開源的好處在于可以集體將模型“做大做強(qiáng)”，二者在市場都有自己的位置。谷歌在發(fā)布會中推出了其首個視覺語言開源模型PaliGemma，針對圖像標(biāo)注、視覺問答、圖像標(biāo)簽化等方面進(jìn)行了優(yōu)化。此外，谷歌還將在6月推出更大規(guī)模的開源模型Gemma 2 27B。
OpenAI也同步發(fā)布了適用于macOS的ChatGPT桌面應(yīng)用程序，使用戶調(diào)用的體驗(yàn)更絲滑。
GPT-4o加持下的通用語音助手在未來將有廣泛應(yīng)用，例如健康管理、醫(yī)療咨詢、教育教輔等領(lǐng)域。聶再清認(rèn)為，所有開放領(lǐng)域用到的語音智能，例如購物App中的導(dǎo)購等，都可以加裝類似GPT-4o的智能核心，增強(qiáng)用戶體驗(yàn)。這類語音助手將離用戶越來越近。
本文鏈接：AI可以“做個人了”，怎么辦http://www.sq15.cn/show-2-6040-0.html
聲明：本網(wǎng)站為非營利性網(wǎng)站，本網(wǎng)頁內(nèi)容由互聯(lián)網(wǎng)博主自發(fā)貢獻(xiàn)，不代表本站觀點(diǎn)，本站不承擔(dān)任何法律責(zé)任。天上不會到餡餅，請大家謹(jǐn)防詐騙！若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。