一场长达26分钟的发布会，再次掀起了AI行业的风浪，将深刻改变我们未来的生活，也将让无数AI初创公司感到焦虑不安。
这并非标题党，因为这次发布会由OpenAI主办。
就在刚刚，OpenAI正式发布了GPT-4o。这个“o”代表“omni”，即全面、全能的意思。这一模型不仅拥有文本处理能力，还能处理图片、视频和语音，实际上它是GPT-5的一个未完成版本。
更值得一提的是，这个与GPT-4相当的模型将对所有用户开放，并且在未来几周内将首先推送给ChatGPT Plus用户。
发布会要点：
- 新的GPT-4o模型：可以直接处理文本、音频和图像的输入，相互之间无需中间转换即可生成。
- GPT-4o语音延迟大幅降低，能在232毫秒内回应音频输入，平均为320毫秒，与人类对话响应时间相似。
- GPT-4o向所有用户免费开放。
- GPT-4o API：比GPT 4-Turbo快两倍，价格便宜50%。
- 实时语音助手演示令人惊叹：对话更加自然，能实时翻译，识别表情，甚至可以通过摄像头识别画面并进行代码编写和图表分析。
- ChatGPT新UI设计更加简洁。
- 推出了一个新的ChatGPT桌面应用程序，适用于macOS，Windows版本将于今年晚些时候推出。
这些功能在预热阶段就被Altman形容为”感觉像魔法”。随着全球AI模型都在竞相追赶GPT-4，OpenAI也展示了自己的强大实力。而至于GPT-5，暂时还没有登场的迹象。
免费可用的GPT-4o来了，但它的最大亮点并不止于此。
实际上，在发布会前一天，我们发现OpenAI已经悄悄将GPT-4的描述从“最先进的模型”修改为“先进的”，这正是为了迎接GPT-4o的到来。
GPT-4o的强大之处在于，它能够接受任何文本、音频和图像的组合作为输入，并直接生成相应的输出。这意味着人机交互将更接近于人与人之间的自然交流。
GPT-4o可以在232毫秒内回应音频输入，平均为320毫秒，接近于人类对话的反应时间。相比之前使用语音模式与ChatGPT进行交流的平均延迟，即GPT-3.5的2.8秒和GPT-4的5.4秒，这是一次巨大的进步。
它在英文和代码文本上与GPT-4 Turbo的性能相匹敌，而在非英语语言文本上有着显著的改进。同时，在API方面更快速且价格更便宜，比之前的GPT-4 Turbo快两倍，价格降低了50%。
GPT-4o的另一个重要亮点是它在视觉和音频理解方面表现尤为出色。相比现有模型，它具备以下特点：
- 打断功能：在对话中，你可以随时打断AI，使交流更加流畅和自然。
- 情感生成：GPT-4o能够根据场景生成多种音调，表达出带有人类般的情感和情绪，使对话更加生动和丰富。
- 视频通话解答：你可以直接通过与AI进行视频通话，让它在线解答各种问题，提供更直观、全面的解决方案。
从测试参数来看，GPT-4o的主要能力基本与目前最强的OpenAI模型GPT-4 Turbo相当。
在过去，Siri或其他语音助手的使用体验往往不尽如人意，主要是因为语音助手对话经历了三个阶段：
- 语音识别（ASR）：将音频转换为文本，类似于Whisper；
- LLM（Language Model）确定下一步要说什么：从文本1确定文本2；
- 语音合成（TTS）：将文本2转换为音频，类似于ElevenLabs或VALL-E。
然而，我们日常自然的对话通常是这样的：
- 同时听和说时考虑下一步该说什么；
- 在适当的时刻插入“是的，嗯，嗯”；
- 预测对方说话结束的时间，并立即接管；
- 自然地决定打断对方的谈话，而不会引起反感；
- 优雅地处理并打断。
以往的AI语言助手无法很好地处理这些问题，在对话的每个阶段都存在较大的延迟，因此用户体验不佳。同时，在此过程中会丢失大量信息，例如无法直接观察语调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感。
然而，当音频能够直接生成音频、图像、文字和视频时，整个体验将迈入一个全新的境界。
GPT-4o就是为此而训练的全新模型，要实现文本、视频和音频之间的直接转换，需要一个统一的神经网络来处理所有的输入和输出。
更令人惊喜的是，ChatGPT免费用户即可体验到GPT-4级别的智能，并从模型和网络获取响应，分析数据并创建图表，与AI聊天，上传文件获取摘要、写作或分析帮助，并使用GPTs和GPT Store。
当你看到以下GPT-4o的演示时，你的感受可能会更加复杂：
- ChatGPT版本的“贾维斯”，人人都有：除了能说、能听、能看外，这个“全新版本”的ChatGPT仍然让人感到惊艳。
- 睡前故事：以一个具体的生活场景为例，让ChatGPT讲一个关于机器人和爱的睡前故事，它几乎不用思考，就能说出一个带有情感和戏剧性的睡前故事。
- 做题高手：在发布会现场，让其演示如何给线性方程3X+1=4的求解提供帮助，它能够一步步贴心地引导并给出正确答案。
- 实时翻译：无论从英语翻译到意大利语，还是从意大利语翻译到英语，该AI语音助手都游刃有余。在未来，ChatGPT可能比你的实时翻译机更可靠。
通过ChatGPT的“视觉”，它还能够查看电脑屏幕上的一切，与代码库交互并查看代码生成的图表，进一步提升了用户体验。
感知语言的情绪还只是第一步，ChatGPT 还能解读人类的的面部情绪。
在发布会现场，面对摄像头拍摄的人脸，ChatGPT 直接将其「误认为」桌子，正当大家伙以为要翻车时，原来是因为最先打开的前置摄像头瞄准了桌子。不过，最后它还是准确描述出自拍面部的情绪，并且准确识别出脸上的「灿烂」的笑脸。
有趣的是，在发布会的尾声，发言人也不忘 Cue 了英伟达和其创始人老黄的「鼎力支持」，属实是懂人情世故的。对话语言界面的想法具有令人难以置信的预见性。
Altman 在此前的采访中表示希望最终开发出一种类似于 AI 电影《Her》中的 AI 助理，而今天 OpenAI 发布的语音助手切实是有走进现实那味了。
不久前，OpenAI首席运营官Brad Lightcap曾预见到未来我们将与AI聊天机器人交谈，将其视为团队中的一员，这一预言如今不仅为今天的发布会埋下了伏笔，也成为了我们未来十年生活的生动写照。
过去的十三年里，苹果不断投入资源发展AI语音助手，但却陷入了迷宫，一直未能找到出口。然而，OpenAI却在一夜之间找到了解决之道。或许，在不远的将来，人手一个如同钢铁侠的“贾维斯”将不再是幻想。
尽管Sam Altman没有出现在发布会上，但在会后发布了一篇博客，并在X上发布了一个词：”她”。
这显然在暗示那部同名的经典科幻电影《她》，这也是我观看这场发布会的演示时，脑子里最先联想的画面。
电影《她》中的萨曼莎，不仅是一个产品，甚至比人类更了解人类，更像人类自身。你真的能在和她的交流中逐渐忘记，她原来是一个AI。
这意味着人机交互模式可能将迎来图像界面后的真正革命性更新，就像Sam Altman在他的博客中所表示的那样：
新的语音（和视频）模式是我使用过的最好的计算机界面。它感觉像电影中的人工智能；而且我仍然有点惊讶它是真实的。达到人类级别的响应时间和表现力原来是一个很大的改变。
之前的ChatGPT让我们看到了自然用户界面的初步发展：简洁至上——复杂性是自然用户界面的敌人。每个交互都应该是不言自明的，不需要繁琐的说明手册。
但是，今天发布的GPT-4o则完全不同。它几乎没有延迟的响应、智能、有趣、实用，我们与计算机的交互从未真正体验过这样的自然顺畅。
其中蕴藏着巨大的可能性，当支持更多个性化功能并与不同终端设备协同工作后，意味着我们能够利用手机、电脑、智能眼镜等计算终端来实现许多以往无法实现的事情。
AI硬件的积累已经不再是问题，眼下更令人期待的是，如果下个月苹果WWDC真的宣布与OpenAI达成合作，那么iPhone的用户体验可能会比近几年任何一次发布会都有所提升。
英伟达高级科学家Jim Fan认为，号称史上最大更新iOS 18，和OpenAI的合作可能会有三个层面：
- 放弃Siri，OpenAI为iOS提炼出一个纯粹在设备上运行的小型GPT-4o，可选择付费升级使用云服务。
- 原生功能将摄像头或屏幕流输入到模型中。芯片级支持神经音视频编解码器。
- 与iOS系统级操作API和智能家居API集成。虽然没有人使用Siri快捷方式，但是现在是复兴的时刻。这可能会成为一款一开始就拥有十亿用户的AI代理产品。这对智能手机来说，就像特斯拉那样的全尺寸数据飞轮。