OpenAI顛覆世界：GPT-4o完全免費，實時語音視頻交互震撼全場
機器之心報道
機器之心編輯部
太震撼了！
當各家科技公司還在追趕大模型多模態能力，把總結文本、P 圖等功能放進手機裡的時候，遙遙領先的 OpenAI 直接開了大招，發佈的產品連自家 CEO 奧特曼都驚歎：就像電影裡一樣。
5 月 14 日凌晨，OpenAI 在首次「春季新品發佈會」上搬出了新一代旗艦生成模型 GPT-4o、桌面 App，並展示了一系列新能力。這一次，技術顛覆了產品形態，OpenAI 用行動給全世界的科技公司上了一課。
今天的主持人是 OpenAI 的首席技術官 Mira Murati，她表示，今天主要講三件事：
ChatGPT 的這次更新以後，大模型可以接收文本、音頻和圖像的任意組合作爲輸入，並實時生成文本、音頻和圖像的任意組合輸出 —— 這纔是屬於未來的交互方式。
最近，ChatGPT 不用註冊也可以使用了，今天又增加了桌面程序，OpenAI 的目標就是讓人們可以隨時隨地的無感使用它，讓 ChatGPT 集成在你的工作流中。這 AI 現在就是生產力了。
GPT-4o 是面向未來人機交互範式的全新大模型，具有文本、語音、圖像三種模態的理解力，反應極快還帶有感情，也很通人性。
在現場，OpenAI 的工程師拿出一個 iPhone 演示了新模型的幾種主要能力。最重要的是實時語音對話，Mark Chen 說：「我第一次來直播的發佈會，有點緊張。」ChatGPT 說，要不你深呼吸一下。
好的，我深呼吸。
ChatGPT 立即回答說，你這不行，喘得也太大了。
如果你之前用過 Siri 之類的語音助手，這裡就可以看出明顯的不同了。首先，你可以隨時打斷 AI 的話，不用等它說完就可以繼續下一輪對話。其次，你不用等待，模型反應極快，比人類的迴應還快。第三，模型能夠充分理解人類的情感，自己也能表現出各種感情。
隨後是視覺能力。另一個工程師在紙上現寫的方程，讓 ChatGPT 不是直接給答案，而是讓它解釋要一步步怎麼做。看起來，它在教人做題方面很有潛力。
ChatGPT 說，每當你爲數學焦頭爛額的時候，我就在你身邊。
接下來嘗試 GPT-4o 的代碼能力。這有一些代碼，打開電腦裡桌面版的 ChatGPT 用語音和它交互，讓它解釋一下代碼是用來做什麼的，某個函數是在做什麼，ChatGPT 都對答如流。
輸出代碼的結果，是一個溫度曲線圖，讓 ChatGPT 以一句話的方式迴應所有有關此圖的問題。
最熱的月份在幾月，Y 軸是攝氏度還是華氏度，它都能回答得上來。
OpenAI 還回應了一些 X/Twitter 上網友們實時提出的問題。比如實時語音翻譯，手機可以拿來當翻譯機來回翻譯西班牙語和英語。
又有人問道，ChatGPT 能識別你的表情嗎？
看起來，GPT-4o 已經能夠做到實時的視頻理解了。
接下來，就讓我們詳細瞭解下 OpenAI 今天放出的核彈。
全能模型 GPT-4o
首先介紹的是 GPT-4o，o 代表 Omnimodel（全能模型）。
第一次，OpenAI 在一個模型中集成了所有模態，大幅提升了大模型的實用性。
OpenAI CTO Muri Murati 表示，GPT-4o 提供了「GPT-4 水準」的智能，但在 GPT-4 的基礎上改進了文本、視覺和音頻方面的能力，將在未來幾周內「迭代式」地在公司產品中推出。
「GPT-4o 的理由橫跨語音、文本和視覺，」Muri Murati 說道：「我們知道這些模型越來越複雜，但我們希望交互體驗變得更自然、更簡單，讓你完全不用關注用戶界面，而只關注與 GPT 的協作。」
GPT-4o 在英語文本和代碼上的性能與 GPT-4 Turbo 的性能相匹配，但在非英語文本上的性能顯著提高，同時 API 的速度也更快，成本降低了 50%。與現有模型相比，GPT-4o 在視覺和音頻理解方面尤其出色。
它最快可以在 232 毫秒的時間內響應音頻輸入，平均響應時長 320 毫秒，與人類相似。在 GPT-4o 發佈之前，體驗過 ChatGPT 語音對話能力的用戶能夠感知到 ChatGPT 的平均延遲爲 2.8 秒 (GPT-3.5) 和 5.4 秒 (GPT-4)。
這種語音響應模式是由三個獨立模型組成的 pipeline：一個簡單模型將音頻轉錄爲文本，GPT-3.5 或 GPT-4 接收文本並輸出文本，第三個簡單模型將該文本轉換回音頻。但 OpenAI 發現這種方法意味着 GPT-4 會丟失大量信息，例如模型無法直接觀察音調、多個說話者或背景噪音，也無法輸出笑聲、歌唱或表達情感。
而在 GPT-4o 上，OpenAI 跨文本、視覺和音頻端到端地訓練了一個新模型，這意味着所有輸入和輸出都由同一神經網絡處理。
「從技術角度來看，OpenAI 已經找到了一種方法，可以將音頻直接映射到音頻作爲一級模態，並將視頻實時傳輸到 transformer。這些需要對 token 化和架構進行一些新的研究，但總體來說是一個數據和系統優化問題（大多數事情都是如此）。」英偉達科學家 Jim Fan 如此評論道。
GPT-4o 可以跨文本、音頻和視頻進行實時推理，這是向更自然的人機交互（甚至是人 - 機器 - 機器交互）邁出的重要一步。
視頻鏈接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650917888&idx=1&sn=7d7cf9a41642541b5df64d0c8fb5b76a&chksm=84e4087eb3938168382fadd785ad8eb00602cda1863fbe811697c037508985dafb8558331058&token=196273776&lang=zh_CN#rd
OpenAI 總裁 Greg Brockman 也在線「整活」，不僅讓兩個 GPT-4o 實時對話，還讓它們即興創作了一首歌曲，雖然旋律有點「感人」，但歌詞涵蓋房間的裝飾風格、人物穿着特點以及期間發生的小插曲等。
視頻鏈接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650917888&idx=1&sn=7d7cf9a41642541b5df64d0c8fb5b76a&chksm=84e4087eb3938168382fadd785ad8eb00602cda1863fbe811697c037508985dafb8558331058&token=196273776&lang=zh_CN#rd
此外，GPT-4o 在理解和生成圖像方面的能力比任何現有模型都要好得多，此前很多不可能的任務都變得「易如反掌」。
比如，你可以讓它幫忙把 OpenAI 的 logo 印到杯墊上：
經過這段時間的技術攻關，OpenAI 應該已經完美解決了 ChatGPT 生成字體的問題。
同時，GPT-4o 還擁有 3D 視覺內容生成的能力，能夠從 6 個生成的圖像進行 3D 重建：
這是一首詩，GPT-4o 可以將其排版爲手寫樣式：
更復雜的排版樣式也能搞定：
與 GPT-4o 合作，你只需要輸入幾段文字，就能得到一組連續的漫畫分鏡：
而下面這些玩法，應該會讓很多設計師有點驚訝：
這是一張由兩張生活照演變而來的風格化海報：
還有一些小衆的功能，比如「文本轉藝術字」：
GPT-4o 性能評估結果
OpenAI 技術團隊成員在 X 上表示，之前在 LMSYS Chatbot Arena 上引起廣泛熱議的神秘模型「im-also-a-good-gpt2-chatbot」就是 GPT-4o 的一個版本。
在比較困難的 prompt 集上 —— 特別是編碼方面：GPT-4o 相比於 OpenAI 之前的最佳模型，性能提升幅度尤其顯著。
具體來說，在多項基準測試中，GPT-4o 在文本、推理和編碼智能方面實現了 GPT-4 Turbo 級別的性能，同時在多語言、音頻和視覺功能上實現了新高。
推理提升：GPT-4o 在 5-shot MMLU（常識問題）上創下了 87.2% 的新高分。（注：Llama3 400b 還在訓練中）
音頻 ASR 性能：GPT-4o 相比 Whisper-v3 顯著提高了所有語言的語音識別性能，特別是對於資源匱乏的語言。
GPT-4o 在語音翻譯方面取得了新的 SOTA 水平，並且在 MLS 基準測試中優於 Whisper-v3。
M3Exam 基準測試既是多語言評估基準也是視覺評估基準，由來自多個國家 / 地區的標準化測試多項選擇題組成，幷包括圖形、圖表。在所有語言基準測試中，GPT-4o 都比 GPT-4 更強。
未來，模型能力的提升將實現更自然、實時的語音對話，並能夠通過實時視頻與 ChatGPT 進行對話。例如，用戶可以向 ChatGPT 展示一場現場體育比賽，並要求它解釋規則。
ChatGPT 用戶將免費獲得更多高級功能
每週都有超過一億人使用 ChatGPT，OpenAI 表示 GPT-4o 的文本和圖像功能今天開始免費在 ChatGPT 中推出，並向 Plus 用戶提供高達 5 倍的消息上限。
現在打開 ChatGPT，我們發現 GPT-4o 已經可以使用了。
使用 GPT-4o 時，ChatGPT 免費用戶現在可以訪問以下功能：體驗 GPT-4 級別智能；用戶可以從模型和網絡獲取響應。
此外，免費用戶還可以有以下選擇 ——
分析數據並創建圖表：
和拍攝的照片對話：
上傳文件以獲取總結、寫作或分析方面的幫助：
發現並使用 GPTs 和 GPT 應用商店：
以及使用記憶功能打造更有幫助的體驗。
不過，根據使用情況和需求，免費用戶可以使用 GPT-4o 發送的消息數量會受到限制。當達到限制時，ChatGPT 將自動切換到 GPT-3.5，以便用戶可以繼續對話。
此外，OpenAI 還將在未來幾周內在 ChatGPT Plus 中推出新版本的語音模式 GPT-4o alpha，並通過 API 向一小部分值得信賴的合作伙伴推出對 GPT-4o 更多新的音頻和視頻功能。
當然了，通過多次的模型測試和迭代，GPT-4o 在所有模態下都存在一些侷限性。在這些不完美的地方，OpenAI 表示正努力改進 GPT-4o。
可以想到的是， GPT-4o 音頻模式的開放肯定會帶來各種新的風險。在安全性問題上，GPT-4o 通過過濾訓練數據和通過訓練後細化模型行爲等技術，在跨模態設計中內置了安全性。OpenAI 還創建了新的安全系統，爲語音輸出提供防護。
新的桌面 app 簡化用戶工作流程
對於免費和付費用戶，OpenAI 還推出了適用於 macOS 的新 ChatGPT 桌面應用程序。通過簡單的鍵盤快捷鍵（Option + Space），用戶可以立即向 ChatGPT 提問，此外，用戶還可以直接在應用程序中截取屏幕截圖並進行討論。
現在，用戶還可以直接從計算機與 ChatGPT 進行語音對話，GPT-4o 的音頻和視頻功能將在未來推出，通過點擊桌面應用程序右下角的耳機圖標來開始語音對話。
從今天開始，OpenAI 將向 Plus 用戶推出 macOS 應用程序，並將在未來幾周內更廣泛地提供該應用程序。此外今年晚些時候 OpenAI 會推出 Windows 版本。
奧特曼：你們開源，我們免費
在發佈結束後，OpenAI CEO 山姆・奧特曼久違地發表了一篇博客文章，介紹了推動 GPT-4o 工作時的心路歷程：
在我們今天的發佈中，我想強調兩件事。
首先，我們使命的一個關鍵部分是將強大的人工智能工具免費（或以優惠的價格）提供給人們。我非常自豪地宣佈，我們在 ChatGPT 中免費提供世界上最好的模型，沒有廣告或類似的東西。
當我們創立 OpenAI 時，我們的最初構想是：我們要創造人工智能並利用它爲世界創造各種利益。現在情況有所變化，看起來我們將創造人工智能，然後其他人將使用它來創造各種令人驚奇的事物，我們所有人都會從中受益。
當然，我們是一家企業，會發明很多收費的東西，這將幫助我們向數十億人提供免費、出色的人工智能服務（希望如此）。
其次，新的語音和視頻模式是我用過的最好的計算交互界面。感覺就像電影裡的人工智能一樣，我仍然有點驚訝於它竟然是真的。事實證明，達到人類水平的響應時間和表達能力是一個巨大的飛躍。
最初的 ChatGPT 暗示了語言界面的可能性，而這個新事物（GPT-4o 版本）給人的感覺有本質上的不同 —— 它快速、智能、有趣、自然且能給人帶來幫助。
對我來說，與電腦交互從來都不是很自然的事情，事實如此。而當我們添加（可選）個性化、訪問個人信息、讓 AI 代替人採取行動等等能力時，我確實可以看到一個令人興奮的未來，我們能夠使用計算機做比以往更多的事情。
最後，非常感謝團隊爲實現這一目標付出了巨大的努力！
值得一提的是，上個星期奧特曼在一次採訪中表示，雖然全民免費收入（universal basic income）難以實現，但我們可以實現「全民免費計算 universal basic compute」。在未來，所有人都可以免費獲得 GPT 的算力，可以使用、轉售或捐贈。
「這個想法是，隨着 AI 變得更加先進，並嵌入到我們生活的方方面面，擁有像 GPT-7 這樣的大語言模型單元可能比金錢更有價值，你擁有了部分生產力，」奧特曼解釋道。
GPT-4o 的發佈，或許就是 OpenAI 朝着這方面努力的一個開始。
是的，這還只是個開始。
最後提一句，今天 OpenAI 博客中展示的「Guessing May 13th’s announcement.」的視頻，幾乎完全撞車谷歌明天 I/O 大會的一個預熱視頻，這無疑是對谷歌的貼臉開大。不知道看完今天 OpenAI 的發佈，谷歌有沒感到巨大壓力？
參考內容：
https://openai.com/index/hello-gpt-4o/
https://openai.com/index/gpt-4o-and-more-tools-to-chatgpt-free/
https://blog.samaltman.com/gpt-4o
https://www.businessinsider.com/openai-sam-altman-universal-basic-income-idea-compute-gpt-7-2024-5