评论:视觉语音交互毫无延迟,都成精了居然还不是GPT-5?

  作者|王兆洋

  邮箱|zywang@pingwest.com

  OpenAI 给 2024 年 5 月 14 日的这场发布会取名 “ 春季功能更新 ” ,就像它们形容当初 ChatGPT 的发布是一次 “ 低调的研究预览 ” 一样。

  而就像那次一样,一切也都回不去了。

  OpenAI 发布了一个叫做 GPT-4o 的新模型,它的确不是 GPT-5,但看了它能做的事情,再想到它甚至不是 OpenAI 正在砸更多的钱和智慧在做的 GPT-5,你只会感觉更“可怕”。

  发布会一开始, OpenAI 的 CTO Mira Murati 介绍了新模型 GPT-4o(是的,Sam Altman 全程没有现身)。 她强调这个模型是要给所有人使用,并且通过交互的更新让人们忘了 UI 的存在。因为 OpenAI 的愿景正是如此。

  而到此这似乎还很正常。

  “ 不过是新模型而已嘛。 ”

  但直到 demo 环节开始,一切越来越离谱。

  首先是一个实时对话的展示。

  “ 我正在做 demo ,我有点紧张。 ”Mark 说。然后他开始故意喘息的非常快。而 GPT 识别出了他的呼吸。

  “ 哦,哦,哦,别紧张,慢下来。你不是个吸尘器。 ”ChatGPT 的女人声音抑扬顿挫,没有任何延迟。

  是没有任何延迟。你不需要等她,她也不会让你等,当你直接开始说接下来的话,她会立刻停下来听,并立刻做出调整。

  而且在这些回答中,它甚至有喘息和犹豫的声音。

  另一个很可怕的细节是,这些 demo 全程不需要任何多余的按键操作。

  对,声音的对话就像是在 “ 打电话 ” 。

  另一个 demo 是假设要给朋友讲一个关于机器人的睡前故事。

  提出需求后, ChatGPT 开始正常的讲故事。

  但听的人并不喜欢,于是直接打断说,能不能讲的更有感情更 drama 一点。

  ChatGPT 立刻调整,增加了一些悬疑感。

  “ 不不不,我希望把感情和 drama 感拉满。 ” 听者再次直接打断。 —— 也就是说 ChatGPT 在实时听着你的声音。

  然后 ChatGPT 变成了一个非常浮夸的故事讲述者。

  “你能不能用机器人的声音给我讲故事。”Mira 又直接插话。

  而 ChatGPT 立刻开始模仿机器人。注意,是模仿,也就是它的声音一直是那个女声,一切听起来就像家长在讲睡前故事时候会做的那样。

  “ 你能最后唱一首歌把这个故事结束么。 ” 听者又提了要求。

  然后 ChatGPT 立刻唱了一首歌。根据刚才的故事,实时,改编,并直接唱出来的一首歌。

“如果你之前使用过我们的语音模式,你会注意到几个关键的区别。首先,你现在可以打断模型了。你不需要等它结束你的回合,你可以随时开始说话,随时插话。其次,模型的响应是实时的。这意味着你不需要再经历那种尴尬的两到三秒的延迟,等待模型回应。最后,当我刚才呼吸非常急促时,模型能够感知到情绪。它会提醒你,或许你需要放松一下,你的节奏快得有点过头了。所以你知道,它确实具有全面感知情绪的能力。不仅如此,这个模型还能以各种不同的情感风格生成声音,它真的具有非常广泛的动态范围。”

  如果你是个创业者,或者熟悉大模型应用创业环境的人,你会立刻意识到。

  又有一批创业公司死了。

  之后是视觉能力的展示。

  对,在同一个产品上。一个据说要免费提供给全世界所有人的产品上。

  他先是展示了一个通过摄像头获得视觉能力,然后实时指导你的数学解题的 demo 。

  甚至因为 “ 幻觉 ” 问题, ChatGPT 在还没打开摄像头时候就自信满满的说理解了。当展示者提示后,她说 “oops ,我太兴奋了。 ”

  然后展示者打开摄像头,实时写了一个数学方程题,然后让 ChatGPT 一步一步的提醒和讲解他在做的解题思路。 ChatGPT 很好的做到了。

  像一个很有经验有耐心的数学老师那样。

  这还没完。

  似乎是为了打脸那些录制好加速后的 demo,他们还实时收集了X上的反馈。其中一个挑战是:打开摄像头让 ChatGPT 实时分析你的情绪。

  展示者开始摄像头自拍,而 ChatGPT 立刻分析道:

  “ 你看起来是个桌子。 ”—— 因为打开摄像头时,最先打开的是前置的摄像头,对准的是桌子。

  “ 不不不,那是之前的,你不用担心,我不是个桌子。 ” 分享者说到。

  “哈哈,那就合理了。”Chat GPT 说到。

  这里看的时候,估计很多人跟我一样惊了一下。

  然后 ChatGPT 立刻分析: “ 你看起来非常开心。大大的笑容,甚至有一点兴奋。你想分享一下让你这么开心的原因么? ” 语气里甚至能听到好奇,以及斟酌语句的感觉。

  “ 因为我在做实时展示,让大家看看你有多出色。 ” 讲者说。

  “哦,拜托,别让我脸红了。”ChatGPT 带着笑声说到。

  瞬间,《Her》降临。科幻成了现实。

  看到这,所有人估计都明白了 Sam Altman 此前卖关子时候说的 “magic” 是什么。

  在惊叹之余,还是再总结一下:

  1 这些操作全程没有多余的点击操作的交互。

  2 没有丝毫延迟的视觉和声音反馈。

  3 不仅能感受到你的情感,ChatGPT 也自带情绪和情感。

  4 能对桌面等更数字化的世界有更全面的信息感知。

  5 全部集成在一个产品里,而且可能是对所有人免费的。

  哦对,以及,这还不是 GPT-5。

  发布会后, OpenAI 也在官网更新了这次发布的模型的具体信息:

  https://openai.com/index/hello-gpt-4o/

  还记得 ChatGPT 第一次出来时,有人形容跟它第一次亲密接触的感受:

  当你通过打字跟它交互的时候,等待它回答的过程仿佛能想象到对面坐着一个人,正在转笔,思考如何回答你的问题。

  而今天,不只是你的叹气,情感和喘息能被 AI 感受到,你也能直接感受到对面的 “ 人 ” 的叹气,情感,和喘息。

  在电影《 Her》 里,主人公最终爱上了这个 AI 助手。我们不知道 GPT-4o 加持下的新 ChatGPT 会带来什么。更不知道 GPT-5 出现后会发生什么。

  一切都太快了,都回不去了。

  最后,对所有开发者和创业者,这次发布又意味着什么?

  也许这句当时有些被人不以为意甚至觉得冒犯的话值得再看一遍,它可能说明了一切:

目前有两种构建人工智能的策略:一种是假设模型不会改进,然后在现有的能力上建设一堆小东西;另一种是假设 OpenAI 将保持相同的增长轨迹(继续疯狂迭代)。我认为,95% 的人应该押注在第二种策略上。我们有改进模型的使命,不是我不喜欢你们,但我们将碾压你。 ‍ ——Sam Altman,2023 年 4 月 17 日