OpenAI顛覆世界：GPT-4o完全免費，實時語音影片互動震撼全場，直接進入科幻時代 机器之心 發表於2024-05-14
ChatGPT 問世才 17 個月，OpenAI 就拿出了科幻電影裡的超級 AI，而且完全免費，人人可用。 當各家科技公司還在追趕大模型多模態能力，把總結文字、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，釋出的產品連自家 CEO 奧特曼都驚歎：就像電影裡一樣。 5 月 14 日凌晨，OpenAI 在首次「春季新品釋出會」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 的技術長 Mira Murati，她表示，今天主要講三件事：
第一，以後 OpenAI 做產品就是要免費優先 ，為的就是讓更多的人能使用。 第二，因此 OpenAI 此次釋出了桌面版本的程式和更新後的 UI ，其使用起來更簡單，也更自然。 第三，GPT-4 之後，新版本的大模型來了，名字叫 GPT-4o 。GPT-4o 的特別之處在於它以極為自然的互動方式為每個人帶來了 GPT-4 級別的智慧，包括免費使用者。 ChatGPT 的這次更新以後，大模型可以接收文字、音訊和影像的任意組合作為輸入，並實時生成文字、音訊和影像的任意組合輸出 —— 這才是屬於未來的互動方式。 最近，ChatGPT 不用註冊也可以使用了，今天又增加了桌面程式，OpenAI 的目標就是讓人們可以隨時隨地的無感使用它，讓 ChatGPT 整合在你的工作流中。這 AI 現在就是生產力了。
GPT-4o 是面向未來人機互動 正規化的全新大模型，具有文字、語音、影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：「我第一次來直播的釋出會，有點緊張。」ChatGPT 說，要不你深呼吸一下。
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，比人類的回應還快。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，每當你為數學焦頭爛額的時候，我就在你身邊。 接下來嘗試 GPT-4o 的程式碼能力。這有一些程式碼，開啟電腦裡桌面版的 ChatGPT 用語音和它互動，讓它解釋一下程式碼是用來做什麼的，某個函式是在做什麼，ChatGPT 都對答如流。 輸出程式碼的結果，是一個溫度曲線圖，讓 ChatGPT 以一句話的方式回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影片理解了。 接下來，就讓我們詳細瞭解下 OpenAI 今天放出的核彈。 首先介紹的是 GPT-4o，o 代表 Omnimodel（全能模型）。 第一次，OpenAI 在一個模型中整合了所有模態，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」的智慧，但在 GPT-4 的基礎上改進了文字、視覺和音訊方面的能力，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、文字和視覺，」Muri Murati 說道：「我們知道這些模型越來越複雜，但我們希望互動體驗變得更自然、更簡單，讓你完全不用關注使用者介面，而只關注與 GPT 的協作。」 GPT-4o 在英語文字和程式碼上的效能與 GPT-4 Turbo 的效能相匹配，但在非英語文字上的效能顯著提高，同時 API 的速度也更快，成本降低了 50%。與現有模型相比，GPT-4o 在視覺和音訊理解方面尤其出色。 它最快可以在 232 毫秒的時間內響應音訊輸入，平均響應時長 320 毫秒，與人類相似。在 GPT-4o 釋出之前，體驗過 ChatGPT 語音對話能力的使用者能夠感知 到 ChatGPT 的平均延遲為 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：一個簡單模型將音訊轉錄為文字，GPT-3.5 或 GPT-4 接收文字並輸出文字，第三個簡單模型將該文字轉換回音訊。但 OpenAI 發現這種方法意味著 GPT-4 會丟失大量資訊，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 跨文字、視覺和音訊端到端地訓練了一個新模型，這意味著所有輸入和輸出都由同一神經網路 處理。 「從技術角度來看，OpenAI 已經找到了一種方法，可以將音訊直接對映 到音訊作為一級模態，並將影片實時傳輸到 transformer。這些需要對 token 化和架構進行一些新的研究，但總體來說是一個資料和系統最佳化問題（大多數事情都是如此）。」英偉達科學家 Jim Fan 如此評論道。 GPT-4o 可以跨文字、音訊和影片進行實時推理，這是向更自然的人機互動 （甚至是人 - 機器 - 機器互動）邁出的重要一步。 此外，GPT-4o 在理解和生成影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 生成字型的問題。 同時，GPT-4o 還擁有 3D 視覺內容生成的能力，能夠從 6 個生成的影像進行 3D 重建：
這是一首詩，GPT-4o 可以將其排版為手寫樣式： 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：
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，效能提升幅度尤其顯著。 具體來說，在多項基準 測試中，GPT-4o 在文字、推理和編碼智慧方面實現了 GPT-4 Turbo 級別的效能，同時在多語言、音訊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） 音訊 ASR 效能：GPT-4o 相比 Whisper-v3 顯著提高了所有語言的語音識別 效能，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，並能夠透過實時影片與 ChatGPT 進行對話。例如，使用者可以向 ChatGPT 展示一場現場體育比賽，並要求它解釋規則。 每週都有超過一億人使用 ChatGPT，OpenAI 表示 GPT-4o 的文字和影像功能今天開始免費在 ChatGPT 中推出，並向 Plus 使用者提供高達 5 倍的訊息上限。 現在開啟 ChatGPT，我們發現 GPT-4o 已經可以使用了。 使用 GPT-4o 時，ChatGPT 免費使用者現在可以訪問以下功能：體驗 GPT-4 級別智慧；使用者可以從模型和網路獲取響應。
不過，根據使用情況和需求，免費使用者可以使用 GPT-4o 傳送的訊息數量會受到限制。當達到限制時，ChatGPT 將自動切換到 GPT-3.5，以便使用者可以繼續對話。 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，並透過 API 向一小部分值得信賴的合作伙伴推出對 GPT-4o 更多新的音訊和影片功能。 當然了，透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 音訊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 透過過濾訓練資料和透過訓練後細化模型行為等技術，在跨模態設計中內建了安全性。OpenAI 還建立了新的安全系統，為語音輸出提供防護。 對於免費和付費使用者，OpenAI 還推出了適用於 macOS 的新 ChatGPT 桌面應用程式。透過簡單的鍵盤快捷鍵（Option + Space），使用者可以立即向 ChatGPT 提問，此外，使用者還可以直接在應用程式中擷取螢幕截圖並進行討論。
現在，使用者還可以直接從計算機與 ChatGPT 進行語音對話，GPT-4o 的音訊和影片功能將在未來推出，透過點選桌面應用程式右下角的耳機圖示來開始語音對話。
從今天開始，OpenAI 將向 Plus 使用者推出 macOS 應用程式，並將在未來幾周內更廣泛地提供該應用程式。此外今年晚些時候 OpenAI 會推出 Windows 版本。 在釋出結束後，OpenAI CEO 山姆・奧特曼久違地發表了一篇部落格文章，介紹了推動 GPT-4o 工作時的心路歷程： 首先，我們使命的一個關鍵部分是將強大的人工智慧 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：我們要創造人工智慧 並利用它為世界創造各種利益。現在情況有所變化，看起來我們將創造人工智慧 ，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、出色的人工智慧 服務（希望如此）。 其次，新的語音和影片模式是我用過的最好的計算互動介面。感覺就像電影裡的人工智慧 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 暗示了語言介面的可能性，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、智慧、有趣、自然且能給人帶來幫助。 對我來說，與電腦互動從來都不是很自然的事情，事實如此。而當我們新增（可選）個性化、訪問個人資訊、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，非常感謝團隊為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，隨著 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 的釋出，或許就是 OpenAI 朝著這方面努力的一個開始。 最後提一句，今天 OpenAI 部落格中展示的「Guessing May 13th’s announcement.」的影片，幾乎完全撞車谷歌明天 I/O 大會的一個預熱影片，這無疑是對谷歌的貼臉開大。不知道看完今天 OpenAI 的釋出，谷歌有沒感到巨大壓力？ 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 
OpenAI 總裁 Greg Brockman 也線上「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、人物穿著特點以及期間發生的小插曲等。 