Open AI发布GPT-4o，开启新的人机交互革命

—、Open AI此次一系列的应用能力展示、API降价、GPT免费，足以说明了Open AI希望推动AI全民应用的决心 来源 / ToB行业头条 （ID：wwwqifu） 作者 / 樊航

北京时间5月14日，在Open AI 发布了全新旗舰大模型GPT-4o之后，有网友在社交媒体上发出这样的评价：“又被Open AI狠狠的上了一课，这种级别的实时反馈太牛了，而且整个思路非常第一性原理，即完善AI的听说看能力，你不需要手里的软件被AI化，而是需要有一个AI陪在你身边帮你看一切”。

而与之相反的声音则认为，比较让人失望的是，这次Open AI没有发布GPT-5.0，甚至没有发布GPT-4.5，如果只是AI Search或者是语音助手，那就说明Open AI落没了。

当然，更多人站前者，猎豹移动董事长兼CEO、猎户星空董事长傅盛早间发短视频表示，此次发布的一项语音助手功能，由于使用了端到端大模型技术，体验已经超越了Siri，也远超于我们以前用过的各种AI助手。

一起回顾一下这个仅有26分钟发布会带来的惊喜。

Open AI CTO米拉·穆拉蒂开口便为整个大会定下基调，此次发布会的目的是为了进一步减小人们使用AI的障碍，让所有人都能在学习、工作、创造中使用AI工具。

为此，Open AI 一共做了三件事，全在易用性上做改变，第一发布全新旗舰大模型GPT-4o；第二更新界面提高用户使用体验；第三免费开放使用，付费用户享有五倍的使用容量限制

01、全新旗舰大模型GPT-4o

丝滑自然可打断

GPT-4o中的“o”代表“Omni”，顾名思义，这是一个基于GPT-4之上的全能型大模型，指的是该模型具备处理文本、语音和视频的任意组合能力，并且无缝衔接图文音频的多种形式输出。

尽管GPT-4o提供的仍然是“GPT-4级别”的智能，但改进了GPT-4跨多种模式和媒体的能力，这样意味着人机交互迈入了一个新的阶段，即有“眼睛（视频实时观看）、耳朵（听懂实时环境语言）、嘴巴（可打断、带一定情感）、大脑（GPT-4级别智能 ）”等俱全的人工智能助手。

在语音对话演示的demo中，GPT-4o展示了第一个新能力，即听现场环境音和即时反馈。

比如，操作人员对GPT说，自己有点紧张，然后开始急促地呼吸。GPT识别到了他呼吸的声音，说，别紧张，你喘得像个吸尘器，深呼吸，再吐气。接着GPT开始指导工作人员怎么深吸慢呼平复心情。

第二个能力是随时打断和提出意见。过往在使用大模型应用经常会遇到的问题，其中最让人头疼的就是无法打断对话，一旦开始回答，用户都必须得听完固化且冗长的甚至废话连篇的回答，使语聊过程变得毫无体验。

GPT可以及时打断并提出意见，可以像真实生活里交流一样丝滑。

第三是实时视觉功能，通过手机摄像头实时解决数学问题，仿佛一位真实的数学老师在旁边指导每一步解题步骤。

......

重要的是，GPT-4o将过往的三个独立模型进行了融合接力，比如原本一个模型处理音频转化文本，GPT-4处理文本输入并输出，另一个模型再将文本转换为音频，整个过程会导致其中大量的信息丢失，无法确保准确性。

而GPT-4o通过端到端地训练了一个统一的新模型，实现了所有输入和输出处理都由统一神经网络完成。

此外，GPT-4o还具备更快的响应速度：能够在短至232毫秒内响应音频输入，平均响应时间为320毫秒，接近人类在对话中的响应时间。

更多的性能体现均在Open AI官网发布的数据中有所体现。

比如在传统基准测试中，GPT-4o在文本、推理和编码智能方面，达到了GPT-4 Turbo级别的性能，同时在多语言、音频和视觉能力方面创下了新高。

文本评估中，GPT-4o在0-shot COT MMLU（常识问题）上创下88.7%的高分，此外在传统的5-shot not- COT MMLU上，GPT-4o创下了87.2%的新高。几乎碾压一众模型，包括Claude 3 Opus，Gemini Pro 1.5，甚至是「开源版GPT-4」Llama 3 400B。

比如在视觉理解评估中，GPT-4o实现了最先进的性能

音频翻译能力方面，GPT-4o刷新SOTA，并在MLS基准上超过了Whisper-v3。

在音频ASR表现上，比起Whisper-v3 ，GPT-4o显著提高了所有语言的语音识别性能，尤其是对资源较少的语言。

02、更好用的界面和更低的成本

对于所有用户，无论是否付费，都可以使用 ChatGPT 桌面应用（Mac版）。通过简单的键盘快捷键（Option + Space），可以立即向 ChatGPT 提问。还可以直接在应用程序中拍摄和讨论截图。

使用者不必在网页间进行反复切换，GPT可以融入任何工作流，随时用文本、图像和语音进行交流。

同时，Open AI CTO米拉·穆拉蒂表示，GPT-4o的文本和图像功能已开始向付费的ChatGPT Plus和Teams用户提供，并将很快推广至企业用户。同时，免费用户也将逐步获得使用权限，但需受到速率的限制。GPT-4o的语音功能预计将在未来几周内向用户开放。

对于过往ChatGPT免费用户，可以使用GPT-4o加持下的功能，比如分析数据并创建图表、上传文件以帮助总结、撰写或分析、发现和使用GPTs和GPT Store、用记忆构建更有用的体验等等。

对于开发者，相较于GPT-4 Turbo，GPT-4o推理速度提高2倍，消息现在提高5倍，而且价格还会降低50%。

总体而言，GPT-4o的发布，不仅作为技术革新的一个里程碑，也标志着AI向更智能和实用性迈进了重要一步。

尽管GPT-5或4.5并未如愿登场，但Open AI在易用性上带来的改变也是足够震撼的，Open AI此次一系列的应用能力展示、API降价、GPT免费，足以说明了Open AI希望推动AI全民应用的决心。

如傅盛所言一样，也恰巧说明了，应用在人工智能领域的大有作为。