- 自然人機交互邁出重要步伐
- 2024年05月19日 來源：經濟日報
提要：接入GPT-4o的ChatGPT語音助手，能和用戶實時對話且從語音中分辨用戶是否緊張，能通過前置攝像頭觀察用戶的面部表情并分析其情緒變化，能當家教老師在線教孩子解數學題……能聽、能看、能說，且達到人類級別的響應時間和表達能力，難怪不少網友驚呼：大模型從“呆瓜”變“真人”了！
近日，美國人工智能公司OpenAI在其春季發布會上展示了新一代旗艦生成模型GPT-4o。接入GPT-4o的ChatGPT語音助手，能和用戶實時對話且從語音中分辨用戶是否緊張，能通過前置攝像頭觀察用戶的面部表情并分析其情緒變化，能當家教老師在線教孩子解數學題……能聽、能看、能說，且達到人類級別的響應時間和表達能力，難怪不少網友驚呼：大模型從“呆瓜”變“真人”了！
作為人工智能大模型浪潮的領航者，OpenAI這次發布展現了人工智能大模型2個新趨勢。
一方面，大模型向應用端需求進化，商業價值更加凸顯。
在GPT-4o之前，用戶以語音模式與ChatGPT對話，要通過音頻轉文本、文本處理、文本轉音頻3個模型來實現，平均延遲為2.8秒（GPT-3.5）和5.4秒（GPT-4）。GPT-4o是OpenAI的首個“端到端多模態大模型”，“o”代表omni，即“全能”的意思。它用一個模型同時處理文本、視覺和音頻的輸入輸出，所有輸入和輸出都由同一個神經網絡完成，這讓它的反應速度有了質的提升。GPT-4o可以在短至232毫秒、平均320毫秒的時間內響應音頻輸入，與人類在對話中的反應速度一致。這意味著高端人工智能產品更接近一個自然人，向自然人機交互邁出了重要一步。
GPT-4o在資源消耗和響應速度上進行了優化，達到了與GPT-4 Turbo相當的能力，且降低50%的推理成本，打開了商業推廣的空間，更有利于在智能手機、智能電腦等個人終端上實現端側應用。在消費終端，用戶需求多樣化且變化迅速，需要提升交互界面的友好性和易用性，讓用戶獲得流暢、自然的交互體驗。GPT-4o向具備情緒價值和自然交互能力的方向進化，意味著大模型在端側的落地更進一步，有望開啟下一波科技應用和商業模式的革命，出現人工智能的國民級應用。
另一方面，大模型技術迭代放緩，風險和不確定性增加。
OpenAI并沒有推出萬眾期待的GPT-5，這讓不少業內人士推測，OpenAI“用更多大數據煉更大模型”這條技術迭代路線可能已遇到瓶頸，國內底層大模型加速追趕的窗口期或許到了。人們還期待GPT-5解決當代大模型存在的最大問題——幻覺（胡編亂造），因為它影響大模型的可靠性。這個問題也沒能在GPT-4o中獲得解決。有些網友就在試用中發現它會認字不會寫字，如果讓它輸出一張含有特定文字內容的手寫字體圖畫，它會寫出誰都看不懂的自造字。此外，OpenAI去年發布的GPT-4模型僅限付費用戶使用，今年則宣布新模型GPT-4o用戶不用注冊、功能全部免費。OpenAI開始卷起了免費，可能是GPT的用戶增長和收入增長都已經碰到瓶頸。
從卷參數、卷文本長度再到卷多模態，大模型的競爭一直很激烈。隨著當前人工智能技術的快速發展，大模型技術路徑和商業模式的多樣性和不確定性增加，商業投資風險也隨之增加。對國產大模型來說，風險也是機遇。比如，全球首個三模態大模型其實是2021年7月中國發布的“紫東太初”。不管大模型賽道往什么方向去，中國都有基礎，也應該有信心打開更廣闊的應用商業化空間。
