編輯 | 伊風(fēng)
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
OpenAI 發(fā)布會中的GPT-4o給所有人都看眼饞了！
誰不想第一時間體驗下傳說中的“Her”呢？
圖片
在發(fā)布會上，GPT-4o展示了自己的“magic”：高超的語音理解水平，像人類思考般極為短暫的延時，富有幽默感和同情心的溝通方式，以及對話中途被打斷而轉(zhuǎn)入傾聽的切換能力。
加上OpenAI在發(fā)布會中說，GPT-4o功能將率先推送給Plus用戶。更讓人覺得付費玩家上手“Her”是件分分鐘的事情了！
圖片
確實已經(jīng)有用戶被推送了GPT-4o的版本，但當他們迫不及待地使用語音交互功能時才發(fā)現(xiàn)，自己的“Her”怎么跟發(fā)布會上說好的不一樣？
因為——就是不一樣。
圖片
用戶使用的GPT-4o模型中的語音對話功能仍然是外掛的whisper模型來實現(xiàn)的。即需要將用戶音頻，轉(zhuǎn)為文字后再進行處理。因此當前的語音交互是“回合制”的，用戶說完話后要等待處理，不能夠隨時打斷對話。
圖片
而發(fā)布會中GPT-4o則采用的是同一個神經(jīng)網(wǎng)絡(luò)將音頻映射到音頻的技術(shù)，是端到端的生成方式。
畢竟用戶界面顯示的是“GPT-4o”，期待所提供的語音交互，能像發(fā)布會demo中展示的一樣神奇也是理所應(yīng)當。甚至許多測評也直接把舊的通話功能當成GPT-4o去測了！
誤會越來越大，這下連PR大師、營銷鬼才、阻擊谷歌發(fā)布會的多面手奧特曼本人也坐不住了。趕緊發(fā)了條X文說：“新的（GPT-4o）語音模式還未發(fā)布呢！我們發(fā)的是 GPT-4o 的文本模式哦！您目前可以在（GPT-4o）應(yīng)用程序中使用的語音模式是舊版本（非GPT-4o）。
新版本非常值得期待！ ”
圖片
單是看翻譯都要把人繞糊涂了。相當于GPT-4o真正的王炸功能音頻、視頻都沒有上場，在這個前提下，新版本與GPT-4V的體驗幾乎沒啥區(qū)別！
網(wǎng)友在下面紛紛調(diào)侃道，不是吧……又像Sora那樣耍我們？
1、驚艷的demo，到手的半成品
根據(jù)OpenAI官網(wǎng)的說法，OpenAI將在未來幾周內(nèi)推出具有發(fā)布會介紹功能的新語音模式 alpha 版，并為 Plus 用戶提供早期訪問權(quán)限。
圖片
有意思的是，許多用戶測試了“舊的”語音功能后感覺，“延遲短了”、“更有感情了”，恰恰說明人類也是很容易出現(xiàn)幻覺的。
另外，即使是GPT-4o已經(jīng)提供給plus用戶的圖片多模態(tài)功能，也出現(xiàn)了“貨不對板”的質(zhì)疑。在之前的demo展示中，GPT-4o已經(jīng)在圖片中解決了一致性和字體生成的問題。
圖片
今天，OpenAI的聯(lián)創(chuàng)Greg Brockman在X上曬出了GPT-4o生成的第一張圖片。GPT-4o給了照片級別的答卷，一個穿著OpenAI logoT恤的男人背身站在黑板前，正在進行板書，而板書上的內(nèi)容清晰可見:"模態(tài)之間的傳輸"。假設(shè)我們直接用一個大的自回歸變壓器對 P（文本、像素、聲音）建模。利弊如何？"
圖片
從上圖來看，新方法比 OpenAI 于 2023 年 9 月推出的上一個圖像生成模型 DALL-E 3 有了明顯的改進。在 ChatGPT 中通過 DALL-E 3 運行了類似的提示，結(jié)果如下。
圖片
布洛克曼分享的使用 GPT-4o 創(chuàng)建的圖像在質(zhì)量、逼真度和文本生成的準確性方面都有顯著提高。
不過，評論區(qū)有網(wǎng)友感到疑惑：“我們用的是同一個GPT-4o嗎？”
圖片
乍一看這張圖片還算逼真，能看出網(wǎng)友本想生成一個Greg Brockman在瀏覽X的圖片。放大看看發(fā)現(xiàn)屏幕上的文字猶如天書，GPT-4o在生成正確的文字方面沒堅持了多久就開始了“鬼畫符”。即使網(wǎng)友嘗試了多輪提示詞也仍然如此。
二、半成品的世界，谷歌輸在哪了？
今早，奧特曼突然公開發(fā)文諷刺谷歌審美不行。
圖片
他發(fā)布了OpenAI和Google發(fā)布新產(chǎn)品的現(xiàn)場，并配文“我嘗試不去多想我們的競爭對手，但我忍不住去想我們兩者間巨大的審美差距”。
不過，雖然奧特曼嘴上說著不想考慮競爭對手，但卻偏偏將新品發(fā)布挪到了谷歌的前一天。
雖然谷歌的CEO在I/O大會前接受彭博社的采訪中說，他不認為自己是一位因循守舊的領(lǐng)導(dǎo)者，他在上任初期就宣布未來的谷歌將以AI為導(dǎo)向，這在那時是非常激進的舉措。
但從谷歌所發(fā)布的產(chǎn)品來看，他們的確在做優(yōu)化和防守的相關(guān)工作。
英偉達科學(xué)家Jim Fan說，谷歌做的最正確的一件事，就是開始將人工智能認真地融入自家的搜索框了。
圖片
有人在谷歌的X文下尖刻的評論道，“OpenAI所展示的東西正在送貨。然而你們的舞臺上卻只有一個小丑”。
圖片
另一個人則回復(fù)道，“公平點吧！OpenAI用戶界面也沒發(fā)布他們的新功能啊，就算是充值用戶，不還是DALL-E 3、TTS那一套嗎？”不過他又話鋒一轉(zhuǎn)的說，“不過我覺得他們發(fā)貨還是會比谷歌的Astra”更快的。
圖片
三、寫在最后
在當今的科技領(lǐng)域，人工智能（AI）無疑是最具變革性的、最為人所關(guān)注的技術(shù)之一。
然而，隨著AI技術(shù)的快速發(fā)展，我們也目睹了一種令人擔(dān)憂的趨勢：從模型到軟件再到硬件，整個AI領(lǐng)域似乎都陷入了一種“半成品炒作”的模式。這種模式不僅消耗了公眾的耐心，也對行業(yè)的健康發(fā)展構(gòu)成了威脅。
AI技術(shù)的炒作現(xiàn)象，從Sora、human的AI PIN到最近備受爭議的rabbit，已經(jīng)引起了廣泛的不滿?？萍脊颈究梢缘却磺羞M入ready狀態(tài)后，再向用戶發(fā)布他們的產(chǎn)品。而如今卻越來越加速，用戶買到手中的半成品可以運行的功能有時少得可憐。
公眾對于“fake it until you make it”的策略感到厭煩，他們渴望的是實實在在的技術(shù)進步和開箱即用的體驗。
這種炒作不僅掩蓋了AI技術(shù)發(fā)展的真實狀況，也可能導(dǎo)致對AI潛力的過度樂觀預(yù)期。
分析專家認為，AI技術(shù)的增速放緩，部分原因在于技術(shù)瓶頸和安全問題的挑戰(zhàn)。以GPT-5為例，盡管市場對其充滿期待，但其遲遲未能面世，可能是因為研發(fā)過程中遇到了難以克服的技術(shù)障礙。
與此同時，硬件供應(yīng)的變化也反映了AI發(fā)展的現(xiàn)狀。根據(jù)硅谷科技博主的爆料，幾個月前供不應(yīng)求的高性能GPU，而現(xiàn)在無需預(yù)訂就可以完成購買。隨著芯片公司的競爭加劇，英偉達一家獨大的局面可能會被打破，市場供應(yīng)開始趨于穩(wěn)定。
盡管如此，AI領(lǐng)域的創(chuàng)新其實并未停滯。OpenAI的GPT-4o模型，盡管尚未完全實現(xiàn)其承諾，但其潛在的影響力已經(jīng)足以讓科技界充滿期待。26分鐘的發(fā)布會也許足以改變?nèi)祟愒谝院?6年的工作和生活方式。
但是，我們真正想要的良性發(fā)展，是AI科技能夠擺脫炒作的陰影，以更加穩(wěn)健的步伐，為人類社會帶來真正的有益的變革和安全的進步。
參考鏈接：
1.https://simonwillison.net/2024/May/15/chatgpt-in-4o-mode/
2.https://twitter.com/howie_serious/status/1790890586486267970
