21世紀經濟報道記者孔海麗 實習生鄧熙涵 北京報道 酷暑到來之前，OpenAI提前引爆了AI之夏。北京時間5月14日凌晨1點，OpenAI舉行春季發布會。會上，重點推出新旗艦模型GPT-4o，以及在ChatGPT中免費提供更多功能。GPT-4o在多模態交互領域開始了現象級橫掃。

人類津津樂道的智能AI助手，面目逐漸清晰:除了尚未具身，無縫語音對話、精確到細節的視覺信息處理、情緒檢測技術及共情能力，幾乎都與真人無異。而比人類更強的是，這個AI情緒穩定，天文地理無所不知，解決問題的能力也是一流。

業內因GPT-4o沸騰起來，盛贊一如往常，“大模型從‘呆瓜’變‘真人’，交互能力革新帶來的可能是場景、用戶數的幾何級放大”；“OpenAI將蠶食情感類人工智能助手的市場，向更具情感、個性更強的人工智能邁進”；“要重新理解機器視覺、聽覺了”……

不過，喧囂之下，也有一些客觀聲音，在審視OpenAI技術層面的進展。GPT-4o的廣泛真實體驗，能否全部達到視頻演示中的極高水準，仍有待驗證。

IDC中國研究總監盧言霞告訴21世紀經濟報道記者，OpenAI本次發布會的現場演示中，視頻采用的還是抽幀處理技術，即Image to text，語音交互還是之前的全雙工技術，只是多模態對話的過程更順暢更自然。但確實進一步提高了類GPT產品的智能化交互能力，弱化了背后的代碼，簡化了交互的流程。GPT-4o不會砸掉所有語音助手的飯碗，反而是大模型在端側的落地迎來雙贏可能。

科幻電影《Her》中所展現的圖景似乎成為可能，人類距離真正的AI Agent還有多遠？是否會引發新一輪的AI Agent變革？可以肯定的是，GPT-4o已經揭開AI行業變化與競爭的新篇章。

“AI背后藏了個真人”

GPT-4o的“o”代表“omni”，象征著全能。該模型多模態交互能力突出，能夠接受文本、音頻和圖像的“混搭”輸入，快速響應完成推理，生成文本、音頻和圖像的組合輸出。

音頻輸入層面，GPT-4o擊穿了此前Siri等智能語音助手的延遲弊端，取得突破性進展。其響應速度之快，達到了人類級別，至短232毫秒，平均320毫秒。

此外，新模型展現出對人類交流習慣的高度理解力和適應性。GPT-4o能以聽起來非常自然的人類聲音說話，并且發出多種語氣詞，表現了此前AI音頻所未能達到的張力和可塑性。

它能夠接受人類交談中的打斷習慣，及時停頓并給出無縫回復，并且保持對上下文的記憶。這種自然的交互體驗，讓人幾乎感覺不到與機器的界限。

視頻輸入方面，GPT-4o可以及時響應高管開啟攝像頭的視頻需求指令，實時解決一元方程的數學計算，整個過程同樣絲滑迅速。

市面上已有一部分情感型人工智能機器人，比普通人工智能助手更能準確識別人類情緒。然而，上述功能多停留在文本中，GPT-4o的情緒檢測功能則擴展至視頻領域。

發布會現場，研究人員將手機攝像頭對準自己的臉，向GPT-4o發起了頗具挑戰性的問題:“我看起來怎么樣？”，GPT-4o初次回答將提問者的臉界定為“木質表面”。隨后，GPT-4o在引導性提問下修正結果，準確分析出提問者的情緒狀態是愉悅的、笑容滿面的。

從底層技術分析，GPT-4o的先進之處在于，它革新了傳統的多模型串聯處理方式，能夠通過單一的神經網絡統一處理所有的輸入和輸出，無論是文本、視覺圖像還是音頻信息，都能得到精準高效的解析和回應。

OpenAI并不是首家運用情感智能技術的公司。Inflection AI發布的Pi已能成熟運用大語言模型的對話共情回復技術，實現人類“嘴替”的效果，提供沉浸式的虛擬情感陪伴。

英偉達高級研究科學家兼人工智能代理負責人Jim Fan發文稱贊GPT-4o的情感能力，令人聯想到 2013 年的科幻電影《Her》。這部電影講述了人機親密關系——遭遇離婚風波的男主角西奧多與人工智能系統薩曼莎成為靈魂伴侶。

Jim Fan認為，OpenAI將蠶食Character.AI等情感類人工智能助手的市場，向更具情感、個性更強的人工智能邁進。

繼發布文生視頻大模型Sora后，GPT-4o有望成為邁向多模態智能體的又一座里程碑。

巨頭焦慮與端側革命

OpenAI的大模型庫再添GPT-4o一員猛將，預示著AI Agent已至新賽點，再次撥快了人類循序漸進邁向GAI的時針。

從技術定義來看，AI Agent是通用人工智能的終極目標，以大語言模型為大腦驅動，不需要人類的指揮，具有自主性，能獨立思考并運行相應程序。

市場嗅到了技術帶來的機會風口，AI Agent成為科技巨頭競相追逐的前沿方向。目前，已經出現不少泛化的Agent概念產品，微軟的Copilot，谷歌的Gemini都是這一隊列中曾被寄予厚望的數字助手。

如今，GPT-4o的加速推出革新了智能交互的表現。前DCCI互聯網數據中心創始人胡延平認為，GPT-4o重新定義了機器視覺、聽覺和攝像頭的交互模式，應用爆發力不可估量。

新技術進展為巨頭們的錯失恐懼又添一把火。據悉，谷歌計劃在2024年I/O開發者大會上推出個性化數字助手“Pixie”，由Gemini驅動，有望整合多模態功能。

微軟也在蓄力開拓AI Agent的新場景。為了打造個性化聊天機器人，3月19日，微軟已與Inflection AI達成協議，獲得其核心技術授權；針對現有最接近AI Agent的Copilot，微軟正努力解決如何為生成式AI提供良好提示詞，為Copilot for Micorosft 365提供Prompt補全功能。

AI Agent的爆發之年，蘋果同樣意圖升級被詬病“古老過時”的Siri。有知情人士稱，蘋果或將在iOS 18中引入由ChatGPT 提供支持的聊天機器人。

更自然、更“類人”的GPT-4o掀起的巨大波瀾，不僅影響上游廠商，還將波及產業鏈下游的終端廠商。OpenAI此次發布會呈現的新模型多基于手機端場景，為處于產業爆發前夜的AI手機產業帶來新想象。

市面上AI手機等端側智能體的生態離不開大模型技術底座，智能終端廠家需要重新審視底層大模型能力。

相較于單個AI應用，AI手機的賣點一直是人格化、記憶、感知和管理能力，跨APP交互能力。而具備情緒價值和自然交互能力的GPT-4o走入市場，要么會顛覆一眾AI手機，要么會讓留下來的AI手機“如虎添翼”。

盧言霞告訴21世紀經濟報道記者，“GPT-4o意味著大模型在端側的落地更進一步。短時間內，肯定是誰的端側交互能力強，誰就會贏得用戶。在中長周期內，后來者也會迎頭趕上。應該說，這是端側與AI助手的雙贏，畢竟上游廠商沒有精力面向每個場景做優化與工程化，還是需要產業鏈的協作?！?/p>