OpenAI 的盲盒终于被开了，深夜追直播什么的，咱这种老人是做不到了。
等到第二天看了一圈国内的报道，剔除掉「改写历史、颠覆世界、震惊全场」的描述。
从标题上，其实很简单就能看出这次 OpenAI 在发布会上到底干了什么。
视频语音交互丝滑到吓人
干翻所有语音助手
实时语音视频交互震撼全场
......
以及 90% 标题里会点到的一个词：「免费」。
是的，如果你还不了解发布会的内容，咱们一句话就能总结——
在 OpenAI 的春季发布会，上新了一款主打交互的旗舰新模型 GPT-4o，不是 omg 的 o，是 omni（全面、全能）的 o，而且最关键的是，对所有用户免费开放。
是的，你现在访问这个链接。
https://chatgpt.com/?model=gpt-4o
只要能登上账号，无论有没有给 OpenAI 交钱，都能看到一个弹窗。
点个立即试用，随便聊上一句，回答你的就是 GPT-4o。
如果暂时抛开 GPT-4o 的强度和新特性不谈，就冲这个新模型人人免费的事，我要是第二天开发布会的谷歌，那多少得失眠。
浓眉大眼的奥特曼，怎么又来怼脸狙击？
不对，总是在推特上给自家 GPT 带货的奥特曼，在直播里压根就没现身。
颇有一种，「是谁发布的不重要，发布了什么更重要」的绝对自信。
那 GPT-4o 有多强？
OpenAI 早两天偷偷把官网上 GPT-4 曾经那不可一世的「最先进」，改成了「先进」。
从各种冷冰冰的测试数据看，GPT-4o 文本、代码这样的基础能力保持了和前代差不多的水准。
但报道里反复提及的多模态交互，GPT-4o 是吊打友商的存在。
多模态这个概念，早早就被提出来了，说人话就是让大模型不光在认字这一个维度，还可以根据语音、图片、视频完成交互。
那如何让大模型听得懂，也看得懂？过去的方案，听起来像搭积木。
咱们就以相对简单的语音交互为例，三步走——
1、语音转文本；
2、文本传入大模型，生成新文本；
3、新文本转语音。
这样的实现思路很透明，至少前面多模态被提出的时候，开源社区很快就以插件的形式 DIY 实现「平替」了。
国内外拿出来给你用的成品大模型，在多模态这里的技术路线大差不差，甚至说我觉得在用户体验上，国内很多模型比 ChatGPT 还要强。
但这么搭积木的代价呢？
按 OpenAI 这次揭秘的数据来说，多模块之间的交互，会带来感知明显的延迟，GPT-3.5（2.8 秒），GPT-4（5.4 秒）。
而且在完成整个任务的过程中，大模型感受不到更多的外界信息（音调、语气、背景噪音等）。
GPT-4o 不一样，不是「伪多模态」，正儿八经的、端到端的原生多模态。
是的，一个模型就把任务流程给跑通了。
这么做的好处，就是前面提到的延迟，被大幅降低，平均为 320 毫秒就能回应你说的话。
你的情绪、语气、背景音、背景环境 GPT-4o 都内给你正确反馈。
一个跨文本、音频、视频，进行实时推理的 AI，你说改写世界、颠覆历史太夸张了。
但只说炸不炸？很炸。
说实话，强烈建议大家去 B 站上看一眼发布会。
一开始看报道，什么 GPT-4o 充当实时翻译助手，什么 GPT-4o 感受情绪、识别场景、随时打断，打开摄像头就能实时陪伴。
给我的感受是——
就这？就这？就这？
看了发布会的视频，知道它是一个模型搞定的，感受就变成了——
卧槽！卧槽！卧槽！
不夸张的说，用最少的操作，最丝滑的实时交互，发布会没有新想法，却带来了更多对未来的想象，OpenAI 确实领先。
而且 GPT-4o 免费了，不光新模型免费，以前 Plus会员独享的各种能力，包括视觉、联网、记忆、GPT Store 等等。
一口气全都打包放出。
如果你有 ChatGPT 的账号，不妨试试看，全量免费的 GPT-4o，像联网啥的已经适配了。
PS：生成速度贼快，比之前 GPT-3.5 都要快。
前两天看报道，说是国内大模型是两条腿走路：一条腿开源，去做生态；一条腿闭源，去搞商业。
OpenAI 这次彻底不 Open 了，新模型发布，非但没有论文，连个技术报告也没给，但打出了免费这张牌。
你可以说它格局大，但不能忽视免费后，吸引过来的海量对话数据，这才是 OpenAI 能领跑的前提。
说真的，也就是国内访问不了，要不然不知道多少收费友商，要开始挠头了。
我本来想测一测音视频交互的，但去查了一下 OpenAI 官X，目前还没开放使用，连灰度都没有。
至于为啥延期几周才能体验？看了眼几周后，有个号称史上最大更新的苹果发布会。
再联想到之前苹果要和 OpenAI 合作，答案呼之欲出——
ChatGPT 终于活成了 Siri 最想成为的样子。
科幻终于照进了现实。
继续阅读
阅读原文