自然人机交互迈出重要步伐
近日,美国人工智能公司OpenAI在其春季发布会上展示了新一代旗舰生成模型GPT-4o。接入GPT-4o的ChatGPT语音助手,能和用户实时对话且从语音中分辨用户是否紧张,能通过前置摄像头观察用户的面部表情并分析其情绪变化,能当家教老师在线教孩子解数学题……能听、能看、能说,且达到人类级别的响应时间和表达能力,难怪不少网友惊呼:大模型从“呆瓜”变“真人”了!
作为人工智能大模型浪潮的领航者,OpenAI这次发布展现了人工智能大模型2个新趋势。
一方面,大模型向应用端需求进化,商业价值更加凸显。
在GPT-4o之前,用户以语音模式与ChatGPT对话,要通过音频转文本、文本处理、文本转音频3个模型来实现,平均延迟为2.8秒(GPT-3.5)和5.4秒(GPT-4)。GPT-4o是OpenAI的首个“端到端多模态大模型”,“o”代表omni,即“全能”的意思。它用一个模型同时处理文本、视觉和音频的输入输出,所有输入和输出都由同一个神经网络完成,这让它的反应速度有了质的提升。GPT-4o可以在短至232毫秒、平均320毫秒的时间内响应音频输入,与人类在对话中的反应速度一致。这意味着高端人工智能产品更接近一个自然人,向自然人机交互迈出了重要一步。
GPT-4o在资源消耗和响应速度上进行了优化,达到了与GPT-4 Turbo相当的能力,且降低50%的推理成本,打开了商业推广的空间,更有利于在智能手机、智能电脑等个人终端上实现端侧应用。在消费终端,用户需求多样化且变化迅速,需要提升交互界面的友好性和易用性,让用户获得流畅、自然的交互体验。GPT-4o向具备情绪价值和自然交互能力的方向进化,意味着大模型在端侧的落地更进一步,有望开启下一波科技应用和商业模式的革命,出现人工智能的国民级应用。
另一方面,大模型技术迭代放缓,风险和不确定性增加。
OpenAI并没有推出万众期待的GPT-5,这让不少业内人士推测,OpenAI“用更多大数据炼更大模型”这条技术迭代路线可能已遇到瓶颈,国内底层大模型加速追赶的窗口期或许到了。人们还期待GPT-5解决当代大模型存在的最大问题——幻觉(胡编乱造),因为它影响大模型的可靠性。这个问题也没能在GPT-4o中获得解决。有些网友就在试用中发现它会认字不会写字,如果让它输出一张含有特定文字内容的手写字体图画,它会写出谁都看不懂的自造字。此外,OpenAI去年发布的GPT-4模型仅限付费用户使用,今年则宣布新模型GPT-4o用户不用注册、功能全部免费。OpenAI开始卷起了免费,可能是GPT的用户增长和收入增长都已经碰到瓶颈。
从卷参数、卷文本长度再到卷多模态,大模型的竞争一直很激烈。随着当前人工智能技术的快速发展,大模型技术路径和商业模式的多样性和不确定性增加,商业投资风险也随之增加。对国产大模型来说,风险也是机遇。比如,全球首个三模态大模型其实是2021年7月中国发布的“紫东太初”。不管大模型赛道往什么方向去,中国都有基础,也应该有信心打开更广阔的应用商业化空间。