电影里的人工智能照进现实？GPT-4o挑战苹果Siri

南都记者了解获悉，GPT-4o的升级迭代主要在于四方面：一是融媒能力更强，GPT-4o已同时具备文本、图片、视频、音频多方面的能力，即可以接受任何文本、音频等形式及其组合的输入，并生成同样媒介形式的回答；二是速度更快、反应时间接近人类；三是GPT-4o将面向ChatGPT的所有付费和免费用户发布；四是ChatGPT在不用注册即可使用的基础上，还增加了桌面程序，交互更便利。

在融媒能力方面，发布会上，研究主管Mike Chen和Beridzov轮番演示。当Mike Chen向GPT-4o表示自己在发布会上比较紧张时，GPT-4o快速安慰“别紧张，深呼吸，记住你可是专家”。当Mike Chen顽皮地假装遵从GPT-4o的建议，“激烈”地呼吸时，GPT-4o发出了笑声并调侃“你不是吸尘器”，并一对一实时指导Mike Chen呼吸要诀，当“察觉”到Mike Chen呼吸正常时，GPT-4o赞许地表示“就是这样”。

据Mike Chen总结介绍，用户使用GPT-4o可以感受到以下几方面的升级：一是用户可以随时打断模型，不用等到模型完成一个回合即可插话，二是模型升级后能实时响应、没有时延，三是模型学会了情感解读。后续根据研究主管Beridzov的演示，当Beridzov将手机镜头拍摄自己在一张纸上演示线性方程式时，GPT-4o能实时给予指导和解法。

发布会上， OpenAI 的首席技术官 Mira Murati还介绍，GPT-4o的文本、推理和编码智能方面性能达到了GPT-4 Turbo水平，但速度比GPT-4 Turbo快2倍，速率限制提高5倍，最高可达每分钟1000万token，而价格则便宜了一半。

同时，GPT-4o的文本和图像功能将在ChatGPT更新后提供给所有用户，Plus用户的消息数量使用上限是免费版的5倍，普通用户达到使用上限后会切换回GPT-3.5版本。而新版语音模式将在未来几周向Plus用户推出，同时也将会在API（应用接口）中向小范围推出对GPT-4o的新音频和视频功能的支持。

英伟达科学家 Jim Fan发表评论称，从技术角度来看，OpenAI 已经找到了一种方法，可以将音频直接映射到音频作为一级模态，并将视频实时传输。这些需要对 token 化和架构进行一些新的研究，但总体来说是一个数据和系统优化问题（大多数事情都是如此）。

他还表示，GPT-4o更接近GPT-5了，在Google明天将举行的I/O 大会之前发布，OpenAI赢得了更多时间、非常明智。而GPT-4o也更加活泼，更像电影中的《她》了，更像是向一个更具情感和个性的 AI 转变，此前OpenAI 似乎一直在积极抑制这种变化。

据悉，OpenAI本次现场演示选择的声音是“Sky”，该声音听起来酷似科幻爱情片《她（Her）》中的“萨曼莎”。该电影讲述了作家西奥多在结束了一段令他心碎的爱情长跑之后，爱上了电脑操作系统里的女声“萨曼莎”，“萨曼莎”嗓音性感、风趣幽默、善解人意，让孤独的男主泥足深陷。而“萨曼莎”的配音演员正是斯嘉丽·约翰逊。

发布会当天，奥特曼自己也在X上发了这部电影的名字《她（Her）》，还有人干脆把电影海报里的脸换成了奥特曼的。

不少网友看完发布会的第一感觉是，升级后GPT-4o似乎正在挑战苹果Siri。不过前不久，有媒体报道称，苹果已经与OpenAI达成协议，将在全新操作系统iOS 18中引入ChatGPT技术。

Jim Fan强调，“谁先赢得苹果谁将大获全胜”。在Jim Fan看来，GPT-4o与苹果iOS可以在三个层次上整合。“一是抛弃 Siri。OpenAI 为 iOS 提炼出一个更小层级、纯粹设备上的 GPT-4o，可选择付费升级以使用云端；二是将摄像头或屏幕传输到模型的原生功能里，芯片级支持神经音频/视频编解码器；三是与 iOS 系统级操作API和智能家居 API 集成。这可能会成为从一开始就拥有10亿用户的 AI 代理产品。”

在发布会之外，OpenAI CEO萨姆·奥特曼发布博文表示，GPT-4o新的语音（和视频）模式是自己用过的最好的计算机界面。“感觉就像电影里的人工智能一样；我仍然有点惊讶它是真的。事实证明，达到人类水平的响应时间和表达能力是一个巨大的变化。”

奥特曼还提到，OpenAI的重要使命之一就是免费（或以优惠价格）向人们提供功能强大的人工智能工具，“我感到非常自豪的是，我们在ChatGPT中免费提供了世界上最好的模型，并且没有广告或类似的东西。我们是一家企业，会找到很多可以收费的东西，这将帮助我们为数十亿人提供免费、出色的人工智能服务（希望如此）。”