GPT-4o首發體驗:迄今為止最像「人」的AI終于出現了!

0 評論 2184 瀏覽 2 收藏 12 分鐘

GPT-4o發布之后,許多人都不禁開始上手體驗,在這篇文章里,作者就分享了自己的體驗和感受,并做了一定的分析和點評,一起來看。

趕在 Google I/O 大會之前,5 月 14 日凌晨,OpenAI 發布了一個新模型——GPT-4o。

對,不是搜索,不是 GPT-5,而是 GPT-4 系列的一款全新多模態大模型。按照 OpenAI CTO 米拉·穆拉蒂(Muri Murati)的說法,GPT-4o——「o」代表了 omni(意為「全能的」)——能夠接受文本、音頻和圖像任意組合的輸入與輸出。

而新的 GPT-4o 模型響應更快、處理更快、效率更高,也讓人機交互在一定程度上發生了質的變化。

事實上,在不到 30 分鐘的發布會中,最為人津津樂道的不是 GPT-4o 這個模型自身,而是在 GPT-4o 的支撐下,ChatGPT 的交互體驗。不僅是人機語音對話體驗更接近人與人之間的實時對話,視覺識別能力的進步也讓 AI 更能基于現實世界進行語音交互。

簡而言之就是更自然的人機交互。這很容易讓人想起《她(Her)》中的 AI 虛擬助手,包括 OpenAI CEO 山姆·奧爾特曼(Sam Altman):

圖/ X

但對很多人來說,更重要的可能是免費用戶也能使用 GPT-4o(不包括新的語音模式),官方說將在接下來幾周正式推出。當然,ChatGPT Plus 付費用戶顯然還是有「特權」的,從今天開始就可以提前試用 GPT-4o 模型。

圖/ ChatGPT

不過 OpenAI 演示中的桌面應用還未上線,ChatGPT 移動端 APP(包括 Android 與 iOS)也還沒更新到發布會演示的版本??傊?,ChatGPT Plus 用戶暫時還體驗不到的 ChatGPT(GPT-4o)新的語音模式。

圖/ X

所以在某種程度上,目前 ChatGPT Plus 用戶享受到的 GPT-4o 基本是未來幾周 ChatGPT 免費版用戶的體驗。

但 GPT-4o 的實際表現如何?值不值得免費版用戶重新開始使用 ChatGPT?說到底還是需要實際的上手體驗。同時,通過目前基于文本和圖像的對話,我們或許也能窺見新 ChatGPT(GPT-4o)的能力。

一、從一張圖片中看出《原神》,GPT-4o 更懂圖像了

GPT-4o 模型的所有升級,其實都可以總結為原生多模態能力的全面提升,不僅是文本、音頻和圖像任意組合的輸入、輸出,同時各自的理解能力也有明顯的進步。

尤其是圖像理解。

在這張圖片中,有被部分遮擋的書本,還有一臺正在運行游戲的手機,GPT-4o 不僅能準確識別書本上文字,根據知識庫或者聯網正確地識別出完整的書名,最讓人驚艷的是能直接看出手機正在運行的游戲——《原神》。

圖/ ChatGPT

坦白講,熟悉《原神》這款游戲的玩家大概都能一眼看出本體,但僅憑這張圖片,很多沒玩過游戲、不了解游戲角色的人基本都認不出《原神》。

當小雷詢問 ta 怎么看出是《原神》時,GPT-4o 的回答也符合邏輯:無非就是畫面內容、游戲界面以及視覺風格。

圖/ ChatGPT

但同樣的圖片和問題,但我詢問通義千問(阿里旗下)和 GPT-4,它們給出回答卻很難令人滿意。

類似的,在看了馬斯克剛發的梗圖之后,GPT-4o 也能較為準確地理解其中的笑點和諷刺之處。

圖/ ChatGPT

而在移動端 ChatGPT APP 上,通過一張非常局部的拍攝照片,GPT-4o 對場景的描述也算準確,并且也大致推理住宅區或者辦公樓等范圍。

圖/ ChatGPT

以上這些例子,其實都能在一定程度上說明 GPT-4o 在圖像理解方面的進步。需要一提的是,根據 OpenAI 新的政策,幾周后免費版 ChatGPT 用戶也支持直接拍照或者上傳圖片給 GPT-4o。

此外,免費版用戶在使用 GPT-4o 時,還能使用通過上傳文件幫助總結、撰寫和分析。不過從文件個數和大小上,ChatGPT 可能還是不如 Kimi 或者其他國內 AI 聊天機器人大膽,限制明顯。

當然優點還是有,畢竟 GPT-4o 有著 GPT-4 的頂級「智能」。

二、新模式還沒來,但語音體驗已經上了一個臺階

但比起圖像理解能力,在小雷看來,這次 GPT-4o 最重要的能力升級還得是語音。

雖然新的語音模式還沒實裝,很多演示中的體驗都沒辦法感受,但打開現有的語音模式聊幾句,就能發現 GPT-4o 的語音體驗已經有明顯的升級。

其一,不僅音色音調非常接近正常人的聲音,更關鍵的是 AI 也能熟練掌握各種語氣詞,比如「嗯」「啊」等,對話中也會有一定的抑揚頓挫。與此相對的,能明顯感受到,GPT-4o 下語音模式的回應更接近普遍意義上的「有感情」。

相比 Siri 等語音助手理所當然有大幅的進步,甚至比起目前一堆的生成式 AI 語音聊天,GPT-4o 下語音也顯得更加保真和自然。

其二,過去在語音模式的對話中,說完話往往需要較長的時間才能讓 ChatGPT 意識到我說完了,然后開始上傳、處理和輸出回答,以至于很多時候我會選擇手動控制。但在 GPT-4o 下,ChatGPT 能夠更靈敏地意識到我說完了并開始處理,基本就少了很多手動干涉。

目前還是舊的語音模式和界面,圖/ ChatGPT

不過缺點也有,有些小雷估計正式推出時也很難有明顯的改善,比如一直在討論的「幻覺」問題,并沒有感受到明顯的改善;但有些可能將在推出發生質的改變,比如對話的延遲。

從目前版本的體驗來看,就算在聊天模式下網絡連接一切正常,語音模式一開始連接就會花費不短的時間,甚至是連接失敗。但即使連接上了,對話延遲還是很高,經常是我說完了要等待數秒才能等到語音回應。

實際上,舊的語音模式其實是先將用戶的語音通過 OpenAI 的 Whisper 模型轉錄成文本,再通過 GPT-3.5/GPT-4 進行處理和輸出,最后再通過文本轉語音模型將文本轉錄為語音。這么一通下來,也就不難理解之前 ChatGPT 語音回答之慢、語音交互體驗之差的的原因了。

同時,這也是新的語音模式讓人期待的核心原因。按照 OpenAI 的說法,GPT-4o 則是跨文本、視覺和音頻端到端訓練的新模型,在新的語音模式下所有輸入和輸出都由同一個神經網絡處理。甚至不只是文本和語音,新的語音模式還能基于手機攝像頭的實時畫面進行對話。

新的語音模式和界面,圖/ OpenAI

簡單來說,原來 ChatGPT 回應你的語音必須要依序經過三個「腦」(模型)的處理和輸出。而在即將到來的新模式下,ChatGPT 只要經過一個同時支持文本、語音乃至圖像的「大腦」(模型),效率提升也就自然可以想象了。

至于到底能不能實現 OpenAI 演示中的超低延遲回應,還是要等未來幾周新模式的實裝,屆時小雷也會在第一時間進行體驗。

寫在最后

誠然,在 GPT-4 發布以來的一年里,全球大模型還在瘋狂涌現和迭代,與 GPT-4 之間的差距也在不斷拉小,甚至一度超越(Claude 3 Opus)。但從權威基準測試、對戰 PK 排行榜以及大量用戶的反饋來看,GPT-4 依然是全球最頂級的大模型之一。

更重要的是,技術塑造能力,產品塑造體驗。GPT-4o 再次證明了 OpenAI 依然在技術和產品上的絕對實力,而 GPT-4o 對于語音交互體驗的迭代,恐怕還會再次消滅一批 AI 語聊、AI 語音助手方向的創業公司。

但另一方面,我們也再次看到了人機語音交互發生質變的希望。

編輯:冬日果醬;來源:雷科技AI硬件組

來源公眾號:雷科技(ID:leitech),聚焦科技與生活。

本文由人人都是產品經理合作媒體 @雷科技 授權發布。未經許可,禁止轉載。

題圖來自Unsplash,基于CC0協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!