最近，OpenAI举行了春季发布会，而这次发布会的主角无疑是GPT-4o，这个可以更灵活地与人进行互动的多模态大模型。怎么理解GPT-4o的进步，与背后的AI助手竞争？一起来看看本文的解读。

ChatGPT又双叒叕更新了，这一次，OpenAI没有大谈数字和术语，而是回归到了“聊天机器人”本身。

北京时间5月14日凌晨1点，OpenAI举行春季发布会，公司首席技术官米拉·穆拉蒂（Mira Murati）主持，现场展示了ChatGPT的更新。

发布会的核心，是最新多模态大模型GPT-4o。和之前发布新模型必强调训练数据量、各项测试成绩等“硬核指标”不同，GPT-4o的升级主要在使用体验上。

相较上一代GPT-Turbo，GPT-4o可谓是打通了任督二脉，各项技能融会贯通，和人的互动更灵活、更快速——换言之，更像“人”了。

用户可以以文本、音频、图像任意组合输入，得到ChatGPT实时文本、音频、图像的任意组合输出。在交流过程中，ChatGPT不再等待若干秒才响应，而是实时回复，还能被随时打断。OpenAI的CEO山姆·奥特曼（Sam Altman）将之称为“人类级别的响应”。

OpenAI现场展示了和ChatGPT的若干互动，包括：实时对话交互、语音多样化（应用户需求使用不同情绪、语调等）、视频指导做题、视频识别环境和人（包括人的情绪）、以桌面应用形式辅助编程、实时翻译。

OpenAI同时还放出了预先录制的展示样例若干，包括：两个GPT-4o交流和对唱、唱摇篮曲、在线会议应用、毒舌讽刺、视频识物并给出西班牙语单词、帮助面试准备、和狗互动等。

OpenAI本次现场演示选择的声音是“Sky”，听起来酷似好莱坞明星（寡姐）斯嘉丽·约翰逊。让人很容易联想到科幻电影《她（Her）》，其中AI助手正是由斯嘉丽配音。电影中男主角从使用AI助手，一步步走向一段无果的人机恋情。

奥特曼自己也在X上发了这部电影的名字：her。还有人干脆把电影海报里的脸换成了奥特曼的。

当GPT-4o驱动的ChatGPT用饱含情绪的声音和人聊天，还能看、能听、能说会唱，你就知道，科幻已经照进现实了。

更关键的是，穆拉蒂现场宣布，GPT-4o免费向所有人开放。也就是说，随着后续更新，免费用户也可以直接使用GPT-4o，只不过每日限制条数比付费用户少，达到限制后会自动切换回GPT-3.5。

以及，ChatGPT的桌面应用将上线苹果电脑系统Mac OS，Windows版本将在今年晚些时候推出。

01

如果用四个字总结GPT-4o的特点，就是：更通人性。

而这体现在两方面，一方面是GPT-4o多模态融会贯通，反应速度也大大提高，交互方式更接近于人；另一方面，是GPT-4o驱动下的机器人明显更活泼，更乐于表现出人类情绪。

先说GPT-4o的多模态能力，准确来说，GPT-4o最亮眼的是跨模态的能力。

一年多以前，2023年3月，OpenAI发布了多模态模型GPT-4。从那时起，人们就可以给GPT-4发图片让它帮忙分析，也可以发文件、语音聊天。但是文本、图像、语音之间是有“壁”的。

比如你想让ChatGPT帮忙解一道数学题，就只能截图或者复制题目，发给ChatGPT。如果想听ChatGPT语音讲解，得先在文本框发完之后，再切到语音。

但在GPT-4o下，你可以直接使用桌面应用，将ChatGPT打开放在一边，和它聊着天的同时，用“拍摄”功能给它看你电脑桌面的内容，它就可以在对话中为你答疑解惑。

在一则演示中，用户将ChatGPT桌面应用和做题界面同时打开。ChatGPT不直接给出答案，而是以问题引导的方式，有问有答地一步步带用户解了一道几何题。

或者，你也可以打开摄像头，ChatGPT也可以“看”着纸面指导解题。

在所有的演示当中，最让人直呼“恐怖”的还是视频对话：用户打开摄像头，让ChatGPT“看”到当下，并进行互动。

用前置镜头自拍，ChatGPT不仅能识别用户的情绪，如“看起来很开心，甚至可以说是兴奋的”，还能从用户背后的画面判断其身处的环境，如“看起来你在一个摄影棚中，背后有一些灯光，你的胸前还别着麦克风，可能在录制视频之类的”。当有另一个人进入镜头并且做鬼脸的时候，ChatGPT也准确指出了这一“不太寻常”的情况，并加以描述。

用后置镜头，ChatGPT就可以和用户共享视角。如在语言学习的过程中，打开摄像头让ChatGPT用某种语言说出物品的名称。或者可以为视障用户提供指引，告诉用户“有一辆计程车来了，就是现在，招手吧”。

再加上用户话音刚落ChatGPT就接话，以及用户可以直接打断ChatGPT，它也都能接着聊，这就使得整体体验更像人与人的对话，快速且灵活。

顺带一提，由于GPT-4o的响应速度快、可打断，其实时翻译效果非常惊艳。两个语言不通的人将GPT-4o驱动的ChatGPT放在中间充当翻译，就可以聊天了。

总而言之，GPT-4o驱动下的ChatGPT，不再仅仅是一个什么都会的应用，而是真正进化成了一个“AI助手”。

02

再说情绪，这一点不容小觑。

从2022年11月ChatGPT上线开始，这款聊天机器人在很长一段时间里都给人一种不苟言笑的印象。这很有可能是OpenAI为了避免麻烦而有意为之的，ChatGPT不仅回答起问题一板一眼，而且只要有机会就会向用户强调“我只是个机器人，我没的感情”。用户如果想要ChatGPT更“放松”，需要给出明确的指令。

但GPT-4o驱动下的ChatGPT明显不同了。在没有预先指令的情况下，ChatGPT不再刻意避免像人类，而是相反。

比如，当用户求助ChatGPT，说自己马上要参加OpenAI的面试，ChatGPT接过话开玩笑地说：“OpenAI，嗯？怎么听起来这么耳熟嘞？”紧接着窃笑，转而笑着亢奋地接着说：“开玩笑的！太棒了洛基（演示人员的名字）！什么样的面试？”

当洛基寻求外形上的建议时，ChatGPT用幽默的方式表示头发需要整理，说他“看起来有写了一整夜代码的氛围”。洛基戴上了一顶遮阳帽，ChatGPT立刻“哈哈哈”地大笑，说他“肯定会很显眼”，但在面试中不合适，像朋友一样劝他放弃这样做。

也就是说，GPT-4o驱动下的ChatGPT，不再是一个只追求性能的AI工具，而是开始主动提供“情绪价值”。

在ChatGPT走严肃路线的两年里，不少竞品都以更活泼、更“通人性”的姿态出现，并俘获了不少用户的心。

如Inflection.AI曾推出的机器人Pi，主打的就是“陪伴”，总是语气温柔，对用户充满关怀，不到一年的时间里就做到百万日活用户，平均对话持续时间超过半小时。

埃隆·马斯克（Elon Musk）的人工智能公司xAI的大模型Grok，则因其毒舌一经上线就吸引不少关注。

就连上一波AI聊天机器人热潮也深谙此道。2011年苹果将Siri集成到iPhone4S中，AI聊天机器人成赛博玩具，人们热衷于“调戏Siri”，让它唱歌、讲笑话。Siri虽不算神通广大，但提供了足够多的乐趣。中国用户熟悉的天猫精灵、小爱同学等，也无不有一个俏皮的“人设”。

但后来的故事我们都知道了，上一代AI助手因其技术限制，能做的实在有限，“俏皮”来自有限的预先设置，还因为理解能力不佳、不够灵活，渐渐被用户钉上“人工智障”的耻辱柱。

在2024年，人们曾经对Siri们抱有的期待——一个既能当得力助手帮忙做事，又能当赛博玩具聊天嬉笑的AI——终于在GPT-4o身上有了着落。

03

去年5月，比尔·盖茨（Bill Gates）曾在AI Forward 2023活动上谈及AI，对AI的前景很看好：“你永远不会去搜索网站了，也不会再去亚马逊了。”

而能干掉搜索和电商的，在盖茨眼中不是别的，正是未来顶级的AI助理：“无论谁赢得了AI助理的竞赛，这都是一件大事。”

面向C端用户，AI助理的战事已经打响。

微软已经将Copilot带进Windows11，依托以侧边栏工具的形式辅助用户；谷歌在内部整合了谷歌大脑和DeepMind之后发布拳头模型Gemini，未来有望更加深入地嵌入各个产品和应用，如Android安卓、谷歌搜索和Workspace；亚马逊则在去年9月发布新款Alexa，接入大模型。

苹果也有明显的战略倾斜，加快AI步伐。6月，苹果将举行全球开发者大会（WWDC24），iOS18是否会以人工智能做软件更新是外界关注的焦点。外界普遍认为，苹果会对Siri进行大模型重塑。

今年3月之后，接连有几个消息传出。先是彭博社援引知情人士透露，苹果正在就将谷歌Gemini大模型内置于iPhone进行谈判，同期也在与OpenAI进行类似谈判。而后是苹果CEO蒂姆·库克（Tim Cook）访华之后，《科创板日报》报道苹果将与百度进行技术合作，在今年即将发布的iPhone16、Mac系统和iOS 18提供AIGC功能。

用GPT-4o，OpenAI再次给世界亿点点震撼，接下来的AI助手竞争只会更加精彩。

“新的语音（和视频）模式是我使用过最好的计算机界面。这感觉就像电脑里的人工智能，它的真实性还是让我有点吃惊。达到人类水平的反应时间和表达能力是一个很大的变化。”在随GPT-4o发表的一篇博文中，奥特曼写道。