OpenAI、谷歌“掰手腕”大模型给人工智能装上“眼睛耳朵嘴巴”
央广网北京5月15日消息（记者 牛谷月）北京时间15日凌晨1点，谷歌召开年度I/O开发者大会。根据谷歌官方统计，在这场110分钟演讲中，谷歌CEO桑达尔・皮查伊（Sundar Pichai）提及AI的次数高达121次，同时推出了一系列以AI为核心的产品和服务。而就在前一天，ChatGPT的开发公司OpenAI的首席技术官米拉・穆拉提（Mira Murati）进入直播室，发布了OpenAI的春季大更新，包括桌面版本的ChatGPT，以及可实时进行音频、视觉和文本推理的最新旗舰大模型GPT-4o。Google新发布的“AI全家桶”，更被视作是对GPT-4o的回击和“叫板”。
人类对AI的探索如火如荼，人机交互再次大迈步，打破了传统“语音助手”的桎梏。大模型就像给AI装上了“眼睛耳朵嘴巴”，从此你的快乐伤悲它都能“体会”。未来已经来临了吗？
“读取人类情绪”――向更自然的人机交互迈进一步
在OpenAI的春季发布会上，虽然大家没能见到GPT-5，但GPT-4o的出现仍然惊艳。据OpenAI官网介绍，GPT-4o中的“o”代表“Omni”，这是一个基于GPT-4之上的多模态大模型。
OpenAI称，它向更自然的人机交互迈进了一步，因为它接受文本、音频和图像的任意组合作为输入内容，并生成文本、音频和图像的任意组合输出内容。
值得注意的是，GPT-4o能够与用户进行多样化的语气交互，并精准捕捉到用户的情绪变化。发布会上，OpenAI前沿研究部门主管陈信翰（Mark Chen）让GPT-4o聆听他的呼吸，聊天机器人侦测到他急促的呼吸，并且建议他不要“像吸尘器那样呼吸”，要放慢速度。随后Mark深呼吸一次，GPT-4o表示这才是正确的呼吸方式。同时，研究员巴雷特・佐夫（Barret Zoph）还演示了GPT-4o是如何通过前置摄像头观察用户的面部表情，分析其情绪的。
“GPT-4o不仅能够理解用户的语气，还能做到恰到好处的反应。”DCCI互联网研究院院长刘兴亮感慨道，“想象一下，GPT-4o在你紧张的时候能够安慰你，让你深呼吸，甚至开个小玩笑缓解你的压力。这种情感识别能力使得人机交互变得更加自然和亲切，仿佛我们身边有了一个懂我们心情的贴心朋友。”
而在一天后的谷歌I/O开发者大会上，谷歌紧跟其后，发布了一款名为Project Astra的谷歌AI助手。这款通用模型通过智能手机的摄像头捕捉并分析周围环境，还能与用户进行实时对话。在演示视频中，用户手持手机，将摄像头对准办公室的不同角落，并通过语言与系统进行交互。例如，当用户发出指令“请告诉我智能眼镜在哪里”时，Astra能够迅速识别物体，并与用户进行实时的语音交流。同时，当用户看向窗外，智能助手立刻就说出了用户的详细地址：“这儿显然是伦敦的国王十字路口区域。”它也可以理解绘画和图像，如可以对一个写在白板上的系统流程图给出意见“在服务器和数据库间添加缓存可以提高速度”。
DeepMind联合创始人兼首席执行官德米斯・哈萨比斯（Demis Hassabis）称，Project Astra是自己期待了几十年的AI助手的雏形，是通用AI的未来，“AI个人助理可以通过连续编码视频帧、将视频和语音输入组合到事件时间线中，并缓存这些信息以进行有效回忆，从而更快地处理信息。”
刘兴亮指出：“虽然OpenAI的GPT-4o在自然语言处理能力上表现强大，但谷歌在多模态理解、数据丰富性和开发者支持方面也展现了强劲的竞争力。两者在各自擅长的领域均有显著优势，并不断推动人工智能技术的发展。”
快速响应！――接近人类对话时的响应时间
从“你的快乐伤悲它能体会”到“你的快乐伤悲它能体会并给出及时回应”，人工智能大模型的响应时间的缩短让人机交互更加丝滑。
在OpenAI发布会上，人们见到了GPT-4o更快的响应速度：能够在短至232毫秒内响应音频输入，平均响应时间为320毫秒，与人类在对话中的反应速度几乎一致。“我们可以说GPT-4o是AI界的‘闪电侠’，速度快到令人发指。”刘兴亮分析，“相比之下，传统语音助手如Siri、Alexa以及各种‘同学们’在处理语音输入时，需要经过繁琐的音频转文本再转回音频的过程。而GPT-4o通过端到端的训练，直接处理所有输入和输出，实现了真正的毫秒级响应。”
记者了解到，在GPT-4o之前，使用ChatGPT的语音模式时，需要多个模型的接力处理：先将音频转换为文本，再进行“输入并输出文本”的处理，最后再将文本转换回音频。这种处理方式常导致信息的大量丢失，例如无法捕捉到语调、识别多个说话者或背景噪音，也无法生成笑声、歌唱或其他情感表达。而GPT-4o是OpenAI的首个整合文本、视觉和音频多模态输入与输出的模型。通过端到端地训练一个统一的新模型，实现了所有输入和输出的处理都由同一个神经网络完成。
360集团创始人、董事长周鸿t在其发表的视频中感慨：“这就带来了一个全新的体验，时延大概只有300毫秒左右，达到了人类和人类谈话的响应速度，这样不仅能听得懂你话里的情绪，在输出回答的时候也可以伴随着高兴、悲伤、失望、兴奋或者是更复杂的感情。”
国泰君安15日研报表示，GPT-4o作为基础性工具为更多创新应用提供了生长土壤。研报认为，对图像和视频的理解和高效的实时互动，一定程度对其他单一功能的AI软件有替代的可能性，GPTStore有望推出更多便捷应用，丰富应用商城生态。同时随着GPT在桌面端和移动端的持续渗透，AI助理应用有望更快普及，新型商业模式或将逐步推出。