来源：封面新闻

封面新闻记者 欧阳宏宇

电影《钢铁侠》中的“贾维斯”真的来了。

北京时间5月14日凌晨，OpenAI发布了一款名为GPT-4o的新旗舰生成式人工智能模型。据OpenAI首席技术官穆里・穆拉蒂 (Muri Murati)介绍，该模型能支持ChatGPT处理50种不同的语言，实时对音频、视觉和文本进行推理，并且所有用户均可免费使用，而付费用户的容量限制是免费用户的五倍。

GPT-4o的“o”代表“omni”，该词意为“全能”，源自拉丁语“omnis”。在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。根据OpenAI公布的测试数据，GPT-4o在文本、推理和编码等方面实现了与GPT-4 Turbo级别相当的性能，同时在多语言、音频和视觉功能方面的表现分数也创下了新高。

这也在该模型的功能上得以体现。据了解，与GPT-4相比，GPT-4o不但集成了图像和文本功能外，还在此基础上完善了语音功能。例如，在用户使用语音模式与ChatGPT对话时，GPT-4的平均延迟为5.4秒，音频在输入时还会由于处理方式丢失大量信息，也无法输出笑声、歌唱声和表达情感。而GPT-4o可以在232毫秒内对音频输入做出反应，与人类的对话响应时间非常接近；甚至能够从人类急促的喘气声中理解“紧张”的含义，并且指导他进行深呼吸，还可以根据用户要求变换语调。

图像能力方面，根据现场演示，OpenAI高管手写了一个方程，并打开摄像头拍给ChatGPT，让它扮演“在线导师”的角色帮助自己解题，而且只能给提示，不能直接说答案。此后，ChatGPT一步一步说出了解题步骤。

GPT-4o较之前的版本已有显著进步，但有分析人士称，OpenAI可能已经“没落”了。“如果发布的是GPT-5，那OpenAI依然遥遥领先。如果是AI Search或者是语音助手，那就说明OpenAI没落了。”

不过，OpenAI看来，AI模型技术确有很多调优的空间。“我们跨文本、视觉和音频端到端地训练了一个新模型，这意味着所有输入和输出都由同一神经网络处理。”OpenAI方面表示，由于GPT-4o是第一个结合所有这些模式的模型，因此仍然只是浅尝辄止地探索该模型的功能及其局限性。