上手了刷屏一天的GPT-4o，我感觉目前也就那样_风闻

本文原创于微信公众号：差评  作者：世超

没有所谓的 AI 搜索引擎，也没有炸裂的 GPT-5 ，但 OpenAI 还是让大伙儿感受到了，什么叫做 “Only OpenAI Can Do” 。

就在今天凌晨， OpenAI 的春季发布会终于是来了。

他们也没多讲几句废话，整场发布会就二十来分钟，其中，最重磅的无异于GPT-4o 新模型的发布。

关于 GPT-4o 起名的缘由， OpenAI 官方是这么解释的： “ o “ 的全称是 “ omni ” ，也就是 “ 全能 ” 的意思。

之所以说它全能，是因为它能把文本、视觉、音频全打通了。换句话说，你跟 GPT-4o 对话就跟真人似的。

最重要的是， GPT-4o 是免费向用户开放的，不开 Plus 会员也能用，只不过 Plus 会员要多一些使用次数。

反正跟世超一起蹲守直播的同事们看了，都直呼想要。。。

就连奥特曼也在推特上毫不避讳地，把 GPT-4o 跟科幻电影《 Her 》联系起来。（ 这部电影讲的是人和 AI 语音助理谈恋爱的故事 ）

评论区的网友们也纷纷表示 “ 见证历史 ” “ 电影终于要照进现实了 ” ，甚至还用奥特曼的照片，整出来了个 “ him ” 。

玩笑归玩笑，但世超觉得， OpenAI 这次 GPT-4o 的现场演示效果，特别是实时语音和视频交互的能力，确实甩了其他现役大模型好几个车尾灯。

不过光这么说，大伙儿对 GPT-4o 的感受可能也不深，咱直接来看演示。

像演示人员让 GPT-4o 从一数到十，中途就嫌它语速太慢了，让它说快点儿， GPT-4o 能立马反应过来，后续随时插话它都能瞬间 get 到。

就这一个接一个的连续对话实力，说实话世超还没在 AI 身上体验过。

给 GPT-4o 一个麦克风和摄像头权限，它能分分钟化身成面试指导官，比方视频里的这个老哥，说自己要去 OpenAI 面试，让 GPT-4o 给点着装建议。

它迅速 “ 打量 ” 了下这位老哥，礼貌不失幽默地给出了 “ 抓个头发 ” 的中肯建议。但老哥打算走个不听劝的人设，顺手拿出个帽子，问能不能戴它去面试。

GPT-4o 这边反应贼快，识破了老哥明知故问地恶作剧，顺着他的话茬说，也不是不行，最起码能让你在人群中脱颖而出。

如果不给世超看演示画面，光听声音我可能会以为，这就是两个朋友之间在开玩笑。

当然，以 GPT-4o 的知识储备和多模态能力，它也有相当正儿八经的应用场景。

一扭头，就能直接化身成视障人士的眼睛，帮他们识别所在的位置，要是想知道眼前都有啥场景， GPT-4o 也能够绘声绘色地描绘出来，甚至还能一步一步指导视障人士打车。

再摇身一变， GPT-4o 还能化身成数学老师，把屏幕的权限开放给它，它能一步步指导你做题，你在题目上写了啥画了啥 GPT-4o 也都能看得一清二楚。

有一说一，这跟世超上中学时爸妈请的家教没啥两样。。。

看完官方的案例视频，相信大伙儿跟世超一样，已经被震撼得没边儿了。

而为了做到这些， OpenAI 在底层的模型上可是下了不少苦功。

之前咱们用 ChatGPT 的语音对话，都是一轮一轮的来。它得先把咱说的话转换成文字输给 GPT-4 ，等 GPT-4 生成文字答案之后，才能再转成语音输出。

也就是说，以前和 ChatGPT 语音对个话，它得动用三个模型，一个管音频转文本，一个 GPT-4 管文本转文本，另外还有一个管文本转音频。

一整套流程下来，耐心都快给磨没了，而且中间除非咱们手动暂停，否则根本没插话的机会。

但 GPT-4o 不一样，它是一个原生的多模态模型，无论文字音频，还是视频啥的，所有的输入和输出都在同一个神经网络里处理。

这种打娘胎里自带多模态的特性，让 GPT-4o 能够听懂好赖话，表达自己的情绪，和它对话也能像吃了德芙一样丝滑。

不过，上面那些视频终归还是 “PPT” ，没到手实测一波，世超也不敢轻易下定论这玩意儿是不是真的有这么强。毕竟前段时间， Sora 生成的《 气球人 》短片才被传出加了大量的人类后期。

而在实际用这块， OpenAI 还是一如既往的狗，嘴上说 GPT-4o 都能免费用，但也要分先来后到，而且功能也慢慢开放。

现在能用上 GPT-4o 的只有 Plus 账号，而且最重磅的实时视频和语音功能，毛都看不着。

但有总归比没有强，世超手边恰好也有个 Plus 账号，而且官方也说了，GPT-4o 生成的速度还会比 GPT-4 快上两倍。

所以咱这波，就先提前给差友们试试 GPT-4o 的实力。

先让它给咱讲一个童话故事，顺便再画出整个故事的分镜图。GPT-4o 没犹豫几秒，库吃库吃就开始写了。

写完中间也没带停顿，直接开始画分镜了。

而同样的问题再抛给 GPT-4 ，它一开始就得磨蹭半天在问题上。。。

讲清楚要求后才肯继续写，而且写完之后也不继续画分镜图，还得等世超我再亲自强调一波。

不过虽然 GPT-4 比 GPT-4o 墨迹了不少，但从内容来看，我还是会觉得GPT-4 会更丰富一点。

再借我司老员工火锅的照片一用，分别让 GPT-4 和 GPT-4o 生成一张像素风的图片。

在生成速度上 GPT-4o 完胜，但要抠细节的话两个就半斤八两了。

GPT-4 识别出了火锅嘴里叼着的是袋子， GPT-4o 多识别出了一只拖鞋，非要比的话，其实 GPT-4 的金毛更像火锅一些。。。

（ 左边 GPT-4 ，右边 GPT-4o ）

接着，我又让 GPT-4o 把咱差评的 LOGO 换成 3D 图片，结果它整出来字，翻遍整本新华字典，估计都找不到。

但不识汉字也是历代 ChatGPT 的老毛病了，换成英文再要求它，你别说，这次出来的整体效果还可以，就是经不起细看，不少英文拼写都是错的。。

整个上手试下来， GPT-4o 给我最大的印象就是快，非常快。

但说实话，除了快，世超真没觉得有啥特别的了，与其说 GPT-4o 是 GPT-4 的智商进化版，倒不如说是把 GPT-4 的交互能力单拎出来强化了一波。

就像奥特曼在博客里提到的， “ 达到人类响应时间和表达水平 ” 是 AI 的巨大变化。大模型的终极形态，也应该是让人和 AI 的交流回归到最原始、最简单的形态。

在未来，咱们面对一台电脑、一部手机，直接说话交流，就是最主要的交互方式。

不过这次 GPT-4o 最厉害的杀手锏：视频交流功能，还没放出来，等到时候咱能体验到了再下结论也不迟。

另外，网友们也没干坐着，也在各种研究 GPT-4o 的，结果，却扒出了一些番外的料。。。

也不知道 GPT-4o 的中文语料库是哪儿来的，里面有不少的钓鱼网站的违禁词，像什么 “ 日本 x 片免费视频 ” 这类的。

给人老外都整无语了。。

像这样的乐子，以后指不定还要冒出来不少。但言归正传， GPT-4o 的出现确实又给 AI 开了个新副本。

按照之前 ChatGPT 问世之后，其他友商步步紧逼的尿性。世超盲猜，在 GPT-4o 之后，类似的 “Claude-o”“Gemini-o” 应该很快就会出现。

刚好明天就是谷歌的 I/O 了，咱们也浅浅期待一手好吧。

图片、资料来源：

X ， OpenAI 、 Blog