GPT-4o của OpenAI cho thấy tiềm năng của AI

Thứ Hai, ngày 13 tháng 5 năm 2024, OpenAI công bố ra mắt model chủ lực mới GPT-4o, trong đó chữ “o” là viết tắt của “omni”. GPT-4o là model AI đa phương thức tiên tiến, hỗ trợ tương tác văn bản, âm thanh và hình ảnh theo thời gian thực, mang lại tốc độ xử lý nhanh hơn, hỗ trợ đa ngôn ngữ và độ an toàn được cải thiện.

Model này mang đến những khả năng AI tạo sinh chưa từng thấy. Phát huy thế mạnh hội thoại của ChatGPT, các tính năng của GPT-4o đánh dấu bước tiến đáng kể trong cách mọi người cảm nhận về AI. Giờ đây, chúng ta có thể trò chuyện với GPT-4o như thể đang nói chuyện với một người thật. Hãy cùng tìm hiểu chính xác GPT-4o có thể làm được những gì!

Tìm hiểu về GPT-4o#

Tại sự kiện cập nhật mùa xuân của OpenAI, công ty tiết lộ rằng GPT-4o thông minh ngang GPT-4 nhưng xử lý dữ liệu nhanh hơn và có khả năng xử lý văn bản, hình ảnh cùng âm thanh tốt hơn. Không giống các phiên bản trước tập trung vào việc làm cho model thông minh hơn, phiên bản này được phát triển với mục tiêu giúp công chúng sử dụng AI dễ dàng hơn.

Hình 1. Sự kiện cập nhật mùa xuân của OpenAI

Chế độ giọng nói của ChatGPT, ra mắt vào cuối năm ngoái, sử dụng ba model phối hợp để chuyển giọng nói đầu vào thành văn bản, hiểu và tạo câu trả lời dạng văn bản, rồi chuyển văn bản thành giọng nói để người dùng nghe được phản hồi. Chế độ này gặp vấn đề về độ trễ và chưa mang lại cảm giác tự nhiên. GPT-4o có thể xử lý trực tiếp văn bản, hình ảnh và âm thanh cùng lúc, tạo cho người dùng cảm giác đang tham gia một cuộc trò chuyện tự nhiên.

Ngoài ra, không giống chế độ giọng nói, giờ đây bạn có thể ngắt lời GPT-4o khi model đang nói và model sẽ phản ứng như một người thật. Model sẽ dừng lại để lắng nghe, sau đó phản hồi theo thời gian thực dựa trên những gì bạn nói. Model cũng có thể thể hiện cảm xúc qua giọng nói và hiểu sắc thái giọng điệu của bạn.

Các tính năng ấn tượng của GPT-4o#

Kết quả đánh giá model GPT-4o cho thấy mức độ tiên tiến của model. Một trong những kết quả đáng chú ý nhất là GPT-4o cải thiện đáng kể khả năng nhận dạng giọng nói so với Whisper-v3 ở mọi ngôn ngữ, đặc biệt là những ngôn ngữ ít phổ biến hơn.

Hiệu năng ASR âm thanh (Nhận dạng tiếng nói tự động) đo lường mức độ chính xác của model khi chuyển ngôn ngữ nói thành văn bản. Hiệu năng của GPT-4o được theo dõi bằng Tỷ lệ lỗi từ (WER), cho biết tỷ lệ phần trăm từ được chuyển đổi không chính xác (WER càng thấp thì chất lượng càng cao). Biểu đồ dưới đây cho thấy WER thấp hơn của GPT-4o ở nhiều khu vực, minh chứng cho hiệu quả cải thiện khả năng nhận dạng tiếng nói ở các ngôn ngữ có ít tài nguyên hơn.

Hình 2. GPT-4o có khả năng nhận dạng tiếng nói vượt trội ở nhiều ngôn ngữ.

Dưới đây là một số tính năng độc đáo khác của GPT-4o:

• Nhanh hơn - Tốc độ của GPT-4o gấp đôi GPT-4 Turbo. Model có thể phản hồi đầu vào âm thanh chỉ trong 232 mili giây, tương đương thời gian phản hồi trong hội thoại giữa người với người.
• Tiết kiệm chi phí - Phiên bản API của GPT-4o rẻ hơn 50% so với GPT-4 Turbo.
• Ghi nhớ - GPT-4o có khả năng duy trì ngữ cảnh qua các cuộc trò chuyện khác nhau. Model có thể nhớ những gì bạn đang nói trong các cuộc trò chuyện khác nhau.
• Đa ngôn ngữ - GPT-4o được huấn luyện để cải thiện tốc độ và chất lượng xử lý ở 50 ngôn ngữ khác nhau.

Ví dụ về những gì GPT-4o có thể làm#

Giờ đây, bạn có thể mở GPT-4o trên điện thoại, bật camera và nhờ GPT-4o đoán tâm trạng của mình dựa trên biểu cảm khuôn mặt, như thể đang hỏi một người bạn. GPT-4o có thể quan sát bạn qua camera và trả lời.

Hình 3. GPT-4o nhận biết tâm trạng của một người qua video.

Bạn thậm chí có thể nhờ GPT-4o giải toán bằng cách cho model xem nội dung bạn đang viết qua video. Ngoài ra, bạn có thể chia sẻ màn hình để GPT-4o trở thành gia sư hữu ích trên Khan Academy, yêu cầu bạn chỉ ra các phần khác nhau của một tam giác trong hình học như minh họa bên dưới.

Hình 4. GPT-4o đóng vai trò gia sư trên Khan Academy.

Ngoài việc giúp trẻ em giải toán, nhà phát triển có thể trò chuyện với GPT-4o để gỡ lỗi mã. Điều này có thể thực hiện nhờ ứng dụng ChatGPT dành cho máy tính để bàn. Khi đang trò chuyện với ứng dụng GPT-4o giọng nói trên máy tính để bàn, nếu bạn tô sáng và sao chép mã bằng CTRL “C”, model sẽ đọc được mã của bạn. Hoặc bạn có thể dùng model để dịch hội thoại giữa các nhà phát triển nói những ngôn ngữ khác nhau.

Khả năng ứng dụng GPT-4o dường như vô tận. Một trong những bản demo thú vị nhất của OpenAI dùng hai điện thoại để cho thấy GPT-4o trò chuyện với các phiên bản khác nhau của chính nó và cùng nhau hát.

Hình 5. AI trò chuyện và ca hát cùng AI.

Các ứng dụng của GPT-4o#

Như bản demo đã trình bày, GPT-4o có thể giúp thế giới trở nên dễ tiếp cận hơn với người khiếm thị. Model có thể hỗ trợ họ tương tác và di chuyển an toàn, độc lập hơn. Chẳng hạn, người dùng có thể bật video và cho GPT-4o xem khung cảnh đường phố. Sau đó, GPT-4o có thể mô tả môi trường theo thời gian thực, chẳng hạn như nhận diện chướng ngại vật, đọc biển báo đường phố hoặc hướng dẫn họ đến một địa điểm cụ thể. Model thậm chí có thể giúp họ gọi taxi bằng cách báo khi taxi đang đến gần.

Hình 6. GPT-4o thông báo khi taxi đang đến gần.

Tương tự, GPT-4o có thể chuyển đổi nhiều ngành nghề nhờ các khả năng tiên tiến. Trong lĩnh vực bán lẻ, model có thể cải thiện dịch vụ khách hàng bằng cách hỗ trợ theo thời gian thực, giải đáp thắc mắc và giúp khách hàng tìm sản phẩm cả trực tuyến lẫn tại cửa hàng. Giả sử bạn đang nhìn vào kệ hàng nhưng không tìm được sản phẩm mình cần, GPT-4o có thể giúp bạn.

Trong lĩnh vực y tế, GPT-4o có thể hỗ trợ chẩn đoán bằng cách phân tích dữ liệu bệnh nhân, đề xuất các tình trạng có thể xảy ra dựa trên triệu chứng và đưa ra hướng dẫn về phương án điều trị. Model cũng có thể hỗ trợ chuyên gia y tế bằng cách tóm tắt hồ sơ bệnh nhân, cung cấp quyền truy cập nhanh vào tài liệu y khoa, thậm chí dịch ngôn ngữ theo thời gian thực để giao tiếp với bệnh nhân nói các ngôn ngữ khác nhau. Đây chỉ là một vài ví dụ. Các ứng dụng của GPT-4o giúp cuộc sống hằng ngày dễ dàng hơn nhờ hỗ trợ phù hợp với từng người, nhận biết ngữ cảnh và phá bỏ rào cản tiếp cận thông tin cũng như giao tiếp.

GPT-4o và độ an toàn của model#

Giống như các phiên bản GPT trước đây, vốn đã tác động đến hàng trăm triệu người, GPT-4o nhiều khả năng sẽ tương tác với âm thanh và video theo thời gian thực trên toàn cầu, khiến yếu tố an toàn trở nên thiết yếu trong các ứng dụng này. OpenAI đã rất thận trọng khi xây dựng GPT-4o, tập trung vào việc giảm thiểu các rủi ro tiềm ẩn.

Để đảm bảo an toàn và độ tin cậy, OpenAI đã triển khai các biện pháp an toàn nghiêm ngặt. Các biện pháp này bao gồm lọc dữ liệu huấn luyện, tinh chỉnh hành vi của model sau huấn luyện và tích hợp các hệ thống an toàn mới để quản lý đầu ra giọng nói. Hơn nữa, GPT-4o đã được hơn 70 chuyên gia bên ngoài kiểm thử rộng rãi trong các lĩnh vực như tâm lý học xã hội, thiên lệch và công bằng, cũng như thông tin sai lệch. Việc kiểm thử bên ngoài giúp đảm bảo mọi rủi ro phát sinh hoặc gia tăng do các tính năng mới đều được xác định và xử lý.

Để duy trì các tiêu chuẩn an toàn cao, OpenAI sẽ triển khai dần các tính năng của GPT-4o trong vài tuần tới. Việc phát hành theo từng giai đoạn cho phép OpenAI theo dõi hiệu năng, xử lý vấn đề và thu thập phản hồi của người dùng. Cách tiếp cận thận trọng này đảm bảo GPT-4o cung cấp các khả năng tiên tiến đồng thời duy trì những tiêu chuẩn cao nhất về an toàn và sử dụng có đạo đức.

Tự mình trải nghiệm GPT-4o#

GPT-4o được cung cấp miễn phí. Để thử khả năng trò chuyện theo thời gian thực được đề cập ở trên, bạn có thể tải ứng dụng ChatGPT trực tiếp về điện thoại từ Google Play Store hoặc Apple App Store.

Sau khi đăng nhập, bạn có thể chọn GPT-4o trong danh sách hiển thị bằng cách nhấn vào biểu tượng ba dấu chấm ở góc trên bên phải màn hình. Sau khi mở cuộc trò chuyện có bật GPT-4o, nếu nhấn vào dấu cộng ở góc dưới bên trái màn hình, bạn sẽ thấy nhiều tùy chọn đầu vào. Ở góc dưới bên phải màn hình, bạn sẽ thấy biểu tượng tai nghe. Khi chọn biểu tượng tai nghe, bạn sẽ được hỏi có muốn trải nghiệm phiên bản GPT-4o rảnh tay hay không. Sau khi đồng ý, bạn có thể dùng thử GPT-4o như minh họa bên dưới.

Hình 7. Dùng thử GPT-4o trên ứng dụng ChatGPT dành cho thiết bị di động.

Nếu muốn tích hợp các khả năng tiên tiến của GPT-4o vào dự án của riêng mình, nhà phát triển có thể sử dụng model thông qua API. API cho phép bạn tích hợp khả năng nhận dạng giọng nói mạnh mẽ, hỗ trợ đa ngôn ngữ và hội thoại theo thời gian thực của GPT-4o vào ứng dụng. Bằng cách sử dụng API, bạn có thể nâng cao trải nghiệm người dùng, xây dựng ứng dụng thông minh hơn và đưa công nghệ AI tiên tiến vào nhiều lĩnh vực.

GPT-4o: Vẫn chưa hoàn toàn giống con người#

Mặc dù GPT-4o tiên tiến hơn nhiều so với các model AI trước đây, điều quan trọng là cần nhớ model vẫn có những hạn chế riêng. OpenAI cho biết đôi khi model có thể đột ngột chuyển ngôn ngữ khi đang nói, chẳng hạn từ tiếng Anh sang tiếng Pháp. OpenAI cũng ghi nhận trường hợp GPT-4o dịch sai giữa các ngôn ngữ. Khi ngày càng nhiều người dùng thử model, chúng ta sẽ hiểu rõ GPT-4o làm tốt ở đâu và cần cải thiện thêm điều gì.

Tóm lại#

GPT-4o của OpenAI mở ra những hướng đi mới cho AI nhờ khả năng xử lý văn bản, hình ảnh và âm thanh tiên tiến, mang đến tương tác tự nhiên như con người. Model nổi bật về tốc độ, hiệu quả chi phí và khả năng hỗ trợ đa ngôn ngữ. GPT-4o là công cụ linh hoạt cho giáo dục, khả năng tiếp cận và hỗ trợ theo thời gian thực. Khi người dùng khám phá các khả năng của GPT-4o, phản hồi của họ sẽ thúc đẩy model phát triển. GPT-4o cho thấy AI thực sự đang thay đổi thế giới và trở thành một phần trong cuộc sống hằng ngày.

Khám phá kho lưu trữ GitHub và tham gia cộng đồng của chúng tôi để tìm hiểu sâu hơn về AI. Truy cập các trang giải pháp để xem AI đang chuyển đổi các ngành như sản xuất và nông nghiệp ra sao.