OpenAI 的 GPT-4o 展示了人工智能的潜力

2024 年 5 月 13 日星期一，OpenAI 宣布推出其新的旗舰模型 GPT-4o，其中“o”代表“omni”。GPT-4o 是一种先进的多模态人工智能模型，用于实时文本、音频和视觉交互，提供更快的处理速度、多语言支持和更高的安全性。

它带来了前所未有的生成式人工智能功能。GPT-4o 在 ChatGPT 的对话优势的基础上，其功能标志着人们对人工智能的看法向前迈出了一大步。我们现在可以像与真人交谈一样与 GPT-4o 交谈。让我们深入了解一下，看看 GPT-4o 到底有什么能力！

了解 GPT-4o

在 OpenAI 的春季更新中，我们了解到 GPT-4o 在智能程度上与 GPT-4 相当，但它能更快地处理数据，并且更擅长处理文本、视觉和音频。与之前专注于让模型更智能的版本不同，此版本的发布考虑到了让普通大众更容易使用 AI 的需求。 

ChatGPT 的语音模式于去年底发布，它需要三个不同的模型协同工作，才能完成转录语音输入、理解并生成书面回复，以及将文本转换为语音以便用户收听回复。这种模式存在延迟问题，感觉不是很自然。GPT-4o 可以一次性原生处理文本、视觉和音频，从而给用户一种参与自然对话的印象。 

此外，与语音模式不同的是，现在你可以在 GPT-4o 说话时打断它，它会像真人一样做出反应。它会暂停并倾听，然后根据你所说的内容给出实时回复。它还可以通过声音表达情感，并理解你的语气。 

GPT-4o 令人兴奋的功能

GPT-4o 的模型评估显示了它的先进程度。其中一个最有趣的结果是，与 Whisper-v3 相比，GPT-4o 在所有语言（尤其是那些不太常用的语言）中的语音识别能力都得到了极大的提高。 

音频 ASR（自动语音识别）性能衡量的是模型将口语转录成文本的准确程度。GPT-4o 的性能通过词错误率 (WER) 来跟踪，该指标显示了不正确转录的单词百分比（WER 越低意味着质量越好）。下图展示了 GPT-4o 在各个地区的较低 WER，证明了其在提高低资源语言语音识别方面的有效性。

以下是 GPT-4o 的一些更独特的功能：

• 速度更快 - 它的速度是 GPT-4 Turbo 的两倍。它可以在短短 232 毫秒内响应音频输入，与人类对话的响应时间相似。
  ‍
• 性价比高 - GPT-4o 的 API 版本比 GPT-4 Turbo 便宜 50%。
  ‍
• 记忆力 - GPT-4o 能够保持对不同对话的感知。它可以记住你在不同聊天中谈论的内容。
  ‍
• 多语言 - GPT-4o 经过训练，在 50 种不同的语言中提高了速度和质量。

GPT-4o 可以做什么的例子

现在你可以拿出手机，打开摄像头，然后像对待朋友一样，让 GPT-4o 根据你的面部表情来猜测你的情绪。GPT-4o 可以通过摄像头观察你并给出答案。

你甚至可以用它来帮助你解决数学问题，通过视频向 GPT-4o 展示你正在写的内容。或者，你可以分享你的屏幕，它可以成为可汗学院 (Khan Academy) 上一个有用的导师，让你指出几何图形中三角形的不同部分，如下所示。

​

​

除了帮助孩子们学习数学，开发人员还可以与 GPT-4o 进行对话来调试他们的代码。这得益于 ChatGPT 作为桌面应用程序的推出。如果你在使用桌面 GPT-4o 语音应用程序时，使用 CTRL + “C” 高亮并复制你的代码，它就能读取你的代码。或者，你可以用它来翻译说不同语言的开发人员之间的对话。 

GPT-4o 的可能性似乎是无限的。OpenAI 最有趣的演示之一是使用两部手机来展示 GPT-4o 与其自身的其他实例对话并一起唱歌。

GPT-4o 的应用

正如演示中所示，GPT-4o 可以让视力障碍人士更容易地融入社会。它可以帮助他们更安全、更独立地互动和四处走动。例如，用户可以打开他们的视频，并向 GPT-4o 展示街道的景象。然后，GPT-4o 可以提供关于环境的实时描述，例如识别障碍物、阅读街道标志或引导他们到特定的位置。它甚至可以通过在出租车接近时提醒他们来帮助他们叫出租车。

同样，GPT-4o 可以通过其先进的功能改变各个行业。在零售业中，它可以通过提供实时帮助、回答问题和帮助客户在线和店内寻找产品来改善客户服务。假设你正在看一排产品，但无法挑选出你正在寻找的产品，GPT-4o 可以帮助你。 

在医疗保健领域，GPT-4o可以通过分析患者数据、根据症状提出可能的病情，并提供治疗方案建议来辅助诊断。它还可以通过总结患者记录、快速访问医学文献，甚至提供实时语言翻译来与讲不同语言的患者沟通，从而为医疗专业人员提供支持。这些只是一些例子。GPT-4o的应用通过提供量身定制的、具有上下文感知能力的帮助，并打破信息和沟通的障碍，使日常生活更加轻松。

GPT-4o和模型安全性

就像之前影响了数亿人生活的GPT版本一样，GPT-4o可能会在全球范围内与实时音频和视频互动，因此安全性在这些应用中至关重要。OpenAI在构建GPT-4o时非常谨慎，重点是降低潜在风险。

为了确保安全性和可靠性，OpenAI实施了严格的安全措施。这些措施包括过滤训练数据、在训练后改进模型的行为，以及整合新的安全系统来管理语音输出。此外，GPT-4o还经过了70多位社会心理学、偏见与公平以及虚假信息等领域外部专家的广泛测试。外部测试确保识别并解决新功能引入或放大的任何风险。

为了保持高安全标准，OpenAI将在未来几周内逐步发布GPT-4o的功能。分阶段发布使OpenAI能够监控性能、解决任何问题并收集用户反馈。采取谨慎的方法可以确保GPT-4o在提供高级功能的同时，保持最高的安全和道德使用标准。

亲自试用GPT-4o

GPT-4o可以免费访问。要试用上述实时对话功能，您可以直接从Google Play商店或Apple App Store将ChatGPT应用程序下载到您的手机上。 

登录后，您可以通过点击屏幕右上角的三个点，从显示的列表中选择GPT-4o。导航到启用GPT-4o的聊天后，如果您点击屏幕左下角的加号，您将看到多个输入选项。在屏幕的右下角，您将看到一个耳机图标。选择耳机图标后，系统会询问您是否要体验GPT-4o的免提版本。同意后，您就可以试用GPT-4o，如下所示。

如果您想将GPT-4o的高级功能集成到您自己的项目中，它可以作为API供开发人员使用。它允许您将GPT-4o强大的语音识别、多语言支持和实时对话功能整合到您的应用程序中。通过使用API，您可以增强用户体验，构建更智能的应用程序，并将尖端AI技术引入到不同的领域。

GPT-4o：尚未完全达到人类水平

虽然GPT-4o比以前的AI模型先进得多，但重要的是要记住GPT-4o也有其自身的局限性。OpenAI提到，它有时会在说话时随机切换语言，从英语切换到法语。他们还发现GPT-4o在语言之间进行不正确的翻译。随着越来越多的人试用该模型，我们将了解GPT-4o的优势以及它需要进一步改进的地方。

结论

OpenAI的GPT-4o凭借其先进的文本、视觉和音频处理能力，为AI开辟了新的大门，提供自然、类人的互动。它在速度、成本效益和多语言支持方面表现出色。GPT-4o是教育、可访问性和实时帮助的多功能工具。随着用户探索GPT-4o的功能，反馈将推动其发展。GPT-4o证明AI正在真正改变我们的世界，并成为我们日常生活的一部分。 

探索我们的GitHub存储库并加入我们的社区，以更深入地了解AI。访问我们的解决方案页面，了解AI如何改变制造业和农业等行业。