在2024年5月14日凌晨，OpenAI 在首次「春季新品发布会」上搬出了新一代旗舰生成模型 GPT-4o、桌面 App，并展示了一系列新能力。最新旗舰大模型GPT-4o，不仅免费可用，能力更是横跨听!、看!、说!丝滑流畅毫无延迟，就像在打一个视频电话。
面对这一更新发布，激动者不在少数，各类自媒体震惊体轮番上阵，更有甚者鼓吹AGI时代已来。
Related Image
唱衰者同样存在，贬低GPT-4o所展现的能力只是将tts，vision，llm等已然发布过的技术进行了二次打包组装，并无创新技术存在，而且演示的能力之前的Gemini-1.5已然演示过（虽然被实锤为剪辑）。
Related Image
作为一个大语言模型开发者，我也着实震惊于GPT-4o所展现的强大的多模态能力。不过遭受过AI原生应用开发反复拷打的我，最为感叹的点在于 232 毫秒语音响应的这一数据，更别说在急速响应的情况下，GPT-4o回复的内容质量还在上一代基础上有了大幅度的提升。不得不说，天下武功唯快不破！LLM领域的摩尔定律依然存在。
如果你还不理解我为啥我要关注全场精彩演示里的这个简单数字，不如听我说说我在AI开发时的一些小故事！
快真的很重要
在AI技术发展的过程中，速度一直是衡量性能的重要指标。无论是在数据处理、模型训练还是实时交互中，快速响应都是用户体验的关键。
Demo还没跑完，观众已经跑完了
在去年这个时候，LLM已然起步。在一次hackthon比赛中，为了展示AI的强大能力，我们构想了一个使用AI还原诗词场景的产品。
然而要完成这个创意，我们需要通过LLM语义理解，文生图提示词自动优化，生图接口调用，自动视频串场剪辑，tts语音合成等诸多耗时环节，来完成一个完整的演示。然而，由于这些环节的处理速度太慢，有时候在演示时，Demo还没跑完，观众已经跑完了。这就是速度对于AI应用的重要性。
能听懂情绪如同有魔法一般
在人机交互中，理解用户的情绪和语境是提升体验的重要一环。GPT-4o在这方面的能力，让机器的“听觉”不再局限于文字，而是能够感知到语气和情感。
别说语气，听清文字，当初就不尴尬了
回想起2018年雷军在演示小米小爱蓝牙音箱随身版时的那一幕，他连续问三次“三个木叫什么？”，结果蓝牙音箱答非所问。那时候的AI还不能很好的理解人的语境和情绪，甚至连基本的词义都理解不清。而现在，GPT-4o的出现，让我们看到了AI在理解人类情绪和语境方面的巨大进步。
集成也是创新，GPT-4o如有大脑
在AI领域，将不同的技术进行有效集成，实现1+1>2的效果，本身就是一种创新。GPT-4o的多模态能力，就是这种集成创新的体现。
GPT-4o能辅导数学题了，我用的LLM还判断不了0-1
在我开发Agent的过程中，我需要通过模型进行0-1决策，以执行下一步的任务，但无法得到合适的回复。我问模型以下问题,期望只有真正需要执行搜索动作时，才回复true，然而模型却无法正常运转。
Related Image
这就是GPT-4o的强大之处，它不仅能理解我们的问题，还能根据问题的内容做出正确的回答。这是我们在开发AI应用时，一直追求的目标。
结语
AGI还尚未到来，但AI技术的进步真的每一次都能震撼人心，让我们一起迎接这个精彩的未来吧！
