隻有谷歌受傷的世界達成了，但“全能模型”到底該不該跟？

腦極體

2024-05-19 14:30釋出于河南科技領域創作者

最近AI領域備受矚目的新聞中，OpenAI和谷歌的新品釋出會，無疑占據了最多的頭條。

我們團隊當然也不例外，不僅第一時間觀看了兩家公司的釋出會，還親身上手體驗了号稱“颠覆世界”“世界又科幻了”的GPT-4o。

一句話總結：

OpenAI釋出會，失望；

谷歌釋出會，無聊。

并不是我們要故作驚人之語。實際上，AI業内專業人士普遍都有類似的看法。

一些國内從事AI工程化項目的人表示，“不關心，因為又用不到”。而AI科學家和專家也有不少人直言，“看着看着睡着了，谷歌幾乎所有的東西都是對标和追趕，沒有太多的新鮮感”。

又又又一次在與OpenAI的較量中處于下風，一個隻有谷歌受傷的世界達成了。

盡管兩大AI巨頭的新技術方向，仍然值得關注，但可以明确的是，随着大型AI模型的産業化程序不斷深入，國内外參與者也越來越冷靜，更加專注于自身的AI政策與節奏。

有人将這兩場釋出會比作是一場鬥地主遊戲，OpenAI打出一對二，谷歌就跟四個王。那麼，這一次較量的核心——多模态大模型，國内AI行業是否要跟進呢？如果要跟進，又該提前考量到哪些問題呢？

每一次新産品問世，如果隻跟着新聞“震驚”是很難進步的。不妨和我們一起，認真給GPT-4o算筆賬。

全能模型，究竟“驚豔”在哪裡？

谷歌反擊OpenAI的釋出會，被稱為“腹瀉式更新”，一口氣推出了十來款新品及更新。之是以讓人看到睡着，是因為大家已經在前一天被GPT-4o“驚豔”過了。

而這次谷歌開發者大會上所示範的其他産品，OpenAI早都釋出過。對标GPT-4o的Gemini Astra，表現又略遜一籌，也難怪大家興趣缺缺。顯然，這是一次針對谷歌的精準狙擊。此前，谷歌已經對外放出了語音助手demo示範的預熱視訊，而GPT-4o最讓人驚豔的地方就是“天花闆級别”的人機自然語音互動。

那麼，OpenAI機關算盡、谷歌有備而來的多模态大模型，究竟有什麼神奇之處？

GPT-4o中的“o”代表“omni”，意為“全能”，以此為版本号，凸顯了GPT-4o的多功能特性，可以從三個方面了解：

1.多模态。

GPT-4o接受文本、音頻和圖像的任意組合作為輸入，實時對音頻、視覺和文本進行推理，生成相應的輸出。相比ChatGPT的文生文、文生圖，Sora的文生視訊等，GPT-4o是一個原生多模态的融合體。這一點，谷歌的Gemini Astra也能實作，支援多模态的推理。在示範視訊中，谷歌的智能助手可以了解手機攝像頭拍攝的世界（視訊、圖像），并用文字詳細地講述出來。

當然，多模态大模型并不是什麼新鮮事物。不隻這倆AI巨頭，國内在多模态大模型領域也有一些研究和開發。此前就有浙大校友開源了多模态大模型LLaVA，對标OpenAI的GPT-4V。既然多模态大模型并不稀奇，那GPT-4o憑啥“驚豔”？答案就在第二點。

2.低延遲時間。

GPT-4o是一個端到端、全鍊路貫穿的多模态大模型。

此前，語音産品一般由三個獨立模型組成：SLM1将音頻轉錄為文本——LLM将文本輸出為文本——SLM2将生成文本轉換為音頻。每一步的網絡延遲疊加起來，結果就是AI推理速度跟不上人嘴巴說話的速度。大家可能都有過類似的經曆，自己都說完了，AI大模型還沒識别完全，互動總被打斷，有時還會丢失很多資訊，連基本的文字都聽不清，更别說從笑聲、停頓、歎氣等因素中分析出人的情緒了，人當然也就沒有了說下去的興緻。

而GPT-4o的端到端，就是省去了中間的處理步驟，由同一個神經網絡來接受并處理來自不同模态（如文本、視覺和音頻）的輸入資料，并直接輸出結果。這樣就可以将語音互動的響應時延，控制在232 毫秒以内，體感上比人類回應還要迅速。

OpenAI示範完GPT-4o，大家紛紛表示，科幻電影中《Her》跟機器談情說愛的未來就要實作了。不過，谷歌并不這樣想。

（截圖自奧特曼的社交媒體）

在晚一天的谷歌釋出會上，谷歌Gemini 1.5 Flash的響應其實也很快速，同樣能幾乎沒有延遲地跟人類流暢互動，但還是比GPT-4o要長一些。不過谷歌聲稱，自己的兩段示範視訊均為“單次拍攝、實時錄制完成”。

我們猜測，這是在暗示OpenAI又在“貸款領先”了，GPT-4o實際可能無法很快真的落地，畢竟OpenAI搞誤導性營銷是有前科的，Sora就曾爆出，拿藝術家編輯過的視訊當原視訊宣傳，示範效果并非完全由AI生成。

展示效果是真是假，有待時間驗證，不過OpenAI和谷歌在端到端方面的工作，證明了人機語音互動的超低延遲時間是可以實作的，達到媲美人類交流的水準。而這，就為語音互動的多場景應用，打下了新的技術根基。

3.多場景。

大家應該都還記得，ChatGPT問世時舉世震驚的效果。大語言模型的強大了解能力和泛化性，可以促成NLP在多種文本任務上帶來颠覆式的影響，而這類任務幾乎遍布在各行各業。

再看GPT-4o，多模态大模型在音視訊了解方面尤其出色，也是一個非常泛在的通用型技術。而毫不誇張地說，GPT-4o将語音互動體驗做到了“天花闆級别”，這幾乎可以給語音場景都帶來改變。

比如OpenAI所展示的輔導孩子數學題，可以替代家長輔導作業，讓家家都過上和諧的日子；《Her》電影中跟智能語音機器人談戀愛的場景，可以讓人人都擁有自己的網絡戀愛/線上情感撫慰師。延展開來，此前曾被嘲笑“人工智障”的手機語音助手，銀行、電信等行業的客服機器人，缺乏充足師資力量的偏遠學校，遊戲裡跟玩家互動的NPC紙片人，以及能識别使用者情緒的精準營銷……

凡有人聲處，皆可詠AI，正随着端到端多模态大模型的進化與落地，讓更自然、更逼真、富有感情的人機互動成為可能。

從這個角度說，GPT-4o所代表的技術前瞻性，确實配得上“全能o”這個詞。既然如此，為什麼說隻有谷歌一家受傷了呢？

不慌不忙，隻有谷歌受傷的世界達成了

OpenAI一有新品釋出，國内大衆的期待與緊張情緒便如同谷歌的皮猜（Sundar Pichai）一樣高漲，這幾乎已經是慣例了。

預判國内觀衆的預判，很多中文媒體也在OpenAI春季新品釋出會剛發完的早晨，就炮制了一系列“颠覆世界”“炸裂登場”的新聞。有人說它要革谷歌的命，革Siri的命，革同傳的命，革心理咨詢師、情感輔導、私人教練等1V1咨詢的命……

或許還有不明真相的群衆信以為真，而谷歌也确實進行了反擊，但國内AI業内人士大多呵呵一笑。這可能是第一次，面對OpenAI的進攻，隻有谷歌受傷的世界達成了。

為什麼國内AI從業者普遍對GPT-4o及對标GPT-4o的Gemini Astra，反應平平，甚至看釋出會都能睡着？

首要原因，當然是新産品不達預期。

許多人原本滿懷期待地等OpenAI放出GPT-5，就算沒有，也得是跟Sora一樣驚豔的東西，但GPT-4o更多的是在現有技術架構内的一次疊代更新。而谷歌此前釋出的Gemini也有多模态能力。可以說，雙方雖然都在多模态處理方面，做出了改進和增強，但并沒有實作根本性的技術飛躍。是以有人說，大家期待的是一個“核彈”，而OpenAI這次拿出的是一個“摔炮”。

另一個原因，是OpenAI“狼來了”玩太多次了。

OpenAI會營銷是共識，有不少人都在Sora翻車之後表示，“厭倦了OpenAI的精美Demo營銷”。投資人朱嘯虎OpenAI CEO Sam Altman奧特曼每次都把PR宣傳時間點拿捏得很準，顯示自己這波在“大氣層”，但幾個月之後都沒有開放給公衆使用。

越來越多人認識到這一點，也對OpenAI的“demo釋出會”變得不信任、不耐煩了。

（截圖自社交媒體，網友對OpenAI的評論）

當然，最關鍵的還是，經過一年多的大模型落地實踐，國內AI産業鍊上下遊可能都對OpenAI和大模型“祛魅”了。

這就像打牌，面對别人擺下的龍門陣，剛剛坐上牌桌，對遊戲規則和政策不夠熟悉，自然要先觀察和模仿對方的政策，趕緊先把大語言模型搞出來，也會下意識地聽取圍觀群衆的建議。明明自己才是幹AI的，但一聽媒體分析師或網友說“落後了”，立馬焦慮，忙着對标ChatGPT、對标GPT-4，又容易“翻車”引發輿論危機。剛上牌桌，進退失據，亦步亦趨跟進OpenAI是難免的。

但一年多時間過去，很多真正做大模型和産業落地的人與企業，或許還沒徹底弄清楚中國大模型産業化、商業化應該怎麼做，但一個共識很清楚——像OpenAI、谷歌那樣做不行。最簡單的，GPT-4o能第一時間拿到英偉達最先進的顯示卡，這就是國内廠商很難擁有的資源。

此外，ToB領域對模型可控性的要求、私有化部署的需求等，國内企業的智能化要從資料清洗、知識庫等基礎工作開始，而不是直接調用最先進模型的API……

這些問題，導緻國內AI産業界對追趕OpenAI“炸裂新品”的興趣，越來越小，找到了自己做大模型的節奏和政策。

這些背景綜合起來，導緻隻有緊跟在OpenAI身後苦苦追趕的谷歌，被GPT-4o傷得最深。

多模态大模型的收益比，到底怎麼樣？

當然，不再一味追着OpenAI的節奏疲于奔命，并不意味着OpenAI和谷歌都在發力的技術方向，就不重要了，就可以不關心了。

隻不過，在盯緊趨勢的基礎上，還得統籌牌局，算好收益比，究竟何時出牌、什麼出牌順序，對大模型商業化的潛在收益風險比是最高的。

那麼，GPT-4o及Gemini Astra這類端到端多模态大模型，對企業的潛在收益與風險，究竟如何呢？

先說收益。

目前來看，與豐富的軟硬體生态相結合，能夠更快落地、價值最大化。

比如谷歌Gemini Astra盡管在了解能力、時延上不及GPT-4o，但谷歌憑借強大應用生态的支援，讓跨模态了解生成，有了用武之地，股價也有所上漲。

硬體方面，谷歌Gemini的多模态能力與XR眼鏡整合，讓商業化遇阻的“谷歌眼鏡”再次回魂重塑；

軟體方面，GPT-4o被傳将與蘋果綁定，加速IOS的AI化程序。而谷歌則将多模态能力融入搜尋，使用者可以通過語音、圖檔等與搜尋引擎互動，支援搜尋視訊内容。

（截圖自社交媒體，網友對GPT-4o的評論）

不過，這些都是展望。在實際落地、與軟硬體結合的過程中，AI公司可能會輸掉一些籌碼，潛在風險包括：

長期虧損。就連OpenAI都遭遇了流量危機，開始通過免費換使用者規模，這意味着在算力、人員等方面的長期投入。AGI是一個長期任務，可能需要十年、二十年的時間，如果在每一個階段，不能成功實作規模商業化，想一把賭個大的，靠後期非線性增長來扭虧為盈，很有可能“大業未成而中道崩阻”。

同質化競争。OpenAI與谷歌的大模型競争，撕咬得很緊，而技術領域想要徹底封閉是不可能的，這意味着底層模型能力很快會趨同，這時候使用者會轉變為價格敏感型，進入殘酷的價格戰。如果沒有差異化的營收模式，一味跟進底層模型的絕對領先，利潤會越來越微薄。

可能有人會說，還沒做出國産版GPT-4o就惦記着商業化、賺錢，真的很庸俗。

必須得說明一下，從收益比最優的角度，決定怎麼出牌，OpenAI可算是熟手了。事實上，ChatGPT的推出是為了用聊天機器人來搶到關注度，而GPT-5遲遲不推出，除了坊間猜測的能力不達預期之外，也有對釋出時機的考量。奧特曼已經表達過多次，“GPT-5很厲害，但我們還沒有确定如何将這些産品推向市場”。

師夷“算賬”以制夷，國內AI公司也得學會踩點市場節奏，做出更明智、收益比更高的商業政策，才能長期良性發展。網友大型“雙标”要不得。

從國内LLMtoB（面向B端市場的大模型）的一些實踐經驗來看，GPT-4o在當下确實還存在一些阻礙落地的實際問題。

比如可控性，AIGC生成的文本、圖檔，都比較容易進行内容控制，由其他模型或人類專家來把控内容品質與合規風險，超低延遲時間的實時語音互動如何保障内容品質？如果在輔導作業、醫生問診、心理咨詢等嚴肅場景中出現幻覺和胡說八道，甚至違法違規的内容，該怎麼及時防範？

奧特曼在GPT-4o的技術部落格中提到，該模型在網絡安全等風險次元上都“不超過中等水準”，也就是說，目前隻能實作中等及以下的安全能力。無論是C端使用者，還是B端政企客戶，誰放心将喜怒哀樂、私密資訊都告訴多模态大模型？怎麼打消使用者的安全顧慮，還需要在資料源頭、模型訓練、規則機制設計、産品功能上都有充分細緻地打磨。

更要問一句，創業公司和開發者的努力總是被新的模型能力覆寫掉，是不是來自AI大模型廠商的一種“背刺”？什麼樣的智能語音産業生态，才能吸引他們來用？

這些落地問題不解決，所謂的《Her》一般的科幻未來，就隻能一直存在于OpenAI的demo中了。

從實際情況來說，跟上技術路線并不算真難題。算好收益比，搞清楚自己和對手手裡的牌面，以及多模态大模型的商業牌局，才是更難也更緊迫的問題。

GPT-4o這一波，國内AI企業不用急着再上牌桌。

檢視原圖 47K

• 

• 

• 

• 

• 

• 

• 

• 

•