01-神魔宇宙 ***宇宙天國首部曲 彌勒天書閣 https://maitreya-books.com/ 神話從來就不是怪力亂神,而是原始先民在日常生活情況的觀察之中,所建立的真實認知。唯有相信神話中的真實,才能感受到神話的詩意隱喻背後,所具有的神聖力量。打開你的想像,打開你的相信,你才能知道神話告訴了你什麼宇宙生命的資訊。 生命起源於宇宙之中,生長於宇宙之中,結束於宇宙之中,因此,宇宙的起源就是生命背景的起源。生命形成的每一個階段,其實都在述說著生命的本能,也就是生命本就存在的一種力量,在此雖是說明一種狀況,然而將這狀況投射在生命的生活行動之中,你就會明白自己究竟有哪些不可思議的本能!

只有谷歌受傷的世界達成了,但「全能模型」到底該不該跟?

2024051919:20

最近AI領域備受矚目的新聞中,OpenAI和谷歌的新品發布會,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發布會,還親身上手體驗了號稱「顛覆世界」「世界又科幻了」的GPT-4o。

* 一句話總結:OpenAI發布會,失望;谷歌發布會,無聊。

並不是我們要故作驚人之語。實際上,AI業內專業人士普遍都有類似的看法。

一些國內從事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,「看著看著睡著了,谷歌幾乎所有的東西都是對標和追趕,沒有太多的新鮮感」。



又又又一次在與OpenAI的較量中處於下風,一個只有谷歌受傷的世界達成了。

盡管兩大AI巨頭的新技術方向,仍然值得關註,但可以明確的是,隨著大型AI模型的產業化進程不斷深入,國內外參與者也越來越冷靜,更加專註於自身的AI策略與節奏。

有人將這兩場發布會比作是一場鬥地主遊戲,OpenAI打出一對二,谷歌就跟四個王。那麽,這一次較量的核心——多模態大模型,國內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?

每一次新產品問世,如果只跟著新聞「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「驚艷」在哪裏?

谷歌反擊OpenAI的發布會,被稱為「腹瀉式更新」,一口氣推出了十來款新品及升級。之所以讓人看到睡著,是因為大家已經在前一天被GPT-4o「驚艷」過了。

而這次谷歌開發者大會上所演示的其他產品,OpenAI早都發布過。對標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演示的預熱視頻,而GPT-4o最讓人驚艷的地方就是「天花板級別」的人機自然語音交互。

那麽,OpenAI機關算盡、谷歌有備而來的多模態大模型,究竟有什麽神奇之處?

GPT-4o中的「o」代表「omni」,意為「全能」,以此為版本號,凸顯了GPT-4o的多功能特性,可以從三個方面理解:

1.多模態。

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的文生視頻等,GPT-4o是一個原生多模態的融合體。這一點,谷歌的Gemini Astra也能實現,支持多模態的推理。在演示視頻中,谷歌的智能助手可以理解手機攝像頭拍攝的世界(視頻、圖像),並用文字詳細地講述出來。

當然,多模態大模型並不是什麽新鮮事物。不只這倆AI巨頭,國內在多模態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態大模型LLaVA,對標OpenAI的GPT-4V。既然多模態大模型並不稀奇,那GPT-4o憑啥「驚艷」?答案就在第二點。

2.低時延。

GPT-4o是一個端到端、全鏈路貫穿的多模態大模型。

此前,語音產品一般由三個獨立模型組成:SLM1將音頻轉錄為文本——LLM將文本輸出為文本——SLM2將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歷,自己都說完了,AI大模型還沒識別完全,互動總被打斷,有時還會丟失很多信息,連基本的文字都聽不清,更別說從笑聲、停頓、嘆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致。

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並處理來自不同模態(如文本、視覺和音頻)的輸入數據,並直接輸出結果。這樣就可以將語音交互的響應時延,控製在232 毫秒以內,體感上比人類回應還要迅速。

OpenAI演示完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現了。不過,谷歌並不這樣想。



(截圖自奧特曼的社交媒體)

在晚一天的谷歌發布會上,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,自己的兩段演示視頻均為「單次拍攝、實時錄製完成」。

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頻當原視頻宣傳,演示效果並非完全由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,證明了人機語音交互的超低時延是可以實現的,達到媲美人類交流的水平。而這,就為語音交互的多場景應用,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。大語言模型的強大理解能力和泛化性,可以促成NLP在多種文本任務上帶來顛覆式的影響,而這類任務幾乎遍布在各行各業。

再看GPT-4o,多模態大模型在音視頻理解方面尤其出色,也是一個非常泛在的通用型技術。而毫不誇張地說,GPT-4o將語音交互體驗做到了「天花板級別」,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/在線情感撫慰師。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,遊戲裏跟玩家互動的NPC紙片人,以及能識別用戶情緒的精準營銷……

凡有人聲處,皆可詠AI,正隨著端到端多模態大模型的進化與落地,讓更自然、更逼真、富有感情的人機交互成為可能。

從這個角度說,GPT-4o所代表的技術前瞻性,確實配得上「全能o」這個詞。既然如此,為什麽說只有谷歌一家受傷了呢?

* 不慌不忙,只有谷歌受傷的世界達成了

OpenAI一有新品發布,國內大眾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。

預判國內觀眾的預判,很多中文媒體也在OpenAI春季新品發布會剛發完的早晨,就炮製了一系列「顛覆世界」「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眾信以為真,而谷歌也確實進行了反擊,但國內AI業內人士大多呵呵一笑。這可能是第一次,面對OpenAI的進攻,只有谷歌受傷的世界達成了。

* 為什麽國內AI從業者普遍對GPT-4o及對標GPT-4o的Gemini Astra,反應平平,甚至看發布會都能睡著?

首要原因,當然是新產品不達預期。

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一樣驚艷的東西,但GPT-4o更多的是在現有技術框架內的一次叠代升級。而谷歌此前發布的Gemini也有多模態能力。可以說,雙方雖然都在多模態處理方面,做出了改進和增強,但並沒有實現根本性的技術飛躍。所以有人說,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眾使用。

越來越多人認識到這一點,也對OpenAI的「demo發布會」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產業鏈上下遊可能都對OpenAI和大模型「祛魅」了。

這就像打牌,面對別人擺下的龍門陣,剛剛坐上牌桌,對遊戲規則和策略不夠熟悉,自然要先觀察和模仿對方的策略,趕緊先把大語言模型搞出來,也會下意識地聽取圍觀群眾的建議。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,忙著對標ChatGPT、對標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產業落地的人與企業,或許還沒徹底弄清楚中國大模型產業化、商業化應該怎麽做,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卡,這就是國內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,國內企業的智能化要從數據清洗、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,導致國內AI產業界對追趕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策略。

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

* 多模態大模型的收益比到底怎麽樣?

當然,不再一味追著OpenAI的節奏疲於奔命,並不意味著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。

只不過,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、什麽出牌順序,對大模型商業化的潛在收益風險比是最高的。

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

先說收益。

目前來看,與豐富的軟硬件生態相結合,能夠更快落地、價值最大化。

比如谷歌Gemini Astra盡管在理解能力、時延上不及GPT-4o,但谷歌憑借強大應用生態的支持,讓跨模態理解生成,有了用武之地,股價也有所上漲。

硬件方面,谷歌Gemini的多模態能力與XR眼鏡整合,讓商業化遇阻的「谷歌眼鏡」再次回魂重塑;

軟件方面,GPT-4o被傳將與蘋果綁定,加速IOS的AI化進程。而谷歌則將多模態能力融入搜索,用戶可以通過語音、圖片等與搜索引擎交互,支持搜索視頻內容。



(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、與軟硬件結合的過程中,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,開始通過免費換用戶規模,這意味著在算力、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,不能成功實現規模商業化,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」。

同質化競爭。OpenAI與谷歌的大模型競爭,撕咬得很緊,而技術領域想要徹底封閉是不可能的,這意味著底層模型能力很快會趨同,這時候用戶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,還沒做出國產版GPT-4o就惦記著商業化、賺錢,真的很庸俗。

必須得說明一下,從收益比最優的角度,決定怎麽出牌,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註度,而GPT-5遲遲不推出,除了坊間猜測的能力不達預期之外,也有對發布時機的考量。奧特曼已經表達過多次,「GPT-5很厲害,但我們還沒有確定如何將這些產品推向市場」。

師夷「算賬」以製夷,國內AI公司也得學會踩點市場節奏,做出更明智、收益比更高的商業策略,才能長期良性發展。網友大型「雙標」要不得。

從國內LLMtoB(面向B端市場的大模型)的一些實踐經驗來看,GPT-4o在當下確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、圖片,都比較容易進行內容控製,由其他模型或人類專家來把控內容質量與合規風險,超低時延的實時語音交互如何保障內容質量?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,甚至違法違規的內容,該怎麽及時防範?

奧特曼在GPT-4o的技術博客中提到,該模型在網絡安全等風險維度上都「不超過中等水平」,也就是說,目前只能實現中等及以下的安全能力。無論是C端用戶,還是B端政企客戶,誰放心將喜怒哀樂、私密信息都告訴多模態大模型?怎麽打消用戶的安全顧慮,還需要在數據源頭、模型訓練、規則機製設計、產品功能上都有充分細致地打磨。

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蓋掉,是不是來自AI大模型廠商的一種「背刺」?什麽樣的智能語音產業生態,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,就只能一直存在於OpenAI的demo中了。

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

GPT-4o這一波,國內AI企業不用急著再上牌桌。---來源: 鈦媒體-