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-
