OpenAI推出新AI「GPT-4o」 可聽可看、即時對話宛若真人

OpenAI於13日發布春季更新資訊，宣布推出新一代AI模型「GPT-4o」，「o」代表的是拉丁語前綴omni，有著全方位的意思，也象徵著此模型處理文字、影像、聲音的能力。

執行長阿特曼（Sam Altman）說明，該模型為原生多模態模型，意即該模型不僅能夠生產文字內容，還能理解語音或影像中的命令。

GPT-4o有什麼新功能？

在語音方面，OpenAI在直播中演示使用者和ChatGPT即時語音對話，甚至在ChatGPT說話時打斷它等2個對AI來說具有挑戰性的真實對話情景，以及即時翻譯英語與義大利、使用不同情感與聲線說話的能力。

執行長阿特曼OpenAI雖然未出席此次更新直播，但他在部落格文章寫道，「感覺就像電影裡的人工智慧一樣……對我來說，過去無法和電腦自然地交談，現在卻可以了。」

此外GPT-4o也擁有分析影像的能力，在OpenAI的演示影片中，其中一位研究人員上傳了一張三角函數的題目影像，並要求該模型一步一步指導他的孩子解題。

或是使用前鏡頭與GPT-4o即時互動，要求AI分析臉部表情並判斷情緒，AI雖然一開始誤將研究人員的臉誤認為木桌，但要求重新分析後，隨即以充滿活力的女聲回應，「你看起來心情很好，願意分享一下好心情的原因嗎？」

OpenAI也預計在本週推出macOS的桌面應用程式給Plus會員使用，而OpenAI大股東微軟的windows版程式則預計要到年底前才會推出。

技術長穆拉蒂（Mira Murati）表示，「我們只是優先考慮多數用戶的使用平台。」

為什麼要開放免費使用？

與過去GPT-4需付費升級成Plus會員才能使用不同，OpenAI表示將開放GPT-4o給免費使用者，差別僅在Plus會員可搶先體驗、免費版的使用次數為Plus會員的五分之一等。

阿特曼直播後也發文反思OpenAI的發展軌跡，OpenAI最初希望用AI為世界創造利益，但現今他們認為，應提供大眾免費的AI模型及付費API予開發人員使用，「我們將創造AI，然後其他人會用它來創造各種令人驚奇的事物，讓所有人都受益。」

GPT-4o的功能真的創新嗎？

科技顧問公司顧能的分析師德卡特（Chirag Dekate）表示，「OpenAI展示的功能看起來像Google 的Gemini 1.5 Pro發布會中的高級版本，」

德卡特認為，雖然Open AI去年在ChatGPT和GPT3方面擁有先發優勢，但現在能看到他和同行，特別是Google相比已經出現能力差距。

Google今年的開發者年會Google I/O將於台灣時間15日凌晨1時舉行，預期可以看到旗下AI模型Gemini的更新。