OpenAI 的盲盒終於被開了，深夜追直播什麼的，咱這種老人是做不到了。
等到第二天看了一圈國內的報道，剔除掉「改寫歷史、顛覆世界、震驚全場」的描述。
從標題上，其實很簡單就能看出這次 OpenAI 在釋出會上到底幹了什麼。
影片語音互動絲滑到嚇人
幹翻所有語音助手
即時語音影片互動震撼全場
……
以及 90% 標題裡會點到的一個詞：「免費」。
是的，如果你還不瞭解釋出會的內容，咱們一句話就能總結——
在 OpenAI 的春季釋出會，上新了一款主打互動的旗艦新模型 GPT-4o，不是 omg 的 o，是 omni（全面、全能）的 o，而且最關鍵的是，對所有使用者免費開放。
是的，你現在訪問這個連結。
https://chatgpt.com/?model=gpt-4o
只要能登上賬號，無論有沒有給 OpenAI 交錢，都能看到一個彈窗。
點個立即試用，隨便聊上一句，回答你的就是 GPT-4o。
如果暫時拋開 GPT-4o 的強度和新特性不談，就衝這個新模型人人免費的事，我要是第二天開發佈會的谷歌，那多少得失眠。
濃眉大眼的奧特曼，怎麼又來懟臉狙擊？
不對，總是在推特上給自家 GPT 帶貨的奧特曼，在直播裡壓根就沒現身。
頗有一種，「是誰釋出的不重要，釋出了什麼更重要」的絕對自信。
那 GPT-4o 有多強？
OpenAI 早兩天偷偷把官網上 GPT-4 曾經那不可一世的「最先進」，改成了「先進」。
從各種冷冰冰的測試資料看，GPT-4o 文字、程式碼這樣的基礎能力保持了和前代差不多的水準。
但報道里反覆提及的多模態互動，GPT-4o 是吊打友商的存在。
多模態這個概念，早早就被提出來了，說人話就是讓大模型不光在認字這一個維度，還可以根據語音、圖片、影片完成互動。
那如何讓大模型聽得懂，也看得懂？過去的方案，聽起來像搭積木。
咱們就以相對簡單的語音互動為例，三步走——
1、語音轉文字；
2、文字傳入大模型，生成新文字；
3、新文字轉語音。
這樣的實現思路很透明，至少前面多模態被提出的時候，開源社群很快就以外掛的形式 DIY 實現「平替」了。
國內外拿出來給你用的成品大模型，在多模態這裡的技術路線大差不差，甚至說我覺得在使用者體驗上，國內很多模型比 ChatGPT 還要強。
但這麼搭積木的代價呢？
按 OpenAI 這次揭秘的資料來說，多模組之間的互動，會帶來感知明顯的延遲，GPT-3.5（2.8 秒），GPT-4（5.4 秒）。
而且在完成整個任務的過程中，大模型感受不到更多的外界資訊（音調、語氣、背景噪音等）。
GPT-4o 不一樣，不是「偽多模態」，正兒八經的、端到端的原生多模態。
是的，一個模型就把任務流程給跑通了。
這麼做的好處，就是前面提到的延遲，被大幅降低，平均為 320 毫秒就能回應你說的話。
你的情緒、語氣、背景音、背景環境 GPT-4o 都內給你正確反饋。
一個跨文字、音訊、影片，進行即時推理的 AI，你說改寫世界、顛覆歷史太誇張了。
但只說炸不炸？很炸。
說實話，強烈建議大家去 B 站上看一眼釋出會。
一開始看報道，什麼 GPT-4o 充當即時翻譯助手，什麼 GPT-4o 感受情緒、識別場景、隨時打斷，開啟攝像頭就能即時陪伴。
給我的感受是——
就這？就這？就這？
看了釋出會的影片，知道它是一個模型搞定的，感受就變成了——
臥槽！臥槽！臥槽！
不誇張的說，用最少的操作，最絲滑的即時互動，釋出會沒有新想法，卻帶來了更多對未來的想象，OpenAI 確實領先。
而且 GPT-4o 免費了，不光新模型免費，以前 Plus會員獨享的各種能力，包括視覺、聯網、記憶、GPT Store 等等。
一口氣全都打包放出。
如果你有 ChatGPT 的賬號，不妨試試看，全量免費的 GPT-4o，像聯網啥的已經適配了。
PS：生成速度賊快，比之前 GPT-3.5 都要快。
前兩天看報道，說是國內大模型是兩條腿走路：一條腿開源，去做生態；一條腿閉源，去搞商業。
OpenAI 這次徹底不 Open 了，新模型釋出，非但沒有論文，連個技術報告也沒給，但打出了免費這張牌。
你可以說它格局大，但不能忽視免費後，吸引過來的海量對話資料，這才是 OpenAI 能領跑的前提。
說真的，也就是國內訪問不了，要不然不知道多少收費友商，要開始撓頭了。
我本來想測一測音影片互動的，但去查了一下 OpenAI 官X，目前還沒開放使用，連灰度都沒有。
至於為啥延期幾周才能體驗？看了眼幾周後，有個號稱史上最大更新的蘋果釋出會。
再聯想到之前蘋果要和 OpenAI 合作，答案呼之欲出——
ChatGPT 終於活成了 Siri 最想成為的樣子。
科幻終於照進了現實。