只有谷歌受傷的世界達(dá)成了,但“全能模型”到底該不該跟?
最近AI領(lǐng)域備受矚目的新聞中,OpenAI和谷歌的新品發(fā)布會,無疑占據(jù)了最多的頭條。
我們團(tuán)隊(duì)當(dāng)然也不例外,不僅第一時間觀看了兩家公司的發(fā)布會,還親身上手體驗(yàn)了號稱“顛覆世界”“世界又科幻了”的GPT-4o。
一句話總結(jié):
OpenAI發(fā)布會,失望;
谷歌發(fā)布會,無聊。
并不是我們要故作驚人之語。實(shí)際上,AI業(yè)內(nèi)專業(yè)人士普遍都有類似的看法。
一些國內(nèi)從事AI工程化項(xiàng)目的人表示,“不關(guān)心,因?yàn)橛钟貌坏?rdquo;。而AI科學(xué)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(biāo)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(fēng),一個只有谷歌受傷的世界達(dá)成了。
盡管兩大AI巨頭的新技術(shù)方向,仍然值得關(guān)注,但可以明確的是,隨著大型AI模型的產(chǎn)業(yè)化進(jìn)程不斷深入,國內(nèi)外參與者也越來越冷靜,更加專注于自身的AI策略與節(jié)奏。
有人將這兩場發(fā)布會比作是一場斗地主游戲,OpenAI打出一對二,谷歌就跟四個王。那么,這一次較量的核心——多模態(tài)大模型,國內(nèi)AI行業(yè)是否要跟進(jìn)呢?如果要跟進(jìn),又該提前考量到哪些問題呢?
每一次新產(chǎn)品問世,如果只跟著新聞“震驚”是很難進(jìn)步的。不妨和我們一起,認(rèn)真給GPT-4o算筆賬。
全能模型,究竟“驚艷”在哪里?
谷歌反擊OpenAI的發(fā)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?yàn)榇蠹乙呀?jīng)在前一天被GPT-4o“驚艷”過了。
而這次谷歌開發(fā)者大會上所演示的其他產(chǎn)品,OpenAI早都發(fā)布過。對標(biāo)GPT-4o的Gemini Astra,表現(xiàn)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(zhǔn)狙擊。此前,谷歌已經(jīng)對外放出了語音助手demo演示的預(yù)熱視頻,而GPT-4o最讓人驚艷的地方就是“天花板級別”的人機(jī)自然語音交互。
那么,OpenAI機(jī)關(guān)算盡、谷歌有備而來的多模態(tài)大模型,究竟有什么神奇之處?
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(tài)。
GPT-4o接受文本、音頻和圖像的任意組合作為輸入,實(shí)時對音頻、視覺和文本進(jìn)行推理,生成相應(yīng)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(tài)的融合體。這一點(diǎn),谷歌的Gemini Astra也能實(shí)現(xiàn),支持多模態(tài)的推理。在演示視頻中,谷歌的智能助手可以理解手機(jī)攝像頭拍攝的世界(視頻、圖像),并用文字詳細(xì)地講述出來。
當(dāng)然,多模態(tài)大模型并不是什么新鮮事物。不只這倆AI巨頭,國內(nèi)在多模態(tài)大模型領(lǐng)域也有一些研究和開發(fā)。此前就有浙大校友開源了多模態(tài)大模型LLaVA,對標(biāo)OpenAI的GPT-4V。既然多模態(tài)大模型并不稀奇,那GPT-4o憑啥“驚艷”?答案就在第二點(diǎn)。
2.低時延。
GPT-4o是一個端到端、全鏈路貫穿的多模態(tài)大模型。
此前,語音產(chǎn)品一般由三個獨(dú)立模型組成:SLM1將音頻轉(zhuǎn)錄為文本——LLM將文本輸出為文本——SLM2將生成文本轉(zhuǎn)換為音頻。每一步的網(wǎng)絡(luò)延遲疊加起來,結(jié)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(jīng)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(dāng)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(jīng)網(wǎng)絡(luò)來接受并處理來自不同模態(tài)(如文本、視覺和音頻)的輸入數(shù)據(jù),并直接輸出結(jié)果。這樣就可以將語音交互的響應(yīng)時延,控制在232 毫秒以內(nèi),體感上比人類回應(yīng)還要迅速。
OpenAI演示完GPT-4o,大家紛紛表示,科幻電影中《Her》跟機(jī)器談情說愛的未來就要實(shí)現(xiàn)了。不過,谷歌并不這樣想。
(截圖自奧特曼的社交媒體)
在晚一天的谷歌發(fā)布會上,谷歌Gemini 1.5 Flash的響應(yīng)其實(shí)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(shí)時錄制完成”。
我們猜測,這是在暗示OpenAI又在“貸款領(lǐng)先”了,GPT-4o實(shí)際可能無法很快真的落地,畢竟OpenAI搞誤導(dǎo)性營銷是有前科的,Sora就曾爆出,拿藝術(shù)家編輯過的視頻當(dāng)原視頻宣傳,演示效果并非完全由AI生成。
展示效果是真是假,有待時間驗(yàn)證,不過OpenAI和谷歌在端到端方面的工作,證明了人機(jī)語音交互的超低時延是可以實(shí)現(xiàn)的,達(dá)到媲美人類交流的水平。而這,就為語音交互的多場景應(yīng)用,打下了新的技術(shù)根基。
3.多場景。
大家應(yīng)該都還記得,ChatGPT問世時舉世震驚的效果。大語言模型的強(qiáng)大理解能力和泛化性,可以促成NLP在多種文本任務(wù)上帶來顛覆式的影響,而這類任務(wù)幾乎遍布在各行各業(yè)。
再看GPT-4o,多模態(tài)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(shù)。而毫不夸張地說,GPT-4o將語音交互體驗(yàn)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(dǎo)孩子數(shù)學(xué)題,可以替代家長輔導(dǎo)作業(yè),讓家家都過上和諧的日子;《Her》電影中跟智能語音機(jī)器人談戀愛的場景,可以讓人人都擁有自己的網(wǎng)絡(luò)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(jī)語音助手,銀行、電信等行業(yè)的客服機(jī)器人,缺乏充足師資力量的偏遠(yuǎn)學(xué)校,游戲里跟玩家互動的NPC紙片人,以及能識別用戶情緒的精準(zhǔn)營銷……
凡有人聲處,皆可詠AI,正隨著端到端多模態(tài)大模型的進(jìn)化與落地,讓更自然、更逼真、富有感情的人機(jī)交互成為可能。
從這個角度說,GPT-4o所代表的技術(shù)前瞻性,確實(shí)配得上“全能o”這個詞。既然如此,為什么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(dá)成了
OpenAI一有新品發(fā)布,國內(nèi)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(jīng)是慣例了。
預(yù)判國內(nèi)觀眾的預(yù)判,很多中文媒體也在OpenAI春季新品發(fā)布會剛發(fā)完的早晨,就炮制了一系列“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(dǎo)、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(shí)進(jìn)行了反擊,但國內(nèi)AI業(yè)內(nèi)人士大多呵呵一笑。這可能是第一次,面對OpenAI的進(jìn)攻,只有谷歌受傷的世界達(dá)成了。
為什么國內(nèi)AI從業(yè)者普遍對GPT-4o及對標(biāo)GPT-4o的Gemini Astra,反應(yīng)平平,甚至看發(fā)布會都能睡著?
首要原因,當(dāng)然是新產(chǎn)品不達(dá)預(yù)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(xiàn)有技術(shù)框架內(nèi)的一次迭代升級。而谷歌此前發(fā)布的Gemini也有多模態(tài)能力。可以說,雙方雖然都在多模態(tài)處理方面,做出了改進(jìn)和增強(qiáng),但并沒有實(shí)現(xiàn)根本性的技術(shù)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翻車之后表示,“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(diǎn)拿捏得很準(zhǔn),顯示自己這波在“大氣層”,但幾個月之后都沒有開放給公眾使用。
越來越多人認(rèn)識到這一點(diǎn),也對OpenAI的“demo發(fā)布會”變得不信任、不耐煩了。
(截圖自社交媒體,網(wǎng)友對OpenAI的評論)
當(dāng)然,最關(guān)鍵的還是,經(jīng)過一年多的大模型落地實(shí)踐,國內(nèi)AI產(chǎn)業(yè)鏈上下游可能都對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,對游戲規(guī)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。明明自己才是干AI的,但一聽媒體分析師或網(wǎng)友說“落后了”,立馬焦慮,忙著對標(biāo)ChatGPT、對標(biāo)GPT-4,又容易“翻車”引發(fā)輿論危機(jī)。剛上牌桌,進(jìn)退失據(jù),亦步亦趨跟進(jìn)OpenAI是難免的。
但一年多時間過去,很多真正做大模型和產(chǎn)業(yè)落地的人與企業(yè),或許還沒徹底弄清楚中國大模型產(chǎn)業(yè)化、商業(yè)化應(yīng)該怎么做,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(dá)最先進(jìn)的顯卡,這就是國內(nèi)廠商很難擁有的資源。
此外,ToB領(lǐng)域?qū)δP涂煽匦缘囊、私有化部署的需求等,國?nèi)企業(yè)的智能化要從數(shù)據(jù)清洗、知識庫等基礎(chǔ)工作開始,而不是直接調(diào)用最先進(jìn)模型的API……
這些問題,導(dǎo)致國內(nèi)AI產(chǎn)業(yè)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(jié)奏和策略。
這些背景綜合起來,導(dǎo)致只有緊跟在OpenAI身后苦苦追趕的谷歌,被GPT-4o傷得最深。
多模態(tài)大模型的收益比,到底怎么樣?
當(dāng)然,不再一味追著OpenAI的節(jié)奏疲于奔命,并不意味著OpenAI和谷歌都在發(fā)力的技術(shù)方向,就不重要了,就可以不關(guān)心了。
只不過,在盯緊趨勢的基礎(chǔ)上,還得統(tǒng)籌牌局,算好收益比,究竟何時出牌、什么出牌順序,對大模型商業(yè)化的潛在收益風(fēng)險比是最高的。
那么,GPT-4o及Gemini Astra這類端到端多模態(tài)大模型,對企業(yè)的潛在收益與風(fēng)險,究竟如何呢?
先說收益。
目前來看,與豐富的軟硬件生態(tài)相結(jié)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(qiáng)大應(yīng)用生態(tài)的支持,讓跨模態(tài)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(tài)能力與XR眼鏡整合,讓商業(yè)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(jìn)程。而谷歌則將多模態(tài)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(nèi)容。
(截圖自社交媒體,網(wǎng)友對GPT-4o的評論)
不過,這些都是展望。在實(shí)際落地、與軟硬件結(jié)合的過程中,AI公司可能會輸?shù)粢恍┗I碼,潛在風(fēng)險包括:
長期虧損。就連OpenAI都遭遇了流量危機(jī),開始通過免費(fèi)換用戶規(guī)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(wù),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(shí)現(xiàn)規(guī)模商業(yè)化,想一把賭個大的,靠后期非線性增長來扭虧為盈,很有可能“大業(yè)未成而中道崩阻”。
同質(zhì)化競爭。OpenAI與谷歌的大模型競爭,撕咬得很緊,而技術(shù)領(lǐng)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(zhuǎn)變?yōu)閮r格敏感型,進(jìn)入殘酷的價格戰(zhàn)。如果沒有差異化的營收模式,一味跟進(jìn)底層模型的絕對領(lǐng)先,利潤會越來越微薄。
可能有人會說,還沒做出國產(chǎn)版GPT-4o就惦記著商業(yè)化、賺錢,真的很庸俗。
必須得說明一下,從收益比最優(yōu)的角度,決定怎么出牌,OpenAI可算是熟手了。事實(shí)上,ChatGPT的推出是為了用聊天機(jī)器人來搶到關(guān)注度,而GPT-5遲遲不推出,除了坊間猜測的能力不達(dá)預(yù)期之外,也有對發(fā)布時機(jī)的考量。奧特曼已經(jīng)表達(dá)過多次,“GPT-5很厲害,但我們還沒有確定如何將這些產(chǎn)品推向市場”。
師夷“算賬”以制夷,國內(nèi)AI公司也得學(xué)會踩點(diǎn)市場節(jié)奏,做出更明智、收益比更高的商業(yè)策略,才能長期良性發(fā)展。網(wǎng)友大型“雙標(biāo)”要不得。
從國內(nèi)LLMtoB(面向B端市場的大模型)的一些實(shí)踐經(jīng)驗(yàn)來看,GPT-4o在當(dāng)下確實(shí)還存在一些阻礙落地的實(shí)際問題。
比如可控性,AIGC生成的文本、圖片,都比較容易進(jìn)行內(nèi)容控制,由其他模型或人類專家來把控內(nèi)容質(zhì)量與合規(guī)風(fēng)險,超低時延的實(shí)時語音交互如何保障內(nèi)容質(zhì)量?如果在輔導(dǎo)作業(yè)、醫(yī)生問診、心理咨詢等嚴(yán)肅場景中出現(xiàn)幻覺和胡說八道,甚至違法違規(guī)的內(nèi)容,該怎么及時防范?
奧特曼在GPT-4o的技術(shù)博客中提到,該模型在網(wǎng)絡(luò)安全等風(fēng)險維度上都“不超過中等水平”,也就是說,目前只能實(shí)現(xiàn)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(tài)大模型?怎么打消用戶的安全顧慮,還需要在數(shù)據(jù)源頭、模型訓(xùn)練、規(guī)則機(jī)制設(shè)計(jì)、產(chǎn)品功能上都有充分細(xì)致地打磨。
更要問一句,創(chuàng)業(yè)公司和開發(fā)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”?什么樣的智能語音產(chǎn)業(yè)生態(tài),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,就只能一直存在于OpenAI的demo中了。
從實(shí)際情況來說,跟上技術(shù)路線并不算真難題。算好收益比,搞清楚自己和對手手里的牌面,以及多模態(tài)大模型的商業(yè)牌局,才是更難也更緊迫的問題。
GPT-4o這一波,國內(nèi)AI企業(yè)不用急著再上牌桌。
原文標(biāo)題 : 只有谷歌受傷的世界達(dá)成了,但“全能模型”到底該不該跟?
請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
最新活動更多
-
10月31日立即下載>> 【限時免費(fèi)下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報(bào)名>>> 【在線會議】多物理場仿真助跑新能源汽車
-
11月28日立即報(bào)名>>> 2024工程師系列—工業(yè)電子技術(shù)在線會議
-
12月19日立即報(bào)名>> 【線下會議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會
-
即日-12.26火熱報(bào)名中>> OFweek2024中國智造CIO在線峰會
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍(lán)皮書》
推薦專題
- 高級軟件工程師 廣東省/深圳市
- 自動化高級工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級銷售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市