免费的GPT4终于要来了！OpenAI直播发布会详细解读！-编程知识

大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“外挂”，所以创建了“AI信息Gap”这个公众号，专注于分享AI全维度知识，包括但不限于AI科普，AI工具测评，AI效率提升，AI行业洞察。关注我，AI之路不迷路，2024我们一起变强。

上周我在“重磅！5月13日下周一，OpenAI直播发布新功能！”一文中预告了OpenAI的这场被OpenAI CEO称为“magic”的直播发布会，本周一，它如约而至。

OpenAI果然没有令人失望。首先，主持人Mira Murati（OpenAI CTO）官宣了ChatGPT的桌面客户端，以及全新的web UI界面。其次，重头戏来了，Mira介绍了一款全新的模型GPT-4o，并且宣布这款GPT-4模型会对所有用户开放，当然包括免费用户！

ChatGPT桌面版客户端

根据Mira介绍，ChatGPT桌面版客户端即将公测，会最先推出macOS版本，然后会在今年晚些时候推出Windows版本。还是延续了OpenAI一贯的灰度发布的作风，目前已经开始陆续向用户推出。

我也收到了OpenAI的灰度测试，收到测试后ChatGPT会有信息提醒如下。注意，macOS版本目前仅支持Apple芯片的Macbook，系统要求macOS 14及以上。

为什么要发布桌面端？其中一大亮点就是可以直接共享电脑屏幕给ChatGPT，更加方便和ChatGPT对话。在直播后半程的demo中，OpenAI的Research lead给我们展示了这一功能。

最新的模型`GPT-4o`

直播发布会大概有效时长25分钟，至少有20分钟都是在介绍或者演示GPT-4o这个最新的模型。目前该模型已开始灰度发布，已经有不少小伙伴收到了这个新模型的使用资格。我也正好在今天下午就收到了体验资格。

收到灰度测试邀请的小伙伴在重新进入ChatGPT页面后会收到下面这个弹窗提醒。

在左上角模型选择处，已经多出来了一个GPT-4o的选项。

那么，为什么是GPT-4o模型？它牛在哪里？

多模态能力

GPT-4o，全名为GPT-4 omni，omni在英文里是“全能”的意思。

GPT-4o是一个本质上的多模态模型，能够深度理解和生成不同格式的内容，包括文本、语音和图像。这使得它可以在各种交互中更加灵活，例如接受语音命令或处理视觉数据。

理解能力是AI能够和我们人类进行交互的基础。而多模态级别的理解能力将会使得AI和我们交互方式更进一步。在直播发布会的后半程，OpenAI的研究人员为观众在实时对话中演示了这一最新模型的多模态能力，GPT-4o快速且正确地识别出了白纸上写的数学方程以及文字。这种多模态级别的理解能力虽然靠OCR识别实现，但它对外给人的感觉已经不再像一个应用程序，而是一个有理解能力的“智能体”！

实时语音和视频对话

注意，GPT-4o具有实时语音对话的功能！

可能有小伙伴能够联想到，之前ChatGPT以及Kimi Chat也有对话功能，也就是“语音模式”，你可以以语音的形式问问题，然后对方会针对你的问题进行回复，当然也是以语音的形式。但这种形式归根结底只能算是“对话”，而远远不是“实时对话”！比如，对于AI的语音回答，你必须从头听到尾，然后你再问，它再答。

什么是“实时对话”，就像是你和朋友打电话那样，你可以随时打断对方，表达自己的观点，而对方也能够理解你的意思，对给予回应。这就是新模型GPT-4o具有的功能，可以简单理解为由世界上最强大的LLM模型驱动的Siri，Alexa，小度和小爱同学。

在demo中，OpenAI的研究人员能够随意打断GPT-4o的讲话，就像是真正的对话那样。并且，GPT-4o的回复是实时的，而不是像以前那样，需要思考几秒钟（其实是在生成答案），然后再用语音回答，导致对话的体验很不连贯。更重磅的，GPT-4o甚至能够理解说话者的情感，具有了情感感知的能力！GPT-4o能够听到并判断出demo者在喘粗气，它会给出"slow down"的建议，并且，GPT-4o能够根据要求任意改变语调、音色等等，可以把音色加上各种从弱到强的感情色彩！