​只有谷歌受伤的世界达成了，但“全能模型”到底该不该跟？

只有谷歌受伤的世界达成了，但“全能模型”到底该不该跟？

文 | 脑极体

最近 AI 领域备受瞩目的新闻中，OpenAI 和谷歌的新品发布会，无疑占据了最多的头条。

我们团队当然也不例外，不仅第一时间观看了两家公司的发布会，还亲身上手体验了号称 " 颠覆世界 "" 世界又科幻了 " 的 GPT-4o。

一句话总结：OpenAI 发布会，失望；谷歌发布会，无聊。

并不是我们要故作惊人之语。实际上，AI 业内专业人士普遍都有类似的看法。

一些国内从事 AI 工程化项目的人表示，" 不关心，因为又用不到 "。而 AI 科学家和专家也有不少人直言，" 看着看着睡着了，谷歌几乎所有的东西都是对标和追赶，没有太多的新鲜感 "。

又又又一次在与 OpenAI 的较量中处于下风，一个只有谷歌受伤的世界达成了。

尽管两大 AI 巨头的新技术方向，仍然值得关注，但可以明确的是，随着大型 AI 模型的产业化进程不断深入，国内外参与者也越来越冷静，更加专注于自身的 AI 策略与节奏。

有人将这两场发布会比作是一场斗地主游戏，OpenAI 打出一对二，谷歌就跟四个王。那么，这一次较量的核心——多模态大模型，国内 AI 行业是否要跟进呢？如果要跟进，又该提前考量到哪些问题呢？

每一次新产品问世，如果只跟着新闻 " 震惊 " 是很难进步的。不妨和我们一起，认真给 GPT-4o 算笔账。

全能模型究竟 " 惊艳 " 在哪里？

谷歌反击 OpenAI 的发布会，被称为 " 腹泻式更新 "，一口气推出了十来款新品及升级。之所以让人看到睡着，是因为大家已经在前一天被 GPT-4o" 惊艳 " 过了。

而这次谷歌开发者大会上所演示的其他产品，OpenAI 早都发布过。对标 GPT-4o 的 Gemini Astra，表现又略逊一筹，也难怪大家兴趣缺缺。显然，这是一次针对谷歌的精准狙击。此前，谷歌已经对外放出了语音助手 demo 演示的预热视频，而 GPT-4o 最让人惊艳的地方就是 " 天花板级别 " 的人机自然语音交互。

那么，OpenAI 机关算尽、谷歌有备而来的多模态大模型，究竟有什么神奇之处？

GPT-4o 中的 "o" 代表 "omni"，意为 " 全能 "，以此为版本号，凸显了 GPT-4o 的多功能特性，可以从三个方面理解：

1. 多模态。

GPT-4o 接受文本、音频和图像的任意组合作为输入，实时对音频、视觉和文本进行推理，生成相应的输出。相比 ChatGPT 的文生文、文生图，Sora 的文生视频等，GPT-4o 是一个原生多模态的融合体。这一点，谷歌的 Gemini Astra 也能实现，支持多模态的推理。在演示视频中，谷歌的智能助手可以理解手机摄像头拍摄的世界（视频、图像），并用文字详细地讲述出来。

当然，多模态大模型并不是什么新鲜事物。不只这俩 AI 巨头，国内在多模态大模型领域也有一些研究和开发。此前就有浙大校友开源了多模态大模型 LLaVA，对标 OpenAI 的 GPT-4V。既然多模态大模型并不稀奇，那 GPT-4o 凭啥 " 惊艳 "？答案就在第二点。

2. 低时延。

GPT-4o 是一个端到端、全链路贯穿的多模态大模型。

此前，语音产品一般由三个独立模型组成：SLM1 将音频转录为文本—— LLM 将文本输出为文本—— SLM2 将生成文本转换为音频。每一步的网络延迟叠加起来，结果就是 AI 推理速度跟不上人嘴巴说话的速度。大家可能都有过类似的经历，自己都说完了，AI 大模型还没识别完全，互动总被打断，有时还会丢失很多信息，连基本的文字都听不清，更别说从笑声、停顿、叹气等因素中分析出人的情绪了，人当然也就没有了说下去的兴致。

而 GPT-4o 的端到端，就是省去了中间的处理步骤，由同一个神经网络来接受并处理来自不同模态（如文本、视觉和音频）的输入数据，并直接输出结果。这样就可以将语音交互的响应时延，控制在 232 毫秒以内，体感上比人类回应还要迅速。

OpenAI 演示完 GPT-4o，大家纷纷表示，科幻电影中《Her》跟机器谈情说爱的未来就要实现了。不过，谷歌并不这样想。

（截图自奥特曼的社交媒体）

在晚一天的谷歌发布会上，谷歌 Gemini 1.5 Flash 的响应其实也很快速，同样能几乎没有延迟地跟人类流畅互动，但还是比 GPT-4o 要长一些。不过谷歌声称，自己的两段演示视频均为 " 单次拍摄、实时录制完成 "。

我们猜测，这是在暗示OpenAI 又在 " 贷款领先 " 了，GPT-4o 实际可能无法很快真的落地，毕竟 OpenAI 搞误导性营销是有前科的，Sora 就曾爆出，拿艺术家编辑过的视频当原视频宣传，演示效果并非完全由 AI 生成。

展示效果是真是假，有待时间验证，不过 OpenAI 和谷歌在端到端方面的工作，证明了人机语音交互的超低时延是可以实现的，达到媲美人类交流的水平。而这，就为语音交互的多场景应用，打下了新的技术根基。

3. 多场景。

大家应该都还记得，ChatGPT 问世时举世震惊的效果。大语言模型的强大理解能力和泛化性，可以促成 NLP 在多种文本任务上带来颠覆式的影响，而这类任务几乎遍布在各行各业。

再看 GPT-4o，多模态大模型在音视频理解方面尤其出色，也是一个非常泛在的通用型技术。而毫不夸张地说，GPT-4o 将语音交互体验做到了 " 天花板级别 "，这几乎可以给语音场景都带来改变。

比如 OpenAI 所展示的辅导孩子数学题，可以替代家长辅导作业，让家家都过上和谐的日子；《Her》电影中跟智能语音机器人谈恋爱的场景，可以让人人都拥有自己的网络恋爱 / 在线情感抚慰师。延展开来，此前曾被嘲笑 " 人工智障 " 的手机语音助手，银行、电信等行业的客服机器人，缺乏充足师资力量的偏远学校，游戏里跟玩家互动的 NPC 纸片人，以及能识别用户情绪的精准营销……

凡有人声处，皆可咏 AI，正随着端到端多模态大模型的进化与落地，让更自然、更逼真、富有感情的人机交互成为可能。

从这个角度说，GPT-4o 所代表的技术前瞻性，确实配得上 " 全能 o" 这个词。既然如此，为什么说只有谷歌一家受伤了呢？

不慌不忙，只有谷歌受伤的世界达成了

OpenAI 一有新品发布，国内大众的期待与紧张情绪便如同谷歌的皮猜（Sundar Pichai）一样高涨，这几乎已经是惯例了。

预判国内观众的预判，很多中文媒体也在 OpenAI 春季新品发布会刚发完的早晨，就炮制了一系列 " 颠覆世界 "" 炸裂登场 " 的新闻。有人说它要革谷歌的命，革 Siri 的命，革同传的命，革心理咨询师、情感辅导、私人教练等 1V1 咨询的命……

或许还有不明真相的群众信以为真，而谷歌也确实进行了反击，但国内 AI 业内人士大多呵呵一笑。这可能是第一次，面对 OpenAI 的进攻，只有谷歌受伤的世界达成了。

为什么国内 AI 从业者普遍对 GPT-4o 及对标 GPT-4o 的 Gemini Astra，反应平平，甚至看发布会都能睡着？

首要原因，当然是新产品不达预期。

许多人原本满怀期待地等 OpenAI 放出 GPT-5，就算没有，也得是跟 Sora 一样惊艳的东西，但 GPT-4o 更多的是在现有技术框架内的一次迭代升级。而谷歌此前发布的 Gemini 也有多模态能力。可以说，双方虽然都在多模态处理方面，做出了改进和增强，但并没有实现根本性的技术飞跃。所以有人说，大家期待的是一个 " 核弹 "，而 OpenAI 这次拿出的是一个 " 摔炮 "。

另一个原因，是 OpenAI" 狼来了 " 玩太多次了。

OpenAI 会营销是共识，有不少人都在 Sora 翻车之后表示，" 厌倦了 OpenAI 的精美 Demo 营销 "。投资人朱啸虎 OpenAI CEO Sam Altman 奥特曼每次都把 PR 宣传时间点拿捏得很准，显示自己这波在 " 大气层 "，但几个月之后都没有开放给公众使用。

越来越多人认识到这一点，也对 OpenAI 的 "demo 发布会 " 变得不信任、不耐烦了。

（截图自社交媒体，网友对 OpenAI 的评论）

当然，最关键的还是，经过一年多的大模型落地实践，国內 AI 产业链上下游可能都对 OpenAI 和大模型 " 祛魅 " 了。

这就像打牌，面对别人摆下的龙门阵，刚刚坐上牌桌，对游戏规则和策略不够熟悉，自然要先观察和模仿对方的策略，赶紧先把大语言模型搞出来，也会下意识地听取围观群众的建议。明明自己才是干 AI 的，但一听媒体分析师或网友说 " 落后了 "，立马焦虑，忙着对标 ChatGPT、对标 GPT-4，又容易 " 翻车 " 引发舆论危机。刚上牌桌，进退失据，亦步亦趋跟进 OpenAI 是难免的。

但一年多时间过去，很多真正做大模型和产业落地的人与企业，或许还没彻底弄清楚中国大模型产业化、商业化应该怎么做，但一个共识很清楚——像 OpenAI、谷歌那样做不行。最简单的，GPT-4o 能第一时间拿到英伟达最先进的显卡，这就是国内厂商很难拥有的资源。

此外，ToB 领域对模型可控性的要求、私有化部署的需求等，国内企业的智能化要从数据清洗、知识库等基础工作开始，而不是直接调用最先进模型的 API ……

这些问题，导致国內 AI 产业界对追赶 OpenAI" 炸裂新品 " 的兴趣，越来越小，找到了自己做大模型的节奏和策略。

这些背景综合起来，导致只有紧跟在 OpenAI 身后苦苦追赶的谷歌，被 GPT-4o 伤得最深。

多模态大模型的收益比到底怎么样？

当然，不再一味追着 OpenAI 的节奏疲于奔命，并不意味着 OpenAI 和谷歌都在发力的技术方向，就不重要了，就可以不关心了。

只不过，在盯紧趋势的基础上，还得统筹牌局，算好收益比，究竟何时出牌、什么出牌顺序，对大模型商业化的潜在收益风险比是最高的。

那么，GPT-4o 及 Gemini Astra 这类端到端多模态大模型，对企业的潜在收益与风险，究竟如何呢？

先说收益。

目前来看，与丰富的软硬件生态相结合，能够更快落地、价值最大化。

比如谷歌 Gemini Astra 尽管在理解能力、时延上不及 GPT-4o，但谷歌凭借强大应用生态的支持，让跨模态理解生成，有了用武之地，股价也有所上涨。

硬件方面，谷歌 Gemini 的多模态能力与 XR 眼镜整合，让商业化遇阻的 " 谷歌眼镜 " 再次回魂重塑；

软件方面，GPT-4o 被传将与苹果绑定，加速 IOS 的 AI 化进程。而谷歌则将多模态能力融入搜索，用户可以通过语音、图片等与搜索引擎交互，支持搜索视频内容。

（截图自社交媒体，网友对 GPT-4o 的评论）

不过，这些都是展望。在实际落地、与软硬件结合的过程中，AI 公司可能会输掉一些筹码，潜在风险包括：

长期亏损。就连 OpenAI 都遭遇了流量危机，开始通过免费换用户规模，这意味着在算力、人员等方面的长期投入。AGI 是一个长期任务，可能需要十年、二十年的时间，如果在每一个阶段，不能成功实现规模商业化，想一把赌个大的，靠后期非线性增长来扭亏为盈，很有可能 " 大业未成而中道崩阻 "。

同质化竞争。OpenAI 与谷歌的大模型竞争，撕咬得很紧，而技术领域想要彻底封闭是不可能的，这意味着底层模型能力很快会趋同，这时候用户会转变为价格敏感型，进入残酷的价格战。如果没有差异化的营收模式，一味跟进底层模型的绝对领先，利润会越来越微薄。

可能有人会说，还没做出国产版 GPT-4o 就惦记着商业化、赚钱，真的很庸俗。

必须得说明一下，从收益比最优的角度，决定怎么出牌，OpenAI 可算是熟手了。事实上，ChatGPT 的推出是为了用聊天机器人来抢到关注度，而 GPT-5 迟迟不推出，除了坊间猜测的能力不达预期之外，也有对发布时机的考量。奥特曼已经表达过多次，"GPT-5 很厉害，但我们还没有确定如何将这些产品推向市场 "。

师夷 " 算账 " 以制夷，国內 AI 公司也得学会踩点市场节奏，做出更明智、收益比更高的商业策略，才能长期良性发展。网友大型 " 双标 " 要不得。

从国内 LLMtoB（面向 B 端市场的大模型）的一些实践经验来看，GPT-4o 在当下确实还存在一些阻碍落地的实际问题。

比如可控性，AIGC 生成的文本、图片，都比较容易进行内容控制，由其他模型或人类专家来把控内容质量与合规风险，超低时延的实时语音交互如何保障内容质量？如果在辅导作业、医生问诊、心理咨询等严肃场景中出现幻觉和胡说八道，甚至违法违规的内容，该怎么及时防范？

奥特曼在 GPT-4o 的技术博客中提到，该模型在网络安全等风险维度上都 " 不超过中等水平 "，也就是说，目前只能实现中等及以下的安全能力。无论是 C 端用户，还是 B 端政企客户，谁放心将喜怒哀乐、私密信息都告诉多模态大模型？怎么打消用户的安全顾虑，还需要在数据源头、模型训练、规则机制设计、产品功能上都有充分细致地打磨。

更要问一句，创业公司和开发者的努力总是被新的模型能力覆盖掉，是不是来自 AI 大模型厂商的一种 " 背刺 "？什么样的智能语音产业生态，才能吸引他们来用？

这些落地问题不解决，所谓的《Her》一般的科幻未来，就只能一直存在于 OpenAI 的 demo 中了。

从实际情况来说，跟上技术路线并不算真难题。算好收益比，搞清楚自己和对手手里的牌面，以及多模态大模型的商业牌局，才是更难也更紧迫的问题。

GPT-4o 这一波，国内 AI 企业不用急着再上牌桌。