Sam Altman 谈 GPT-4o

Logan：你们今天早些时候发布了一个新产品。

Sam：我们确实发布了。

Logan：多模态 4o？

Sam：是的。

Logan：那是欧米茄符号，对吧？

Sam：哦，就像 Omni。

Logan：对，Omni，不好意思。

Sam：它能跨文本、语音、视觉工作。

Logan：你能解释一下这为什么重要吗？

Sam：因为我认为这是使用计算机的一种非常棒的方式。实际上，我们很久以前就有了语音控制计算机的想法。你知道的，我们有 Siri，之前还有其他类似的技术。但它们从来没有让我感觉到使用起来很自然。这个新技术，由于很多原因——它的功能、速度、增加的多模态支持、语调的自然性等——让使用体验大大提升。你可以轻松地调整说话速度或改变声音，它的流畅性和灵活性让我非常喜欢。

Logan：有没有什么特定的使用场景吸引了你？

Sam：嗯，虽然我才用了一周左右，但有个特别惊喜的用途是在我全神贯注工作时，将手机放在桌子上。然后在不需要切换窗口或改变我正在做的事情的情况下，将它作为另一个通信渠道。这样我就可以在继续工作的同时，询问并立即得到回答，而不需要转移视线，这真的很酷。

Logan：是什么使这成为可能的？是架构上的改变还是计算能力的提升？

Sam：其实，这是我们过去几年学到的所有东西的结合。我们一直在研究音频模型和视觉模型。我们努力将它们结合起来，并寻找更高效的训练方法。这不是突然解锁了某个惊人的新技术，而是将许多部分组合起来的结果。

Logan：你认为需要开发设备上的模型来减少延迟，以提升使用体验吗？

Sam：对于视频来说，可能需要处理网络延迟问题。我一直认为，将来能戴上增强现实眼镜，实时用语言描述周围世界并看到变化，将会非常神奇。但网络延迟可能会是一个挑战。不过对于现在的技术，两三百毫秒的延迟已经非常快了，感觉上比很多时候人类回应还要迅速。

Logan：在这种情况下，视频指的是图像吗？

Sam：哦，对不起，我是说视频。如果你需要生成视频，不是处理输入的视频。

Logan：明白了。所以目前它能够处理实际视频，就像逐帧处理一样。

Sam：这是可行的。

Logan：你最近提到 ChatGPT 可能不会以 GPT-5 为名发布下一个大更新。看来你们采取了一种逐步改进模型的方式。

Sam：我们可以这样理解，未来可能不会有大规模的发布，如“这里是 ChatGPT-5”，而是......我们实际上还没有决定。我确实意识到 AI 和惊喜不太搭。虽然按照传统科技公司的产品发布方式，我们可能需要尝试一些不同的方法。我们可能仍然会用 GPT-5 这个名字，但以不同的方式进行发布，或者我们可能会选择一个不同的名称。但我认为我们还没有确定如何为这些产品命名和定位品牌。从 GPT-1 到 GPT-4 的发布对我来说是合理的。显然，GPT-4 已经持续改进了。

Sam：我们还在考虑，也许会有一个底层的“虚拟大脑”，在某些情况下能更努力地思考，或者是不同的模型，但它们是否不同并不重要，所以我们还没有确定如何将这些产品推向市场。

Logan：这是否意味着，为了在模型上取得渐进式进步，计算需求可能会比过去少？

Sam：我认为我们始终会利用尽可能多的计算资源。现在我们正在实现巨大的效率提升，这非常重要。你知道的，我们今天发布的最酷的功能是语音模式，但也许最重要的是我们已经提高了效率，以至于我们能够为免费用户提供服务。

Sam：就像是世界上最好的模型之一，很多人都认可，看看那个小东西就能为任何想下载 ChatGPT 的人免费提供服务。这比 GPT-4 和 GPT-4 Turbo 都有显著的效率提高，我们还有很多进步空间。

节选自：https://t.co/6BNCvIAEkX