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。
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？
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。
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。
