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。