本文作者：李笑寅
来(lai)源：硬AI
本周，AI圈“王炸”不断：谷歌宣布(bu)进入Gemini时代，“狂甩”一堆更新，直接对线提(ti)前一天“截(jie)胡”推出新品的OpenAI。
OpenAI的GPT-4o卓越的实时交(jiao)互能力(li)令人印象深刻，而谷歌的Project Astra同样以相媲美(mei)的能力(li)作为反击(ji)，引(yin)发行业对AI助手的讨(tao)论度飙升。
根据已(yi)公(gong)开的信(xin)息，同样作为AI语音助手，GPT-4o和Project Astra都基于多模态模型打造，支持文本、图片和音视(shi)频(pin)内容的接收/生成，并能做到超短延迟、实时交(jiao)互。
另外，根据此前的媒体(ti)报道，苹果已(yi)经与OpenAI达(da)成协议(yi)，将(jiang)在全(quan)新操作系统iOS 18中(zhong)引(yin)入ChatGPT技术，而谷歌掌控着安卓系统的“命脉”。这不禁令人联想：GPT-4o和Gemini之间的这场对决会不会是下(xia)一个AI手机届的“iOS VS 安卓”？
正面“硬刚”，谁更胜一筹？
逐(zhu)一对比GPT-4o和Project Astra（在Gemini中(zhong)提(ti)供Gemini Live功能），会发现这两款AI助手的确存在细节(jie)差异。
1）使用场景(jing)
GPT-4o的响应延迟平均为320毫秒，最快在232毫秒内回应音频(pin)输入，接近人类对话的反应时间。在发布(bu)会演示中(zhong)，GPT-4o的日常使用场景(jing)包括：口译(yi)、读写编码、数学教学、汇(hui)总并解读信(xin)息、视(shi)频(pin)识别情绪等。
Gemini Live的视(shi)觉识别和语音交(jiao)互效(xiao)果和GPT-4o不相上下(xia)，同样提(ti)供了对话式自然语言(yan)语音界面和通过手机摄像头进行实时视(shi)频(pin)分析的能力(li)，反应速度也(ye)够快，能进行自然日常对话。DeepMind CEO Demis Hassabis形容其为“一直希望打造一款在日常生活中(zhong)有用的通用智能体(ti)”。
从易用性来(lai)看(kan)，二(er)者之间差别不大。
不过，一个可能导致市场反响不同的点在于，GPT-4o的演示是现场完成的，而谷歌的演示是发布(bu)会前录制的。
2）多模态能力(li)
多模态能力(li)是两款AI助手主(zhu)打的宣传(chuan)点，目前看(kan)来(lai)，GPT-4o可能在音频(pin)方面略微领先，而Project Astra展示的视(shi)觉功能则更胜一筹。
演示中(zhong)，GPT-4o展示了逼(bi)真的声音、丝滑的对话流程、唱歌，甚至能够根据用户的预期猜测情绪；而Project Astra展示了更“高级”的视(shi)觉功能，比如能够“记住”你把眼镜放在哪里(li)。
在多模态模型方面，Gemini依赖(lai)其他模型进行输出，包括使用Imagen 3处理图像和Veo处理视(shi)频(pin)；而GPT-4o采用的是原生的多模态，自发生成图像和声音。
3）产品定位
GPT-4o的推出引(yin)发了市场对于现实版(ban)“Her”的讨(tao)论，因其AI助手拥(yong)有情感表达(da)充沛的女声，甚至具有闲(xian)聊和开玩笑的能力(li)，而Project Astra虽然也(ye)是女声，但语气(qi)更加沉着冷静(jing)，更实事求是。
这体(ti)现出二(er)者对于“AI助手”产品定位的不同，OpenAI希望其更“拟(ni)人化”，而谷歌则希望其更“代理化”。
谷歌曾表示，有意避免生产“Her”类型的人工(gong)智能。
在DeepMind上个月发表的论文中(zhong)，该公(gong)司详细介(jie)绍了拟(ni)人化AI的潜在缺点，认为这种AI助手将(jiang)模糊“人机界限”，可能会导致敏(min)感信(xin)息泄露、人类情感依赖(lai)、代理能力(li)削弱等问题。
4）访问路径
OpenAI表示，即(ji)日起在Web界面和GPT应用程序上推出GPT-4o的文本和视(shi)觉功能。该公(gong)司还(hai)表示，将(jiang)在未来(lai)几(ji)周内增加语音功能，开发人员现可以访问API中(zhong)的文本和视(shi)觉功能。
谷歌表示，Gemini Live将(jiang)在“未来(lai)几(ji)个月”通过Google的高级AI计划(hua)Gemini Advanced推出。
有观点认为，OpenAI推出新功能的时点更早，可能意味着其产品在获(huo)取新用户方面更具优势。
5）费用
GPT-4o面向ChatGPT的所有用户免费开放，API价格(ge)降价50%。
不过，目前官方给出的免费限制在一定的消(xiao)息数量上，超过这个消(xiao)息量后，免费用户的模型将(jiang)被(bei)切换(huan)回ChatGPT，也(ye)就是GPT3.5，而付费用户（每月20美(mei)元起）则将(jiang)拥(yong)有五(wu)倍(bei)的GPT-4o消(xiao)息量上限。
Gemini Advanced提(ti)供两个月的免费试用期，此后每月收费20美(mei)元。
AI眼镜会是下(xia)个战场吗？
伴随端侧AI应用的推进，AI助手将(jiang)真正落地并应用于日常生活，届时其实际效(xiao)用才会逐(zhu)一显现。
不过，AI语音助手似(si)乎暗示了一种新的电子科技趋势：从文本转向音频(pin)。
而接下(xia)来(lai)，视(shi)觉能力(li)的深度融合似(si)乎也(ye)正在路上。
发布(bu)会上，谷歌表示，Project Astra的另一重潜力(li)在于，可以与谷歌眼镜一起配合使用——盲人戴上后，可以在日常生活中(zhong)获(huo)得实时语音讲解。
Meta也(ye)推出了语音机器人MetaAI，用于其VR耳机和Ray-Ban智能眼镜。
有观点认为，现阶段，AI语音助手的加入可能推升AI手机成为赢家，但往后看(kan)，这些语音AI模型的终极形态将(jiang)是智能眼镜。
*免责(ze)声明：文章内容仅供参考，不构成投资建议(yi)
*风险提(ti)示：股市有风险，入市需谨慎