OpenAI on 科技刺猬

OpenAI 开启"连发模式"：o1 正式版打头阵

Mon, 09 Dec 2024 00:00:00 +0000

12 月的 AI 圈，OpenAI 又来抢头条了。12 月 5 日起，这家公司开启了一场名为 “shipmas” 的连续发布活动：12 个工作日，一天一个新东西。打头阵的，是推理模型 o1 的完整版，以及一个新的订阅档位 ChatGPT Pro。

o1 完整版：从预览到正式上岗

o1 这个名字大家不陌生。今年早些时候，它的预览版就已经亮过相，靠着"先想后答"的工作方式出圈：面对数学、代码、逻辑推理这类难题，它不会脱口而出，而是先在内部进行长链条的思考，再给出答案，准确率明显高于以往的对话模型。

这次的完整版，相当于从试用装转正。据 OpenAI 的介绍，完整版在推理能力、响应速度和多模态理解上都有进一步打磨，还支持了图片理解等预览版没有的能力。对普通用户来说最直观的变化是：ChatGPT 里能用到的"聪明模型"，上限又抬高了一截。

回头看，从GPT-4o 发布时强调的"快和自然"，到 o1 强调的"慢和深"，OpenAI 今年其实在同时推两条路线：一条拼交互体验，一条拼思考深度。o1 正式版落地，意味着第二条路线也成了正式产品，而不再是实验品。

举个使用层面的例子。普通模型解一道复杂数学题，容易在中间步骤翻车还浑然不觉；o1 的工作方式更像一个谨慎的学生，先列思路，算一步验一步，发现走偏了还会回头换条路。代价是等待时间变长、调用成本更高。所以它注定不是用来闲聊的，而是用来啃硬骨头的：调试一段顽固的代码、推演一个多条件的方案、检查一篇长文的逻辑漏洞——这类任务里，“慢想"换来的正确率，远比秒回重要。

ChatGPT Pro：给重度用户的档位

和 o1 一起推出的还有 ChatGPT Pro 订阅。它的定位很明确，不面向普通用户，而是冲着研究人员、工程师这类重度使用者去的：更高的使用额度，以及对最强推理模型的充分调用权限。价格自然也不便宜，属于专业工具的定价区间。

这个档位的出现，标志着 AI 订阅开始分层了。免费版管普及，普通付费版管日常，Pro 版管生产力——和当年的云计算、专业软件走过的路一模一样。对行业来说，这是个信号：大模型的商业化，开始认真向"谁用得深谁多付钱"过渡。

换个角度看，Pro 档位也是一种筛选：当推理模型每回答一次都要烧掉远超普通模型的算力，平台必须用价格把"随便问问"的流量和"真的在解难题"的流量分开。对个人用户而言，这件事的启示很实际——先想清楚自己的高频需求是什么，再决定订阅哪一档，别为一年用不了几次的最强模型长期付费。

12 天连发，急的是什么

把首日发布放在整个活动里看，OpenAI 的急切感藏不住。今年下半年，竞争对手们动作不断：谷歌的 Gemini 在持续迭代，开源阵营也在步步紧逼，年底这个时间点，谁都不想让对方独占话题。12 个工作日连发，既是秀肌肉，也是抢在年底把产品节奏的主动权拿回来。

发布形式本身单拎出来说一句。这两年 OpenAI 越来越喜欢用直播加短视频的方式做"轻发布”，不开发布会、不请观众，工程师对着镜头讲十几分钟就结束。这次干脆把节奏拉长成连续剧：每天一个悬念，媒体每天有稿写，用户每天有新东西讨论。对一家靠话题热度吃饭的公司来说，这种排播本身就是一堂营销课——当然，前提是货要够硬，不然 12 天的库存很快就会见底。

接下来十多天里还会有什么，官方卖着关子。从已经预告的方向看，视频生成、智能体、新工具都有可能轮番登场。我们会跟进后续发布，等这场"连发"收官时再做一次汇总盘点，看看这 12 天里到底有几样是真家伙，几样是凑数的。

普通用户需要关心吗

需要，但不用焦虑。o1 这类推理模型真正改变的，是处理复杂问题的方式：写代码、解难题、做分析规划时，它会是明显更好用的工具。而日常聊天、写邮件、查资料，现有的模型已经绰绰有余，犯不着为了"最强"两个字去升级订阅。

AI 工具的迭代速度摆在这里，今天的最强模型，过几个月就是标配。比起追每一场发布会，更重要的是把手里的工具真正用进自己的工作流——这句话，年底说，明年大概率还要再说一遍。

GPT-4o 来了：免费用户也能用上旗舰模型

Tue, 14 May 2024 00:00:00 +0000

5 月 13 日，OpenAI 开了一场不到半小时的春季发布会，主角只有一个：GPT-4o。名字里那个"o"来自 omni，意思是"全能"——文字、语音、图像不再是三个分开的模型接力处理，而是由同一个模型原生理解和生成。这是 ChatGPT 问世以来，交互方式变化最大的一次更新，而且它把大部分能力免费开放了。

语音对话，终于不像对讲机了

发布会现场演示里最出圈的一段，是研究人员和 ChatGPT 语音对话：它能被随时打断，能听出语气开玩笑，还能根据要求用不同的情绪讲故事、唱歌收尾。老版语音模式是"语音转文字—模型回答—文字转语音"的三段接力，每问一句都要等上两三秒，聊起来像发语音消息；GPT-4o 把这条链路捏成一体，官方称响应延迟大幅降低，已经接近真人对话的节奏。

这种"能打断、能接话"的体验差别，实际用过就知道有多大。对话感一旦成立，它就不只是问答工具了：练口语、给孩子讲睡前故事、开车路上动嘴不动手查东西，这些场景都会被重新打开。

免费用户这次是真的吃到肉了

另一个重磅消息是开放策略：GPT-4o 将向免费用户开放，包括此前只有付费版才有的能力，比如分析图片、读懂截图、联网搜索、上传文件分析，以及使用 GPT 商店里的各种定制助手。免费额度有用量上限，超了会退回到上一代小模型，但对绝大多数普通用户来说，日常问答、写稿、看图提问，已经实实在在用上了旗舰水平。

付费用户的价值则变成更高的用量上限和更早的新功能试用权。这一招对竞争对手压力很大：当免费 ChatGPT 都这么能打，其他厂商的付费订阅就得拿出更硬的差异化。

看图和翻译：多模态不只是噱头

演示中还有两个容易被语音抢风头的部分。其一是看图答疑：给它看一道手写的数学题，它不直接甩答案，而是一步一步引导你算，像个有耐心的家教；给它看一张图表，它能读出数据变化并用一句话总结趋势。图像理解从"能识别画面里有什么"，变成了"能基于画面跟你讨论"，这是 GPT-4o 的"o"真正落地的地方。

其二是实时翻译：现场两位演示者一个说英语一个说意大利语，GPT-4o 居中同声传译，语气还尽量贴近原说话人。跨国会议、出国旅行问路这类场景，过去要靠专门的翻译软件来回切换，之后很可能一句话的事。需要说明的是，这些流畅演示都发生在理想环境里，真实场景的准确率会打折，但方向已经摆明：多模态拼齐之后，AI 助手的可用半径明显变大了。

对学生和上班族来说，还有一个实用向的变化：它处理长文档、总结会议录音转写的速度更快了，配合免费额度的开放，以前要开会员才舍得用的"甩一份长文件让它总结"，现在可以先用免费版试试水。

桌面端应用：AI 住进电脑里

发布会还公布了 ChatGPT 的桌面端应用，先从 macOS 开始。演示里，它可以结合屏幕上的代码直接答疑，快捷键唤出后动动嘴就能问。对每天在电脑前工作的人来说，这比打开网页再粘贴截图的流程短了一大截。AI 助手从"一个要专门去访问的网站"，向"随叫随到的系统级工具"又迈了一步。

顺带一提，今年初 OpenAI 发布的文生视频模型 Sora 曾让我们写过AI 视频生成离普通人还有多远，而 GPT-4o 展示的是另一条线：先把"和 AI 说话"这件事做到自然，视频那边反而不是这次的重点。两条线放在一起看，OpenAI 今年的产品重心很明确——从炫技走向日常可用。

需要冷静看待的部分

现场演示是精心编排的。真实网络环境下语音延迟够不够稳、中文语音的语气自然度如何、免费额度在高峰期会不会排队，都要等全面推送后才知道。另外，发布会上那个能"看懂"摄像头画面的实时视频对话功能，当时并未同步上线，属于先画饼后兑现，大家按官方后续节奏等即可。

发布会上还有一个让我印象很深的演示：一位视障用户举着手机走在街上，GPT-4o 通过摄像头实时描述周围环境，帮他判断出租车的位置并招手拦车。无障碍一直是科技发布会里容易流于口号的部分，但当语音延迟足够低、看图足够准的时候，它就不再是口号了——对视障、对手脚不便的用户来说，一个能随时开口问的"眼睛"，改变的是独立出行的可能性。这类场景的价值，远比跑分榜上的名次实在。

怎么第一时间用上

桌面端和网页端会分批推送，手机 App 更新后留意模型选择里有没有 GPT-4o 就行，不用折腾任何设置。我的建议是：拿到之后先试语音模式，打断它一次、让它换个语气读段文字，你就能直观感受到这次更新的重点到底在哪。至于写稿、翻译、看图这些老本行，它的提升是稳健型的，别期待质变，日常效率倒是能再涨一截。

发布会最后还有个小花絮：这场更新赶在谷歌 I/O 大会的前一天。两家巨头贴身抢头条，AI 这一年的热闹，才刚刚开始。

OpenAI 发布 Sora：输入一句话，生成一分钟视频

Sat, 17 Feb 2024 00:00:00 +0000

2 月 15 日，OpenAI 在大家以为它在憋下一个语言模型的时候，抬手发了个视频模型：Sora。

给它一句话，它能生成最长 60 秒的视频。官方放出的样片里，猛犸象踏着雪原走来，绒毛抖动、雪花飞溅；镜头穿过东京的街道，霓虹灯在湿漉漉的地面上反光，行人擦肩而过。不是那种五秒就崩坏的动图，而是有一镜到底质感的完整片段。发布当天，影视、广告和动画圈的从业者，大概都把这批样片来回拉了好几遍。

先说说样片里几个被反复转发传看的片段。一群纸做的小船在一杯咖啡里乘风破浪，浪花是真的咖啡；航拍镜头掠过大苏尔的海岸，悬崖和海浪的光影完全经得起暂停细看；一位老太太在烛光前过生日，吹蜡烛的气流让烛火晃了晃。这些片段单拎出来，都可以直接混进真实素材库里蒙混过关——注意，是「片段」。生成一分钟里总有那么几秒，AI 会露出马脚，但挑出来的这一批，确实是另一个次元的东西。

过去一年也不是没人做文生视频，Runway、Pika 这些名字在创作者圈子里已经不陌生，它们的作品通常在三五秒内就开始融化、变形。圈里人对这类工具的定位一直是「做动态素材的玩具」。Sora 一出来，这个定位一夜之间失效了：原来视频生成的天花板，离大家以为的位置差这么远。

它强在哪

文生视频不是新概念，过去两年的工具能生成的，也就是几秒钟的、人物经常多指头、镜头一晃就散架的片段。Sora 这次的跳跃主要在三处。

一是时长。一分钟意味着它可以尝试叙事了：起承转合、镜头切换、多个人物出场，而不只是一个动起来的壁纸。二是连贯性。样片里人物转一圈回来，衣服和脸没有换；镜头拉远，场景的空间关系还成立。这种「世界一致性」是视频生成最难的部分，它居然已经做到了能看的程度。三是对提示词的理解。复杂的描述——谁在什么地方、穿什么、往哪个方向走、情绪如何——它能拆开并落实成画面，而不是抽盲盒。

按 OpenAI 的说法，Sora 的思路是把视频和图片都拆成一小块一小块的「时空补丁」喂给 Transformer 结构处理，相当于视频版的大语言模型：语言模型学会了文字接龙，它在学的是画面如何随时间接龙。这个路线如果成立，视频生成也会吃上规模定律的红利，效果随算力和数据继续涨。

为什么还不给用

Sora 目前没有开放给公众，第一批能上手的是负责找问题的安全测试人员（所谓红队），以及少量视觉艺术家、设计师和电影人。OpenAI 的解释是先把风险捋清楚：生成逼真视频的能力一旦人人可用，假新闻、伪造影像、色情与欺诈内容的生产成本会被直接打穿。2024 年又恰逢全球多地的大选年份，一段假视频的破坏力不用多说。

另外它自己也不完美：样片里能找到物理常识的破绽，比如玻璃杯不会碎、椅子的腿偶尔飘移、左右方向搞混。发布样片是千里挑一还是随手一抽，普通用户无从判断——这也是等开放评测的原因。

行业要地震了吗

这种焦虑有个背景：好莱坞去年刚经历了一场长达数月的编剧和演员大罢工，AI 会不会抢饭碗正是罢工谈判的核心议题之一，协议墨迹未干，Sora 就把视频生成的门槛抬到了这个高度。对影视工业来说，它此刻更像一个谈判筹码和创作工具的混合体：大导演可以用它快速验证分镜，制片方也可以用它来压预算。先被改变的往往不是作品，而是工作流程和报价单。

短视频这侧的变化可能会更早到来。自媒体和营销号对画面的需求是海量且廉价的，一旦生成质量过关，大量「配个画面念稿子」式的内容会直接换成 AI 制作。到时候平台上最稀缺的，反而会变成真实拍摄的、有现场感的东西——技术每次普及一种造假能力，都会顺便抬高真实的价格。

焦虑是真的，但顺序得排对。最先被冲击的不是电影，而是那些对「差不多就行」的视频需求：广告素材、短视频背景、概念演示、 stock footage 式的空镜。这些活儿的共同点是量大、单价低、对原创性要求不高，AI 生成在成本上是碾压的。真正依赖表演、调度和独特审美的创作，短期内还轮不到被替代——但从业门槛一定会被改写，就像 AI 绘画改写了原画行业那样，先动的是新手的入行路线。

还有一个更隐蔽的问题：当「拍到」不再等于「发生过」，我们靠什么取证？水印和内容溯源技术都在路上，但它们和生成技术的赛跑谁赢谁输，现在下结论太早。

把视角再拉远一点。AI 工具这几年的进军路线，是先文字、再图片、后视频，难度逐级翻倍：文字错了改一个词，图片错了重抽一次，视频错了要保证接下来每一帧都自圆其说。Sora 相当于当众宣布，这条最难的路线也已经修到了半山腰。接下来会发生什么，参照图片生成这一年的剧本就能猜到：先是专业圈层试用，然后是各种套壳工具冒头，价格战，最后变成剪辑软件里一个不起眼的按钮。视频创作者的工作流——写脚本、画分镜、找素材、粗剪——会被逐段改写，而不是整段消失。早点动手试的人，吃到的还是时间差红利。

对普通读者来说，Sora 今年大概率还是个新闻里的东西，不是个能打开的软件。但它发出的信号值得记住：AI 继文字、图片之后，正式摸到视频了，而且第一步就迈得比所有人预想的大。等它开放那天，我们再回来看看这篇，验证一下哪些判断站住了。