2024年5月14日，OpenAI做了一件让整个AI圈都没预料到的事——没有发布GPT-5，也没有推出传闻中的搜索引擎，而是交出了一款名为GPT-4o的模型。
“o”代表“Omni”（全能）。它不是GPT-4的简单升级，而是OpenAI第一次把文本、音频、图像和视频整合进同一个神经网络里，端到端地训练出来的模型。
这意味着，GPT-4o不再是一个“能看图的文本模型”，它是一个真正“能听、能看、能说”的全能模型。
它和以前的模型有什么不一样？
先说说以前的GPT-4是怎么处理语音的：你说话→转成文本→模型处理文本→生成文本→转成音频→输出。中间经历了三次转换，情感、语气、停顿这些信息在转换中大量丢失。
GPT-4o完全重构了这条路径。所有输入输出——无论文本、音频还是图像——都由同一个神经网络端到端处理。音频中的情绪、笑声、叹气，它能直接理解和回应。
反应速度快到接近真人。 它最快能在232毫秒内响应音频输入，平均响应时间320毫秒。而GPT-4平均响应时间约5秒——不是一个量级的体验。
成本和速度也有明显优势。 文本、推理、编码能力达到GPT-4 Turbo的水平，但速度是GPT-4 Turbo的两倍，成本只有一半。API定价输入$2.50/百万token**，输出**$10.00/百万token。实时语音API输入$5.00/百万token**，输出**$20.00/百万token。128K上下文窗口，单次最多输出16,384个token。
它到底能做什么？
GPT-4o的能力，已经不只是在“回答问题”了。
它会“看”你的表情。 在发布会现场，OpenAI后训练团队负责人把脸对着镜头，GPT-4o直接说：“你看起来很开心，笑容灿烂，也许还有一丝兴奋。”
它会“听”你的呼吸。 另一位演示者说自己有点紧张，GPT-4o从他急促的喘气声中判断出他的情绪，然后用朋友般的语气说：“慢一点。你不是吸尘器。吸气，然后数到四。”
它能实时翻译，几乎无延迟。 一个人讲意大利语，一个人讲英语，GPT-4o在两人之间实时转译，流畅到看不出卡顿。它还能按要求改变说话语气。
它能帮你解题。 手写一道“3X+1=4”的数学题，GPT-4o能通过摄像头看到题目，然后用语音一步步教你解。
它能看代码、读图表。 把一段代码发给它，它能描述这段代码是做什么的；把一张图表给它看，它能回答关于数据变化的问题。
它能生成和编辑图像。 输入文字生成3D徽标、把真人照片改成漫画风格、在杯垫上生成OpenAI的Logo。
它甚至能当“剪刀石头布”的裁判。 在官方演示中，GPT-4o可以通过画面判断手势并给出结果。
简单说，GPT-4o正在从“你问一句、它答一句”的对话工具，变成一个能感知环境、理解情绪、主动帮助的AI伙伴。
它对谁开放？
所有人。
这是GPT-4o最让人意外的地方。OpenAI首席技术官米拉·穆拉蒂明确表示，OpenAI的一个重要使命是把先进的AI工具免费提供给每个人。
ChatGPT的免费用户可以直接使用GPT-4o进行数据分析、图像分析、互联网搜索等操作。付费的ChatGPT Plus用户享有5倍调用额度，并可以最早体验新的macOS桌面App和下一代语音及视频功能。
OpenAI还与苹果合作推出了适用于macOS的桌面级应用。
安全与伦理
GPT-4o并非没有风险。OpenAI对其进行了严格的安全评估，包括说话者识别、未经授权的语音生成、潜在版权内容生成等风险。评估结果显示，在四个应变整备框架类别中，三项被评为“低”风险，说服力评分处于“中等边缘”位置。
最后说几句
GPT-4o的发布之所以让人印象深刻，不只是因为它的能力有多强，而是因为它让这种能力变得触手可及。不需要付费订阅，不需要等待排期，打开ChatGPT就能用。
从“打字聊天”到“面对面交流”，GPT-4o正在把人机交互推向一个新的阶段。它不再是一个需要你主动去“使用”的工具，而是一个能主动感知你、理解你、帮助你的伙伴。
正如Sam Altman所说：“它快速、智能、有趣、自然，而且乐于助人。”