13 мая Компания OpenAI анонсировала новую флагманскую модель генеративного искусственного интеллекта под названием GPT-4o, где «o» означает omni. Разработчики заявляют, что модель может обрабатывать текст, речь и видео и будет доступна пользователям в течение нескольких недель.
GPT-4o позволяет людям общаться с ним как с реальным собеседником. Например, пользователи могут задать вопрос ChatGPT на базе GPT-4o и прервать ChatGPT во время ответа. Модель обеспечивает отзывчивость практически в режиме реального времени и может уловить нюансы в голосе пользователя, в ответ генерируя голоса в «ряде различных эмоциональных стилей» (включая пение) и пытаясь определить в каком эмоциональном состоянии находится человек.
О том, что собой представляет GPT-4o, и как развитие больших языковых моделей повлияет на человеческое общество, The Insider рассказал пожелавший остаться анонимным российский независимый исследователь искусственного интеллекта, в течение нескольких десятков лет работавший руководителем проектов в крупных международных ИТ-компаниях:
«Ее возможности как языковой модели не изменились, она просто стала мультимодальной. GPT-4 — это чисто текстовая модель, с ней общались, вводя запросы на клавиатуре. Новая модель GPT-4o поддерживает все модальности разговора: видит вас, слышит вас, может общаться с вами как угодно — с помощью голоса, видеоизображения и так далее.
Просто скажите ей: «Привет, давай поговорим на эту тему с тобой», и она будет говорить с вами не как «Алиса» или Siri, просто зачитывая текстовые ответы, но понимая эмоциональную окраску вашего голоса и реагируя соответственно. Видео с демонстрацией ее работы производит неизгладимое впечатление.
Все это имеет колоссальное значение. Дело в том, что в последний год велись дискуссии о том, какое у этих языковых моделей будет практическое применение, поскольку по большей части люди просто играются с ними. Все замечательно, но на чем строить бизнес? Теперь ответ на вопрос получен — это кардинальное изменение формы общения людей и компьютеров.
Теперь умный ассистент сам будет работать за вас, запускать определенные приложения, сам будет решать в какой последовательности и что делать. Этот мультимодальный бот умеет общаться и коммуницировать в любой модальности, и вместе со средствами Microsoft он произведет полную революцию в общении людей с интеллектуальными устройствами.
Если упрощать, то когда-нибудь вы сможешь спросить: «Куда я дел свои очки?», а он, наблюдавший за вашими действиями с помощью камеры, скажет: «Когда ты выходил за молоком, то положил их на тумбочку».
40 лет назад, чтобы написать курсовую или дипломную работу, вы шли в библиотеки, копались в формулярах, смотрели микрофильмы, исследовали каталоги. Сейчас Google ищет за нас информацию. Наша информационная повестка формируется умными алгоритмами — поисковыми, рекомендательными и так далее. Мы смотрим и слушаем уже не то, что хотим, а что рекомендуют алгоритмы.
Лично я отношусь к категории дедушек, и не умею набирать текст двумя пальцами на смартфоне. У моего поколения нет этого «когнитивного гаджета». Если мы хотим что-то набрать на смартфоне, то тычем указательным пальцем в нее. У молодого поколения навык набора двумя пальцами закрепляется с детства, и оно уже становится той сущностью, которая проводит в цифровом мире больше, чем во сне.
Второе колоссальное изменение связано с тем, что мы не только теряем навык принятия решений, поскольку их за нас принимают алгоритмы, но и отделять ложь от правды. И третье — алгоритмы возьмут на себя 90% любой интеллектуальной работы. За человеком в итоге останется что-то вроде роли подсказчика для моделей. Но сейчас уже обучают специальные модели, которые делают подсказки моделям лучше, чем люди».
