作为新基础设施的AGI：以GPT-4O等新一代生成式人工智能为例.pdfVIP

新闻与传播研究

XINWENAIHAOZHE（2024·7）

作为新基础设施的AGI：以GPT-4O等新一代生成式人工智能为例

□郭全中苏刘润薇

【摘要】GPT-4o与谷歌ProjectAstra的相继发布，展现出大模型交互能力的本质性提

升和实用性的突破，预示着以生成式人工智能为代表的AGI将如同互联网和人工智能一

样，成为支撑社会运行的新基础设施，并对传媒业的技术应用、业务实践以及产业融合带来

全景式的影响。

【关键词】GPT-4o；AGI；基础设施；生成式人工智能；传媒业

继Sora文生视频模型惊艳世界之后，2024年5tra获得对所见内容的自然语言描述，从而实现一种

月14日，OpenAI揭开了最新生成模型GPT-4o的“神全新的交互体验。

秘面纱”，其强大的实时语音和视频交互能力再次引在此之前，尽管DALL·E、Midjourney、TTS、Run⁃

发震撼。次日，谷歌在I/O2024开发者大会上也发way、Pika、Sora等生成式人工智能模型和产品已经能

布了一系列引人注目的产品，包括最新的AI智能体够模拟人类实现跨模态的信息转换，但其都是以单

ProjectAstra。作为新一代生成式人工智能，GPT-一功能为导向，如从文本到图像、从语音到文本、从

4o和ProjectAstra在技术原理、交互功能和场景落图像到视频、从文本到视频的转换等，用户在不同任

地方面均实现了新的跃升，代表着通用人工智能务之间切换时的体验十分碎片化，并且，这些不同模

（AGI）发展的最新突破。随着AI技术不断朝着AGI态之间的信息传递主要依赖于大语言模型（LLM）生

演进，其广泛的认知能力、自我进化能力以及在多样成的离散文本，在级联过程中不可避免地会引入噪

化任务中的应用潜力，将逐步成为与互联网、人工智声并出现传播错误，同时由于缺乏整体训练，在理解

能类似的社会新基础设施。对于传媒业来说，技术复杂且隐含的用户指令、进行多模态生成方面能力

[1]

始终是驱动行业发展的动力，AGI作为新基础设施有限。例如，原先ChatGPT在与用户进行语音模式

将对传媒业的技术应用、业务实践以及产业融合带的对话交谈时，需要首先通过语音识别模型Whisper

来全景式的影响。将用户输入的语音转换成文字，再由GPT大模型处

理文字，最后通过TTS（文字转语音）模型输出语音。

一、GPT-4O与谷歌ProjectAstra的新跃升这种由三个模型“拼接”的处理方式不仅速度慢、效

率低，而且还会永久性地过滤掉语调、口音、语速、说

（一）从“拼接”到“原生”的多模态模型转向话人数、音色、情绪等微妙的信息，同时输出的语音

GPT-4o和ProjectAstra两款产品分别代表了缺乏抑扬顿挫和情感表现力，显得机械感强且平淡

OpenAI和谷歌在生成式人工智能领域的最新进展。无味。而GPT-4o和ProjectAstra则通过跨文本、视

GPT-4o以其“Omni”（意为“全能”）之名，彰显了卓越觉和语音的训练，构建了一个“端到端”（end-to-end）

的多模态处理能力，能够接受文本、音频、图像和视的原生多模态大模型，实现了模型的“三合一”。这

频的组合输入，并生成相应的组合输出，在实时语音意味着所有输入和输出的信息均由同一个神经网络

对话、情感表达及视觉交互等方面取得了显著进直接处理，无需经过多个独立模型的级联过程，不仅

步。在性能上，GPT-4o是GPT-4的第三次主要迭极大地降低了响应的时延，还显著