信达证券：OpenAI推出最新模型GPT-4o 谷歌(GOOGL.US)推出多款新模型

智通财经APP获悉，北京时间5月14日凌晨，OpenAI 发布了最新模型 GPT-4o;次日凌晨，Google I/O 开发者大会正式开幕，推出多款新模型。信达证券认为，根据传统基准测试，GPT-4o 在文本、推理和编码智能方面实现了 GPT-4 Turbo 级别的性能，同时在多语言、音频和视觉功能上设置了新的高水位线；在生成式人工智能 AI 竞争中，从谷歌在本次开发者大会上发布的内容可以看出其在 AI 领域的积淀和步伐愈发稳健深厚。

事件：

北京时间5月14日凌晨，OpenAI 发布了最新模型 GPT-4o，GPT-4o(“o”代表“omni”)接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出。GPT-4o可以在短至 232 毫秒的时间内响应音频输入，平均为 320 毫秒，与人类的响应时间相似。它在英语文本和代码上的性能与 GPT-4 Turbo 的性能相匹配，在非英语文本上的性能显著提高。与现有模型相比，GPT-4o 在视觉和音频理解方面尤其出色。

GPT-4o 的文本和图像功能 5 月 14 日已经开始在 ChatGPT 中推出。OpenAI正在免费套餐中提供 GPT-4o，并向 Plus 用户提供高达 5 倍的消息限制，未来几周将在 ChatGPT Plus 中推出新版语音模式 GPT-4o 的 alpha 版。开发人员现在还可以在 API 中访问 GPT-4o 作为文本和视觉模型。与 GPT-4 Turbo 相比，GPT-4o 速度提高 2 倍，价格降低一半，速率限制提高 5 倍。OpenAI 计划在未来几周内在 API 中向一小部分值得信赖的合作伙伴推出对GPT-4o 新音频和视频功能的支持。

在 OpenAI 发布会上，团队展示了 GPT-4o 的多个功能。包括实时语音交流能力，几乎无延迟，达到真人聊天的水平;可以识别用户的语音情绪，语音有情感;可以使用不同语言(英语、意大利语)和多人同时交互;在语音的同时可以与视频实时交互;实时交流，协助阅读代码，指导编程;实时视频聊天, 并识别情绪等。

北京时间5月15日凌晨，Google I/O 开发者大会正式开幕。公司更新了Gemini1.5Pro，引入了 1.5Flash 较小型号的 Gemini 版本，同时也增加了两个新的 Gemma 模型。Gemini 1.5 Pro：普通版本配备了 100 万 token 上下文窗口，而 Gemini 1.5 Pro 将在 Google AI Studio 或适用于 Google Cloud 客户的 Vertex AI 中的候补名单中拥有 200 万个代币上下文窗口。在智能代理领域，谷歌展示了其最新的人工智能代理 Google Astra 项目，可与用户实现多模态交互。

多模态领域，谷歌推出全新视频生成模型 Veo，可生成各种电影和视觉风格的高质量 1080p 分辨率视频，时间可以超过一分钟;升级了文生图新模型Imagen3，对图像细节的把控度更高;发布了人工智能音乐生成模型 Lyria。以及在 AI 搜索功能、照片问询功能均实现了一定程度的升级迭代。

点评：

OpenAI 打造全新多模态融合、高拟人情感、实时低延迟交互的“个人超级 AI 语音助手”，推出 GPT-4o 全新旗舰人工智能模型。根据传统基准测试，GPT-4o 在文本、推理和编码智能方面实现了 GPT-4 Turbo 级别的性能，同时在多语言、音频和视觉功能上设置了新的高水位线。GPT-4o 能够接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出，输入输出均由同一神经网络处理。同时，在用户情绪感知和语义理解上，GPT-4o 也展现得较为出色，用户可以在对话中随时打断，并且可以根据用户需要改变语音语调来满足用户的情绪变化，有望逐渐成为个人用户在终端设备上的具备强拟人化、可交互性高、高智商、高情商的私人助理管家。

免费提供给所有用户使用，付费用户享受 5 倍调用额度，大模型本身的技术迭代带来的成本降低有望使个人或企业用户深度受益。每周都有超过一亿人使用 ChatGPT。OpenAI 将在未来几周内开始向 ChatGPT免费用户推出更多智能和高级工具。使用 GPT-4o 时，ChatGPT 免费用户现在可以访问以下功能：体验 GPT-4 大模型的回答;获取来自模型和互联网的回复;分析数据并创建图表;聊聊用户拍摄的图片;上传文件并提供帮助、总结、写作或分析;发现并使用 GPT 和 GPT 商店;使用 Memory 打造更有帮助的体验。

OpenAI 推出新的桌面应用程序，简化用户的工作流程。对于免费和付费用户，OpenAI 推出了适用于 macOS 的新 ChatGPT 桌面应用程序，该应用程序旨在无缝集成到用户在计算机上执行的任何操作。通过简单的键盘快捷键(Option+Space)，用户既可向 ChatGPT 提问，还可以直接在应用程序中截取屏幕截图并进行讨论。同时，用户可以直接从计算机与 ChatGPT 进行语音对话，目前暂时提供 ChatGPT 发布时提供的语音模式，新的音频和视频功能将在未来推出。同时，从发布会当日开始，OpenAI 将向 Plus 用户推出适配于 macOS 的应用程序，并将在未来几周内更广泛地提供该应用程序，Windows 版本计划在今年晚些时候推出。应用程序简化了 ChatGPT 的界面外观，整体 UI 设计更加友好具备交互性。

北京时间 5 月 15 日凌晨，Google I/O 开发者大会正式开幕，在生成式人工智能 AI 竞争中，从谷歌在本次开发者大会上发布的内容可以看出其在 AI 领域的积淀和步伐愈发稳健深厚。2023 年 12 月，谷歌发布了 Gemini1.0;2024年 2 月，谷歌发布了 Gemini1.5 Pro，是第一个具有 100 万 tokens 的模型，同时也推出了轻量级的开源模型 Gemma。在本次谷歌开发者大会上，公司更新了 Gemini1.5Pro，引入了 1.5Flash 较小型号的 Gemini 版本，同时也增加了两个新的 Gemma 模型。

Gemini 1.5 Pro：普通版本配备了 100 万 token 上下文窗口，而 Gemini 1.5 Pro 将在 Google AI Studio 或适用于 Google Cloud 客户的 Vertex AI 中的候补名单中拥有 200 万个代币上下文窗口。Gemini 1.5Flash 针对较窄或高频的任务进行了优化，达到较快的响应时间速度，更具备成本效益，同时上下文窗口也突破到了 100 万 token。

谷歌即将于 2024 年 6 月推出 Gemma2 大模型，模型参数量提高至 270 亿，其性能优于一些尺寸超过其两倍的模型，并且可以在 GPU 或 Vertex AI 中的单个 TPU 主机上高效运行。

人工智能代理 Google Astra 项目：作为智能体，需要像人类一样理解和响应复杂且动态的世界，并吸收并记住所看到和听到的内容，以了解上下文并采取行动。它还需要主动、可教和个性化，以便用户可以自然地与它交谈，没有滞后或延迟。2024 年谷歌开发者大会上，DeepMind 团队展示了多模态理解和实时对话的能力，希望构建一个在日常生活中有用的通用代理。和OpenAI 刚发布的 AI 语音助手 GPT-4o 相比，Astra 在相应的延时、语气情绪的感知以及可打断性来看还有提升空间。

谷歌推出全新视频生成模型 Veo。可生成各种电影和视觉风格的高质量1080p 分辨率视频，时间可以超过一分钟，在视频细节上更能清晰把握创作者的意图。提供了较强的创意控制水平，并理解“延时拍摄”或“风景空中拍摄”等电影术语。Veo 创建一致且连贯的镜头，因此人物、动物和物体在整个镜头中移动逼真。Veo 以谷歌多年的生成视频模型工作为基础，包括生成查询网络(GQN)、DVD-GAN、Imagen-Video、Phenaki、WALT、VideoPoet 和 Lumiere — 结合架构、缩放法则和其他新颖技术来提高质量和输出分辨率。谷歌升级了文生图新模型 Imagen3。Imagen3 在图像生成的细节、光照等方面表现较优，和之前的文生图模型相比，其分散注意力的视觉伪影要少很多，Imagen3 可以更好理解自然语言、提示背后的意图并融合较长提示中的微小细节，同时更好控制图像一致性。

谷歌发布了人工智能音乐生成模型 Lyria。与 YouTub 以及一些出色的音乐家、歌曲作者和制作人合作去开发一套名为 Music AI Sandbox 的音乐 AI 工具。这些工具旨在为创造力开辟一个新的游乐场，让人们从头开始创建新的乐器部分，以新的方式改变声音等。

同时，谷歌针对谷歌搜索、Ask Photo 等功能均做出了一定程度的升级更新。从发布会后开始，谷歌将在美国向用户推出经过全面改造的“AI 概览”的搜索体验，即在搜索框下面单独展现出 AI Overview 的内容来给用户更好的服务响应，满足用户提出新类型的问题、更长、更复杂的查询，甚至使用照片进行搜索，并获得网络所提供的最佳信息。以及将在 24 年夏天推出“询问照片”功能，满足用户搜索照片信息的需求。

建议关注：1)AI 陪伴+IP：汤姆猫、上海电影、奥飞娱乐、华策影视、中文在线;2)AI+搜索：昆仑万维、三六零等;3)AI+影视：华策影视、慈文传媒、上海电影;4)AI+IP(涉及版权、算料等)：芒果超媒、中广天择、华数传媒、中文在线等;5)AI+出版/教育：南方传媒、皖新传媒等;6)AI+游戏：巨人网络、恺英网络、神州泰岳、三七互娱、姚记科技、盛天网络等;7)特别提示：微软系/语音助手类标的，紫天科技、易点云、万兴科技、视觉中国、科大讯飞、商汤(港股)等。

风险因素：生成式人工智能模型进展迭代不及预期、AI 应用进展不及预期