คู่มือ GPT-4o: ทำงานอย่างไร กรณีการใช้งาน ราคา ผลทดสอบมาตรฐาน

2. ความหน่วงต่ำลง ช่วยการสนทนาแบบเรียลไทม์

ไปป์ไลน์สามโมเดลแบบเดิมทำให้เกิดความล่าช้าเล็กน้อย ("latency") ระหว่างการพูดกับ ChatGPT และการได้รับคำตอบ

OpenAI เปิดเผยว่าโหมดเสียงมีค่า latency เฉลี่ย 2.8 วินาทีสำหรับ GPT-3.5 และ 5.4 วินาทีสำหรับ GPT-4 ขณะที่ GPT-4o มีค่าเฉลี่ยเพียง 0.32 วินาที เร็วกว่า GPT-3.5 เก้าเท่าและเร็วกว่า GPT-4 สิบเจ็ดเท่า

ความหน่วงที่ลดลงนี้เข้าใกล้เวลาโต้ตอบเฉลี่ยของมนุษย์ (0.21 วินาที) และมีความสำคัญสำหรับกรณีการสนทนา ที่มีการโต้ตอบไปมาจำนวนมาก ซึ่งช่วงว่างระหว่างคำตอบจะสะสมรวมกัน

คุณสมบัตินี้ชวนให้นึกถึงตอน Google เปิดตัว Instant ระบบเติมคำค้นหาอัตโนมัติในปี 2010 แม้ว่าการค้นหาจะไม่ได้ใช้เวลานาน แต่การประหยัดเวลาได้ไม่กี่วินาทีทุกครั้งที่ใช้งานก็ทำให้ประสบการณ์ดีขึ้น

กรณีใช้งานหนึ่งที่เป็นไปได้มากขึ้นด้วยความหน่วงที่ลดลงของ GPT-4o คือการแปลคำพูดแบบเรียลไทม์ OpenAI ยกตัวอย่างการสนทนาระหว่างเพื่อนร่วมงานสองคน คนหนึ่งพูดอังกฤษ อีกคนพูดสเปน โดยให้ GPT-4o แปลบทสนทนาให้

3. การมองเห็นแบบบูรณาการ ช่วยบรรยายสตรีมจากกล้อง

นอกเหนือจากการผสานเสียงและข้อความ GPT-4o ยังรวมฟีเจอร์ภาพและวิดีโอด้วย ซึ่งหมายความว่าหากให้มันเข้าถึงหน้าจอคอมพิวเตอร์ ก็สามารถบรรยายสิ่งที่แสดงบนหน้าจอ ตอบคำถามเกี่ยวกับภาพบนหน้าจอ หรือทำหน้าที่เป็นผู้ช่วยร่วมงานได้

ในวิดีโอจาก OpenAI ที่มี Sal Khan จาก Khan Academy GPT-4o ช่วยงานการบ้านคณิตศาสตร์ของลูกชาย Sal

เหนือไปกว่าการทำงานกับหน้าจอ หากให้ GPT-4o เข้าถึงกล้อง เช่น สมาร์ตโฟน ก็สามารถบรรยายสิ่งที่มองเห็นได้

เดโมที่ยาวขึ้นซึ่ง OpenAI นำเสนอผสานคุณสมบัติทั้งหมดนี้ สมาร์ตโฟนสองเครื่องที่รัน GPT-4o สนทนากัน GPT เครื่องหนึ่งเข้าถึงกล้องของสมาร์ตโฟนและบรรยายสิ่งที่เห็นให้กับ GPT อีกเครื่องที่มองไม่เห็น

ผลลัพธ์คือการสนทนาแบบสามฝ่ายระหว่างมนุษย์และ AI สองตัว วิดีโอยังมีช่วงที่ AI ร้องเพลง ซึ่งเป็นสิ่งที่โมเดลก่อนหน้าไม่สามารถทำได้

4. การโทเค็นไนซ์ที่ดีขึ้นสำหรับอักษรที่ไม่ใช่โรมัน ช่วยเพิ่มความเร็วและความคุ้มค่า

หนึ่งในขั้นตอนของเวิร์กโฟลว์ LLM คือการแปลงข้อความพรอมต์เป็นโทเค็น ซึ่งเป็นหน่วยของข้อความที่โมเดลเข้าใจได้

ในภาษาอังกฤษ โทเค็นมักเป็นหนึ่งคำหรือเครื่องหมายวรรคตอน แม้บางคำจะถูกแบ่งเป็นหลายโทเค็น โดยเฉลี่ยแล้วสามคำภาษาอังกฤษใช้พื้นที่ประมาณสี่โทเค็น

หากภาษาใดสามารถแทนในโมเดลด้วยจำนวนโทเค็นที่น้อยกว่า ก็ต้องคำนวณน้อยลง และความเร็วในการสร้างข้อความจะเพิ่มขึ้น

นอกจากนี้ เนื่องจาก OpenAI คิดค่าบริการ API ต่อโทเค็นที่ป้อนหรือส่งออก โทเค็นน้อยลงย่อมหมายถึงราคาที่ต่ำลงสำหรับผู้ใช้ API

GPT-4o มีโมเดลโทเค็นไนซ์ที่ปรับปรุงใหม่ ทำให้ต้องใช้โทเค็นต่อเนื้อความน้อยลง ความเปลี่ยนแปลงจะเห็นได้ชัดในภาษาที่ไม่ใช้อักษรโรมัน

ตัวอย่างเช่น ภาษาอินเดียหลายภาษาได้ประโยชน์มาก โดยภาษาฮินดี มาราฐี ทมิฬ เตลูกู และคุชราตี มีจำนวนโทเค็นลดลง 2.9 ถึง 4.4 เท่า ภาษาอาหรับลดลง 2 เท่า และภาษาเอเชียตะวันออกอย่างจีน ญี่ปุ่น เกาหลี และเวียดนามลดลงระหว่าง 1.4x ถึง 1.7x

5. เปิดให้ใช้งานในแผนฟรี

ด้วยกลยุทธ์ราคาเดิมของ OpenAI สำหรับ ChatGPT ผู้ใช้ต้องจ่ายเพื่อเข้าถึงโมเดลที่ดีที่สุด: GPT-4 Turbo เปิดให้ใช้เฉพาะในแผน Plus และ Enterprise แบบชำระเงิน

สิ่งนี้กำลังจะเปลี่ยน โดย OpenAI สัญญาว่าจะทำให้ GPT-4o ใช้ได้ในแผนฟรีด้วย ผู้ใช้ Plus จะส่งข้อความได้มากกว่าผู้ใช้แผนฟรีห้าเท่า

การเปิดใช้งานจะค่อยเป็นค่อยไป โดยเริ่มให้ red team (ผู้ทดสอบที่พยายามทำให้โมเดลล้มเหลวเพื่อหาปัญหา) เข้าถึงได้ทันที และขยายไปยังผู้ใช้อื่นตามเวลา

6. เปิดตัวแอปเดสก์ท็อปของ ChatGPT

แม้จะไม่ใช่อัปเดตที่มีเฉพาะใน GPT-4o แต่ OpenAI ก็ได้ประกาศเปิดตัวแอปเดสก์ท็อปของ ChatGPT ด้วย การอัปเดตด้านความหน่วงและความเป็นมัลติโหมดข้างต้น ร่วมกับการเปิดตัวแอป หมายความว่าวิธีการทำงานกับ ChatGPT น่าจะเปลี่ยนไป ตัวอย่างเช่น OpenAI แสดงเดโมเวิร์กโฟลว์การเขียนโค้ดแบบเสริมด้วยเสียงและแอปเดสก์ท็อปของ ChatGPT เลื่อนลงในส่วนกรณีการใช้งานเพื่อดูตัวอย่างนั้นจริง ๆ

GPT-4o ทำงานอย่างไร?

หลายประเภทคอนเทนต์ หนึ่งโครงข่ายประสาท

รายละเอียดการทำงานของ GPT-4o ยังมีไม่มาก ข้อมูลเดียวที่ OpenAI ให้ไว้ในประกาศคือ GPT-4o เป็น โครงข่ายประสาท เพียงตัวเดียวที่ฝึกด้วยอินพุตข้อความ ภาพ และเสียง

แนวทางใหม่นี้ต่างจากเทคนิคก่อนหน้าที่มีโมเดลแยกกันซึ่งฝึกด้วยข้อมูลคนละประเภท

อย่างไรก็ตาม GPT-4o ไม่ใช่โมเดลแรกที่ใช้แนวทางมัลติโหมด ในปี 2022 TenCent Lab สร้าง SkillNet โมเดลที่ผสานคุณลักษณะทรานส์ฟอร์เมอร์ของ LLM เข้ากับเทคนิควิชันคอมพิวเตอร์เพื่อพัฒนาความสามารถในการรู้จำอักษรจีน

ในปี 2023 ทีมจาก ETH Zurich, MIT และ Stanford University สร้าง WhisBERT ซึ่งเป็นความแปรผันของตระกูล BERT แม้ไม่ใช่รายแรก แต่ GPT-4o ก็ทะเยอทะยานและทรงพลังยิ่งกว่าความพยายามก่อนหน้านั้นมาก

GPT-4o เปลี่ยนแปลงจาก GPT-4 Turbo อย่างสุดโต่งหรือไม่?

ความสุดโต่งของการเปลี่ยนแปลงสถาปัตยกรรมของ GPT-4o เมื่อเทียบกับ GPT-4 Turbo ขึ้นกับว่าถามทีมวิศวกรรมหรือการตลาดของ OpenAI ในเดือนเมษายน บอทชื่อ "im-also-a-good-gpt2-chatbot" ปรากฏบน Chatbot Arena ของ LMSYS กระดานจัดอันดับสำหรับ AI สร้างสรรค์ที่ดีที่สุด และภายหลังก็ถูกเปิดเผยว่าเป็น GPT-4o

ส่วน "gpt2" ของชื่อนั้นสำคัญ อย่าสับสนกับ GPT-2 ซึ่งเป็นรุ่นก่อนของ GPT-3.5 และ GPT-4 เครื่องหมาย "2" นี้ถูกมองอย่างกว้างขวางว่าเป็นสถาปัตยกรรมชุดใหม่ทั้งหมดสำหรับตระกูล GPT

เห็นได้ชัดว่าใครบางคนในทีมวิจัยหรือวิศวกรรมของ OpenAI คิดว่าการรวมข้อความ ภาพ และเสียงเข้าไว้ในโมเดลเดียวเป็นการเปลี่ยนแปลงใหญ่พอที่จะขยับหมายเลขเวอร์ชันครั้งแรกในรอบหกปี

ในอีกด้าน ทีมการตลาดเลือกการเปลี่ยนชื่อที่ค่อนข้างสุภาพ โดยยังคงใช้ธรรมเนียม "GPT-4" ต่อไป

ประสิทธิภาพของ GPT-4o เทียบกับโมเดลอื่น

OpenAI เปิดเผยตัวเลขผลทดสอบมาตรฐานของ GPT-4o เทียบกับโมเดลระดับไฮเอนด์อื่นหลายตัว

• GPT-4 Turbo
• GPT-4 (รุ่นแรก)
• Claude 3 Opus
• Gemini Pro 1.5
• Gemini Ultra 1.0
• Llama 3 400B

ในบรรดานี้ มีเพียงสามโมเดลที่สำคัญต่อการเปรียบเทียบจริง ๆ GPT 4 Turbo, Claude 3 Opus และ Gemini Pro 1.5 ที่ช่วงหลายเดือนที่ผ่านมาแย่งชิงอันดับต้นบนกระดานจัดอันดับ LMSYS Chatbot Arena

Llama 3 400B อาจเป็นผู้ท้าชิงในอนาคต แต่ยังไม่เสร็จสิ้น ดังนั้นที่นี่จึงนำเสนอเฉพาะผลลัพธ์ของสามโมเดลนี้และ GPT-4o

ใช้ผลการทดสอบมาตรฐานหกรายการ

• Massive Multitask Language Understanding (MMLU). งานด้านคณิตศาสตร์ขั้นพื้นฐาน ประวัติศาสตร์สหรัฐ วิทยาการคอมพิวเตอร์ กฎหมาย และอื่น ๆ เพื่อทำคะแนนสูง โมเดลต้องมีทั้งความรู้รอบโลกและความสามารถในการแก้ปัญหา
• Graduate-Level Google-Proof Q&A (GPQA). คำถามแบบปรนัยที่เขียนโดยผู้เชี่ยวชาญด้านชีววิทยา ฟิสิกส์ และเคมี คำถามมีคุณภาพสูงและยากมาก: ผู้เชี่ยวชาญที่จบหรือกำลังศึกษาปริญญาเอกทำได้แม่นยำ 74%
• MATH. โจทย์คณิตศาสตร์ระดับมัธยมศึกษาตอนต้นและตอนปลาย
• HumanEval. การทดสอบความถูกต้องเชิงฟังก์ชันของโค้ดคอมพิวเตอร์ ใช้ตรวจสอบการสร้างโค้ด
• Multilingual Grade School Math (MSGM). โจทย์คณิตศาสตร์ระดับประถมศึกษา แปลเป็นสิบภาษา รวมถึงภาษาที่มีตัวแทนน้อยอย่างเบงกาลีและสวาฮีลี
• Discrete Reasoning Over Paragraphs (DROP). คำถามที่ต้องเข้าใจย่อหน้าทั้งหมด เช่น การบวก นับ หรือจัดเรียงค่าที่กระจายตามหลายประโยค

ประสิทธิภาพของ GPT-4o, GPT-4 Turbo, Gemini Pro 1.5 และ Claude 3 Opus เทียบกับหกมาตรฐาน LLM คะแนนของแต่ละมาตรฐานอยู่ระหว่าง 0 ถึง 100 สร้างใหม่จากข้อมูลที่ OpenAI ให้ ไม่มีข้อมูลของ Gemini Pro 1.5 สำหรับมาตรฐาน GPQA

GPT-4o ได้คะแนนสูงสุดในสี่มาตรฐาน แต่แพ้ Claude 3 Opus ในมาตรฐาน MSGM และแพ้ GPT-4 Turbo ในมาตรฐาน DROP โดยรวมแล้วประสิทธิภาพถือว่าน่าประทับใจ และแสดงถึงแนวโน้มที่ดีของแนวทางการฝึกแบบมัลติโหมด

หากมองตัวเลขของ GPT-4o เทียบกับ GPT-4 Turbo อย่างใกล้ชิด จะเห็นว่าการเพิ่มขึ้นของประสิทธิภาพมีเพียงไม่กี่เปอร์เซ็นต์พอยต์

ถือเป็นแรงส่งที่ดีภายในหนึ่งปี แต่ยังห่างไกลจากการกระโดดด้านประสิทธิภาพแบบน่าทึ่งจาก GPT-1 ไป GPT-2 หรือ GPT-2 ไป GPT-3

การเก่งขึ้น 10% ในการให้เหตุผลเกี่ยวกับข้อความแบบปีต่อปี น่าจะกลายเป็นเรื่องปกติใหม่ งานที่ทำได้ง่ายถูกเก็บเกี่ยวไปแล้ว และยากที่จะกระโดดครั้งใหญ่ต่อไปในด้านเหตุผลเชิงข้อความ

ในอีกด้าน สิ่งที่มาตรฐาน LLM เหล่านี้ไม่สะท้อนคือประสิทธิภาพของ AI บนปัญหาแบบมัลติโหมด แนวคิดนี้ใหม่มากจนเรายังไม่มีวิธีที่ดีในการวัดว่ามodel เก่งแค่ไหนครอบคลุมข้อความ เสียง และภาพ

โดยรวมแล้ว ประสิทธิภาพของ GPT-4o น่าประทับใจ และแสดงถึงแนวโน้มที่ดีของแนวทางการฝึกแบบมัลติโหมด

กรณีการใช้งานของ GPT-4o มีอะไรบ้าง?

1. GPT-4o สำหรับการวิเคราะห์ข้อมูลและงานโค้ดดิ้ง

โมเดล GPT รุ่นใหม่ ๆ และอนุพันธ์อย่าง GitHub Copilot มีความสามารถในการช่วยเขียนโค้ดอยู่แล้ว รวมถึงเขียนโค้ด อธิบาย และแก้ข้อผิดพลาด ความสามารถแบบมัลติโหมดของ GPT-4o เปิดโอกาสที่น่าสนใจ

ในวิดีโอโปรโมตที่โฮสต์โดย Mira Murati CTO ของ OpenAI นักวิจัยสองคนของ OpenAI คือ Mark Chen และ Barret Zoph สาธิตการใช้ GPT-4o ทำงานกับโค้ด Python

โค้ดถูกส่งให้ GPT เป็นข้อความ และใช้ฟีเจอร์โต้ตอบด้วยเสียงเพื่อให้ GPT อธิบายโค้ด ภายหลังเมื่อรันโค้ดแล้ว ความสามารถด้านการมองเห็นของ GPT-4o ถูกใช้เพื่ออธิบายกราฟ

โดยรวมแล้ว การแสดงหน้าจอให้ ChatGPT ดูและถามด้วยเสียง อาจเป็นเวิร์กโฟลว์ที่ง่ายกว่าการบันทึกกราฟเป็นไฟล์รูปภาพ อัปโหลดขึ้น ChatGPT แล้วพิมพ์คำถาม

2. GPT-4o สำหรับการแปลแบบเรียลไทม์

เตรียมพา GPT-4o ไปท่องเที่ยวได้เลย ความสามารถด้านคำพูดที่มีความหน่วงต่ำของ GPT-4o ทำให้การแปลแบบเรียลไทม์เป็นไปได้แล้ว (หากมีดาต้าโรมมิ่งในแพ็กเกจมือถือ!) นั่นหมายความว่าการเดินทางในประเทศที่ไม่รู้ภาษา จะง่ายขึ้นมาก

3. สวมบทบาทกับ GPT-4o

ChatGPT มีประโยชน์กับการสวมบทบาทมาสักพักแล้ว ไม่ว่าจะเป็นการเตรียมสัมภาษณ์งานในสายข้อมูลที่ใฝ่ฝัน หรือฝึกทีมขายให้ขายผลิตภัณฑ์ได้ดีขึ้น

จนถึงตอนนี้ มันทำงานได้ดีที่สุดกับการสวมบทบาทด้วยข้อความเท่านั้น ซึ่งไม่เหมาะนักสำหรับกรณีเหล่านั้น ความสามารถด้านคำพูดที่ดีขึ้นหมายความว่าการสวมบทบาทด้วยเสียงเป็นทางเลือกที่ใช้ได้จริงแล้ว

4. GPT-4o เพื่อช่วยผู้ใช้ที่มีความบกพร่องทางการมองเห็น

ความสามารถของ GPT-4o ในการเข้าใจวิดีโอจากกล้องและบรรยายฉากด้วยเสียง อาจเป็นฟีเจอร์ที่ต้องมีสำหรับผู้บกพร่องทางการมองเห็น โดยพื้นฐานแล้วคล้ายฟีเจอร์บรรยายเสียงที่ทีวีมี แต่สำหรับโลกจริง

ลองใช้งาน GPT-4o ด้วยตนเอง

ได้เข้าถึงคุณสมบัติใหม่บางอย่างของ GPT-4o ตั้งแต่หลังประกาศไม่นาน (น่าเสียดายที่ยังไม่มีแชทเสียง) และรู้สึกประทับใจกับเอาต์พุตหลายอย่าง คำตอบดูเร็วและสม่ำเสมอขึ้น และดูเหมือนจะเข้าใจคำขอได้ดีกว่าเดิม แม้ว่าจะยังไม่สมบูรณ์แบบก็ตาม

นี่คือตัวอย่างบางส่วนของการโต้ตอบกับ ChatGPT-4o:

งานวิเคราะห์ข้อมูล

เริ่มแรก ใช้แชทเสียง ถามว่ามีไอเดียอย่างไรในการวิเคราะห์ผลงานของสโมสรฟุตบอลที่เชียร์ คือ Leeds United ที่ยิ่งใหญ่ นอกจากให้ตัวเลือกหลายอย่างแล้ว ยังให้ตัวอย่างโค้ด Python มาด้วย:

import pandas as pd

# Sample data for Leeds United's match results
data = {
    'Match': ['Match1', 'Match2', 'Match3', 'Match4', 'Match5'],
    'Result': ['Win', 'Draw', 'Loss', 'Win', 'Win'],
    'Goals Scored': [2, 1, 0, 3, 2]
}

# Create a DataFrame
df = pd.DataFrame(data)

# Summarize match results
summary = df['Result'].value_counts()
total_goals = df['Goals Scored'].sum()
average_goals = df['Goals Scored'].mean()

# Display summary
print("Match Results Summary:")
print(summary)
print("\nTotal Goals Scored:", total_goals)
print("Average Goals Per Match:", round(average_goals, 2))

อย่างไรก็ตาม เมื่อเจาะลึกแนวคิดนี้มากขึ้น สิ่งต่าง ๆ ก็เริ่มเพี้ยน ถามหาข้อมูลจริงมาใช้—มันค้นเว็บและพบแหล่งข้อมูลที่ดีสองแหล่ง แต่รายงานสถิติผิด Leeds เล่น 46 นัดในฤดูกาลปกติ ยิงได้ 81 ประตู ผลต่างประตูได้เสียนั้น +38 ไม่ใช่ 40 นัดอย่างที่ระบุไว้ในคำตอบ

จากนั้นขอให้ ChatGPT สร้างภาพรวมจำนวนประตูที่ยิงใส่แต่ละทีม:

อีกครั้งที่งานสำเร็จแค่ครึ่งเดียว มันสร้างภาพตามที่ร้องขอ ซึ่งดูดีบนผิวเผิน แต่ในความเป็นจริง ข้อมูลจำนวนมากถูกแต่งขึ้นและไม่ถูกต้อง (ทีมซ้ำ ประตูไม่ครบ และทีมที่ไม่ได้อยู่ดิวิชันเดียวกับ Leeds)

โดยความยุติธรรม คาดว่าประสิทธิภาพจะดีกว่านี้หากให้ชุดข้อมูลเต็มด้วยตนเอง แต่ก็อยากให้มันบอกเช่นนั้น แทนการพูดอย่างมั่นใจทั้งที่แต่งคำตอบ

การวิเคราะห์ภาพ

ต่อมา ขอให้ GPT-4o วิเคราะห์รูปต้นไม้ต้นหนึ่งของตัวเอง ขณะนี้ยังไม่มีสิทธิ์ใช้ฟีเจอร์วิชั่นแบบบูรณาการ จึงต้องถ่ายรูปและถาม ChatGPT ว่าพืชชนิดใด:

ถือว่าไม่เลว แม้จะไม่แม่นยำนัก จริง ๆ แล้วเป็นบอนไซ แต่เป็น Ilex crenata ไม่ใช่ Carmona retusa อย่างไรก็ตาม ทั้งสองดูคล้ายกันมาก จึงเป็นความผิดพลาดที่เข้าใจได้ และชื่นชมที่ให้บริบทเพิ่มเติมเกี่ยวกับการดูแลต้นไม้

การสร้างภาพ

สุดท้าย ต้องการทดสอบความสามารถด้านภาพของโมเดลใหม่ แสดงรูปเต่าบกชื่อ Darwin และให้มันบอกเกี่ยวกับเพื่อนตัวนี้:

อีกครั้งที่ใกล้เคียงแต่ไม่สมบูรณ์ Darwin แท้จริงเป็นเต่า Horsefield ไม่ใช่ Hermann’s แต่ทั้งสองดูคล้ายกันมาก จากนั้นขอให้ ChatGPT-4o นำภาพต้นฉบับไปสร้างใหม่ในสไตล์โฮคุไซ ได้ผลลัพธ์ดังนี้:

ถือว่าดีทีเดียว แม้จะไม่ค่อยเหมือนภาพต้นฉบับนัก แต่ก็พอเข้าใจได้ ทั้งยังใช้เวลาสร้างนานเล็กน้อยด้วย

โดยรวมแล้ว ประทับใจกับความตอบสนองของโมเดลใหม่และความเข้าใจคำขอที่ดีขึ้น ยังห่างไกลจากความไร้ที่ติ และยังมีอาการแต่งข้อมูลอย่างมั่นใจอยู่บ้าง แต่แทบรอไม่ไหวที่จะได้ลองใช้ฟีเจอร์คำพูดและวิชั่นแบบบูรณาการที่ดีขึ้น

ข้อจำกัดและความเสี่ยงของ GPT-4o

กฎระเบียบสำหรับ AI สร้างสรรค์ยังอยู่ในระยะเริ่มต้น EU AI Act เป็นกรอบกฎหมายที่โดดเด่นเพียงฉบับเดียวในขณะนี้ นั่นหมายความว่าบริษัทที่สร้าง AI ต้องตัดสินใจเองบางส่วนว่าอะไรคือ AI ที่ปลอดภัย

OpenAI มี กรอบความพร้อม ที่ใช้พิจารณาว่าโมเดลใหม่พร้อมจะปล่อยสู่สาธารณะหรือไม่

กรอบนี้ทดสอบสี่ประเด็นที่น่ากังวล

• ความมั่นคงปลอดภัยไซเบอร์ AI ช่วยเพิ่มผลิตภาพของอาชญากรไซเบอร์และช่วยสร้างช่องโหว่ได้หรือไม่
• BCRN AI ช่วยผู้เชี่ยวชาญสร้างภัยคุกคามทางชีวภาพ เคมี รังสี หรือ นิวเคลียร์ได้หรือไม่
• การชักจูง AI สร้างเนื้อหา (ที่อาจโต้ตอบได้) เพื่อชักจูงให้ผู้คนเปลี่ยนความเชื่อได้หรือไม่
• ความเป็นอิสระของโมเดล AI ทำหน้าที่เป็นเอเจนต์ ดำเนินการกับซอฟต์แวร์อื่นได้หรือไม่

แต่ละประเด็นถูกจัดระดับเป็น ต่ำ ปานกลาง สูง หรือ วิกฤต และคะแนนของโมเดลคือระดับสูงสุดที่ได้ในสี่หมวด

OpenAI ให้สัญญาว่าจะไม่ปล่อยโมเดลที่อยู่ในระดับน่ากังวลอย่างวิกฤต แม้เกณฑ์ความปลอดภัยนี้จะค่อนข้างต่ำ: ตามนิยาม ระดับวิกฤตสอดคล้องกับสิ่งที่จะพลิกโฉมอารยธรรมมนุษย์ GPT-4o หลีกเลี่ยงได้สบาย ๆ โดยได้ระดับความกังวลปานกลาง

เอาต์พุตไม่สมบูรณ์แบบ

เช่นเดียวกับ AI สร้างสรรค์ทั้งหมด โมเดลไม่ได้ทำงานตามที่ตั้งใจไว้เสมอไป วิชันคอมพิวเตอร์ไม่ได้สมบูรณ์แบบ การตีความภาพหรือวิดีโอจึงไม่รับประกันว่าจะทำงานได้

ในทำนองเดียวกัน การถอดความคำพูดแทบไม่เคยถูกต้อง 100% โดยเฉพาะหากผู้พูดมีสำเนียงจัดหรือใช้คำเทคนิค

OpenAI จัดวิดีโอบางช็อตที่ GPT-4o ทำงานไม่เป็นไปตามที่ตั้งใจ

ที่น่าสังเกตคือ การแปลระหว่างสองภาษาที่ไม่ใช่ภาษาอังกฤษเป็นหนึ่งในกรณีที่ล้มเหลว ปัญหาอื่น ๆ รวมถึงน้ำเสียงไม่เหมาะสม (ดูแคลน) และพูดภาษาผิด

ความเสี่ยงของดีพเฟกลเสียงที่เร่งตัว

ประกาศของ OpenAI ระบุว่า "ตระหนักว่าความสามารถด้านเสียงของ GPT-4o ก่อให้เกิดความเสี่ยงรูปแบบใหม่หลากหลาย" ในหลายด้าน GPT-4o สามารถเร่งการเพิ่มขึ้นของ สายหลอกลวงด้วยดีพเฟก ที่ AI เลียนเสียงคนดัง นักการเมือง และเพื่อนหรือครอบครัวของผู้คน นี่เป็นปัญหาที่จะแย่ลงก่อนจะถูกแก้ และ GPT-4o มีพลังทำให้สายหลอกลวงด้วยดีพเฟกน่าเชื่อยิ่งขึ้น

เพื่อบรรเทาความเสี่ยงนี้ เอาต์พุตเสียงจึงเปิดใช้ได้เฉพาะชุดเสียงสำเร็จรูปบางแบบ

เป็นไปได้ว่านักต้มตุ๋นที่เชี่ยวชาญเทคนิคจะใช้ GPT-4o เพื่อสร้างเอาต์พุตเป็นข้อความ แล้วใช้โมเดลแปลงข้อความเป็นเสียงของตนเอง แม้ยังไม่ชัดเจนว่าจะยังคงได้ประโยชน์ด้านความหน่วงต่ำและน้ำเสียงที่ GPT-4o มอบให้หรือไม่

กำหนดการปล่อย GPT-4o

ณ วันที่ 19 กรกฎาคม 2024 คุณสมบัติหลายอย่างของ GPT-4o ได้ทยอยเปิดใช้งานแล้ว ความสามารถด้านข้อความและภาพถูกเพิ่มให้กับผู้ใช้จำนวนมากในแผน Plus และแผนฟรี รวมถึง ChatGPT บนเบราว์เซอร์มือถือ เช่นเดียวกัน ฟีเจอร์ข้อความและวิชั่นของ GPT-4o พร้อมใช้งานผ่าน API แล้ว

คุณสมบัติเหล่านี้ของ GPT-4o พร้อมใช้งานอย่างกว้างขวางบนแอปมือถือ iOS และ Android อย่างไรก็ตาม ยังรอโหมดเสียงแบบใหม่ที่จะอัปเดตให้ใช้ GPT-4o, API จะเพิ่มความสามารถด้านเสียงและวิดีโอสำหรับ GPT-4o และโมเดลใหม่จะใช้ได้บน Mac Desktop การเข้าถึงอย่างหลังนี้กำลังทยอยปล่อยให้ผู้ใช้ Plus และวางแผนมีแอปเดสก์ท็อปสำหรับ Windows ภายในปีนี้

ด้านล่างเป็นสรุปกำหนดการปล่อย GPT-4o:

• ประกาศ GPT-4o: 13 พฤษภาคม 2024
• ทยอยเปิดความสามารถด้านข้อความและภาพของ GPT-4o: เริ่ม 13 พฤษภาคม 2024
• ความพร้อมใช้งานของ GPT-4o ในชั้นฟรีและผู้ใช้ Plus: เริ่ม 13 พฤษภาคม 2024
• การเข้าถึง API สำหรับ GPT-4o (ข้อความและวิชั่น): เริ่ม 13 พฤษภาคม 2024
• ความพร้อมใช้งานของ GPT-4o บนเดสก์ท็อป Mac สำหรับผู้ใช้ Plus: ภายในไม่กี่สัปดาห์ (เริ่ม 13 พฤษภาคม 2024)
• เวอร์ชันใหม่ของโหมดเสียงที่ใช้ GPT-4o ในสถานะอัลฟา: ภายในไม่กี่สัปดาห์/เดือน (หลัง 13 พฤษภาคม 2024)
• การรองรับ API สำหรับความสามารถด้านเสียงและวิดีโอ: ภายในไม่กี่สัปดาห์/เดือน (หลัง 13 พฤษภาคม 2024)
• GPT-4o mini: 18 กรกฎาคม 2024

อย่างไรก็ตาม หลังจากข้อถกเถียงที่เกิดจากเดโมความสามารถด้านเสียงแบบใหม่ ดูเหมือน OpenAI จะระมัดระวังการปล่อยใช้งานมากขึ้น ตามบล็อกที่อัปเดตของพวกเขา 'ในช่วงสัปดาห์และเดือนข้างหน้า เราจะทำงานด้านโครงสร้างพื้นฐานทางเทคนิค การใช้งานได้จริงผ่านการฝึกหลังการเรียนรู้ และความปลอดภัยที่จำเป็นเพื่อปล่อยมัลติโหมดอื่น ๆ ตัวอย่างเช่น ตอนเปิดตัว เอาต์พุตเสียงจะจำกัดอยู่ที่เสียงสำเร็จรูปบางแบบและจะปฏิบัติตามนโยบายความปลอดภัยที่มีอยู่' 

GPT-4o มีค่าใช้จ่ายเท่าไร?

แม้จะเร็วกว่า GPT-4 Turbo และมีความสามารถด้านวิชั่นที่ดีกว่า แต่ GPT-4o จะมีราคาถูกกว่ารุ่นก่อนราว 50% ตามเว็บไซต์ของ OpenAI การใช้โมเดลจะมีค่าใช้จ่าย $5 ต่อหนึ่งล้านโทเค็นสำหรับอินพุต และ $15 ต่อหนึ่งล้านโทเค็นสำหรับเอาต์พุต

จะเข้าถึง GPT-4o บนเวอร์ชันเว็บของ ChatGPT ได้อย่างไร?

อินเทอร์เฟซผู้ใช้ของ ChatGPT เปลี่ยนไป ข้อความทั้งหมดใน ChatGPT จะใช้ GPT-4o เป็นค่าเริ่มต้น และสามารถสลับเป็น GPT-3.5 ได้ด้วยตัวเลือกสวิตช์ใต้คำตอบ

GPT-4o หมายถึงอนาคตอย่างไร?

มีสองแนวคิดเกี่ยวกับทิศทางที่ AI ควรมุ่งไป แนวหนึ่งคือ AI ควรทรงพลังขึ้นเรื่อย ๆ และทำงานได้กว้างขึ้น อีกแนวคือ AI ควรเก่งขึ้นในการแก้ปัญหาเฉพาะให้คุ้มค่าที่สุด

พันธกิจของ OpenAI ที่จะสร้างปัญญาทั่วไปเทียม (AGI) รวมถึงรูปแบบธุรกิจ วางตำแหน่งไว้อย่างชัดเจนในแนวทางแรก GPT-4o เป็นอีกก้าวสู่เป้าหมายของ AI ที่ทรงพลังยิ่งขึ้น

นี่เป็นเจเนอเรชันแรกของสถาปัตยกรรมโมเดลแบบใหม่ทั้งหมดสำหรับ OpenAI นั่นหมายความว่าบริษัทยังมีสิ่งให้เรียนรู้และปรับให้เหมาะสมอีกมากในเดือนต่อ ๆ ไป

ในระยะสั้น คาดว่าจะมีอาการแปลกใหม่และการแต่งข้อมูลรูปแบบใหม่ ๆ และในระยะยาว คาดว่าจะมีการปรับปรุงประสิทธิภาพ ทั้งด้านความเร็วและคุณภาพของผลลัพธ์

จังหวะเวลาของ GPT-4o น่าสนใจ ขณะที่บริษัทยักษ์ใหญ่ด้านเทคโนโลยีตระหนักว่า Siri, Alexa และ Google Assistant ไม่ใช่เครื่องทำเงินอย่างที่เคยหวัง OpenAI หวังทำให้ AI กลับมาพูดคุยได้อีกครั้ง ในกรณีที่ดีที่สุด สิ่งนี้จะนำพากรณีใช้งานใหม่ ๆ สำหรับ AI สร้างสรรค์ อย่างน้อยที่สุด ตอนนี้สามารถตั้งเวลาเป็นภาษาใดก็ได้ตามต้องการ

สรุป

GPT-4o แสดงถึงความก้าวหน้าเพิ่มเติมใน AI สร้างสรรค์ โดยผสานการประมวลผลข้อความ เสียง และภาพไว้ในโมเดลเดียวที่มีประสิทธิภาพ นวัตกรรมนี้สัญญาถึงการตอบสนองที่เร็วขึ้น ปฏิสัมพันธ์ที่ลึกซึ้งขึ้น และการใช้งานที่กว้างขึ้น ตั้งแต่การแปลแบบเรียลไทม์ไปจนถึงการวิเคราะห์ข้อมูลที่ดียิ่งขึ้นและการเข้าถึงที่ดีขึ้นสำหรับผู้บกพร่องทางการมองเห็น

แม้มีข้อจำกัดและความเสี่ยงเบื้องต้น เช่น การนำไปใช้ผิดวัตถุประสงค์ในสายหลอกลวงด้วยดีพเฟก และความจำเป็นต้องปรับแต่งเพิ่มเติม แต่ GPT-4o ก็เป็นอีกก้าวสู่เป้าหมาย AGI ของ OpenAI เมื่อเข้าถึงได้มากขึ้น GPT-4o อาจเปลี่ยนวิธีการโต้ตอบกับ AI ผสานเข้ากับงานประจำวันและงานอาชีพ

ด้วยต้นทุนที่ต่ำลงและความสามารถที่เพิ่มขึ้น GPT-4o พร้อมกำหนดมาตรฐานใหม่ในอุตสาหกรรม AI ขยายขอบเขตความเป็นไปได้ให้ผู้ใช้ในหลากหลายสาขา

อนาคตของ AI น่าตื่นเต้น และเวลานี้เหมาะที่สุดในการเริ่มเรียนรู้วิธีการทำงานของเทคโนโลยีนี้ หากยังใหม่ในสายนี้ เริ่มต้นด้วย เส้นทางทักษะ AI Fundamentals ที่ครอบคลุมความรู้เชิงปฏิบัติเกี่ยวกับหัวข้ออย่าง ChatGPT, โมเดลภาษาขนาดใหญ่, AI สร้างสรรค์ และอื่น ๆ นอกจากนี้ยังเรียนรู้เพิ่มเติมเกี่ยวกับ การทำงานกับ OpenAI API ในคอร์สแบบลงมือทำ หรือดู แคตตาล็อกคอร์ส AI แบบเต็ม ของเราได้