ChatGPT-4o je umělá inteligence na steroidech. Pochopí obraz, text i video a je k dispozici zdarma!

• OpenAI představilo nový model ChatGPT-4o
• Je rychlejší, umí si s vámi povídat a zpracuje obraz, text a video
• Bude dostupný pro všechny, tedy i pro neplatící uživatele

OpenAI dnes představilo novinky. Vlastně jednu novinku, ale zato pořádnou, a to ChatGPT-4o (to není čtyřicet, ale čtyři-ó – o, jako „omni“). Bude dostupná brzo a pro všechny. Platící zákazníci ji dostanou dřív, ale mělo by se dostat i na neplatící uživatele. Mně už se nabídlo během psaní článku. Cílem mise OpenAI je, podle jejich vlastních slov, přinášet možnosti umělé inteligence celému lidstvu.

Obsah článku

• Zpracování obrazu
• Store pro všechny
• Hlasový model
• Desktopová aplikace
• Realtime překlad
• Popis osoby
• Dostupnost modelu

Zpracování obrazu

Vyfotit obrázek a nahrát ho do chatu? To je minulost! V prezentaci jsme měli možnost sledovat, jak moderátor píše na papír zadání rovnice a nahrává to jako video. ChatGPT-4o přitom okamžitě reagoval na hlasové vstupy. Moderátor požádal ChatGPT-4o, aby mu neřekl přímo řešení, ale aby ho k němu navedl a on to opravdu udělal. Pouhé rovnice jsou nuda, dokáže ChatGPT-4o poznat, co je na obrázku? Jasně, a to včetně překvapené a polichocené reakce!

Store pro všechny

Obchod s modely na míru je nyní k dispozici všem a zdarma. Můžete si vytvářet vlastní model a sdílet ho ve store.

Hlasový model

V ChatGPT-4 funguje hlasový mód takto: hlasový režim je kanálem tří samostatných modelů: jeden jednoduchý model přepisuje zvuk na text, GPT-4 přijímá text a odpovídá v také textové podobě a třetí jednoduchý model převádí tento text zpět na zvuk. Tento proces znamená, že hlavní zdroj inteligence, GPT-4, ztrácí mnoho informací – nemůže přímo pozorovat tón, zvuky na pozadí a nemůže vydávat smích, zpěv nebo vyjadřovat emoce. Pomocí GPT-4o je natrénovaný jeden nový model end-to-end napříč textem, obrazem a zvukem, což znamená, že všechny vstupy a výstupy zpracovává stejná neuronová síť. Na rozdíl od ChatGPT-4, který reagoval v průměru za 5 sekund, ChatGPT-4o reaguje v průměru za 320 milisekund, což odpovídá reakci člověka v běžném rozhovoru. V prezentaci byl ChatGPT-4o požádán, aby odvyprávěl příběh o robotovi. Doporučujeme shlédnout prezentaci a samozřejmě, až bude ChatGPT-4o dostupný, si to vyzkoušet. Moderátoři postupně nutili model ke změně intonace, zvýšení dramatičnosti a nakonec ke strojovému hlasu a dokonce zpívanému přednesu.

Desktopová aplikace

Nově je k dispozici desktopová aplikace. Prezentována byla verze pro Mac, o dostupnosti pro jiné platformy nepadla konkrétní zmínka. Aplikace dokáže například sledovat obsah monitoru a pracovat s ním. V ukázce rozpoznala kód programu a popsala, co dělá. Vzápětí dokázala rozpoznat, co je na zobrazeném grafu a najít v něm například maximální hodnoty.

Realtime překlad

Co mě naprosto usadilo, bylo sledovat, jak si moderátorka a moderátor povídají. Ona italsky, on anglicky. ChatGPT-4o přitom překládat tak, že když jeden z nich skončil, přeložil text do druhého jazyka. Přitom překlad nebyl otrocký, ale včetně intonace a zprostředkování pocitů! Navíc překlad nebyl 1:1, ale ve stylu „říká, že…“ Pokud tohle bude dostupné pro češtinu, bude to možná pro nás událost roku. Pokud jste nestihli přímý přenos prezentace novinek, můžete si ho pustit ze záznamu. Z prezentace jsou také použité snímky.