又是疯狂的一周，全世界都「AI 麻了」！

2024-05-21 00:24 来源：网络点击：

又是疯狂的一周，全世界都「AI 麻了」！

是因为「劳动节」吗？全世界所有的公司，都选择在 5 月第三周，将最新的 AI 产品和技术，集中释放。

丧心病狂的一周！

铺垫了许久的「周一见」，OpenAI 用 GPT-4o 夺走了注意力。24 小时后的发布会上，谷歌也没有「掉链子」，Veo 视频模型、Project Astra、新版 AI 搜索都留下了惊艳的记忆点。

地表最强但风格迥异的两场发布会，只在一点上达成共识——电影《Her》一般的超强语音助手（GPT-4o 和 Project Astra），这也变相公布了 2024 年大模型赛道的竞赛点—— GPT-4o 和 Astra 背后的多模态融合技术。

大洋彼岸的另一端，姗姗来迟的字节跳动发布了豆包大模型家族，腾讯终于交出了「GPTs」和大模型助手 App 的答卷。

今天看来，无论是「拖家带口」的大厂，还是「没有包袱」的创业公司，产品形态都一再扩展：从聊天机器人，到 AI 搜索、「GPTs」、多模态语音助手 .... 玩得越来越花。

不知道你麻没麻，反正我们是幸福地麻了。

5 月 13 日（周一）

AI 化身 / 人形智能体正在快速演进：宇树发布 Unitree G1 人形机器人

¥ 9.9 万元起，远低于行业售价

大语言模型出圈，让可以实现具身智能的人形机器人火了。

2023 年 8 月，宇树科技发布了人形机器人 H1，预售价为 9 万美元（约合 65 万元人民币）。本周，宇树推出的新版人形机器人 Unitree G1 将价格降到 9.9 万元人民币起，便宜了超 80%。

与第一代产品相比，Unitree G1 能力显著提升：开瓶盖、砸核桃、颠锅、跑步、舞棍、自我蜷缩……在宇树科技发布的产品演示视频里，身体和双腿能旋转近 360 °，Unitree G1 像人类一样用机械双臂灵活地完成一系列工作。

图片来源：宇树科技

开源闭源并进：零一万物发布千亿参数 Yi-Large 模型

开源构建生态，闭源探索 AI 上限

零一万物成立一周年之际，其千亿参数 Yi-Large 闭源模型正式亮相，在斯坦福最新的 AlpacaEval 2.0 达到全球大模型 Win Rate 第一。

同时，零一万物将早先发布的 Yi-34B、Yi-9B/6B 中小尺寸开源模型版本升级为 Yi-1.5 系列，每个版本达到同尺寸中 SOTA 性能最佳。

Yi 大模型 API 开放平台 | 图片来源：零一万物

5 月 14 日（周二）

「Her」真的来了：「GPT-4o」将语音助手带到了新高度

多模态融合模型，只是工程的进步吗？

OpenAI 发布了新一代旗舰模型 GPT-4o，它可以让人们在手机上与 ChatGPT 对话，就像他们与 Siri 和其他语音助手对话一样。不同的是，ChatGPT 语音助手的理解能力有了质的飞跃，还可以分析和讨论它所看到的图像或视频，并能识别用户说话时的不同情绪。

有了 GPT-4o 的加持，ChatGPT 可以根据你的想法引导你做数学题目、按照你的实时要求讲一个睡前故事。OpenAI 称 GPT-4o 是为了创建一个对音频、图像和文本有更深入、更自然理解的模型，这依旧是为了向 AGI 目标行进。

OpenAI 的发布，也在 AI 圈引起了广泛讨论。业界普遍认为，GPT-4o 的惊艳之处在于两点：1）将语音交互延迟缩短到 300ms；2）端到端多模态原生大模型

P.S.: 留一个观察作业：GPT-4o 会显著提升 ChatGPT 的日活和用户粘性吗？有了更高 AI 能力的智能助手，2016 年的百箱大战会席卷重来？Siri 一样的语音助手会成为入口级的必争之地？

图片来源：OpenAI

5 月 15 日（周三）

没有一款产品没有被 AI 改造：谷歌全面进入 Gemini 时代

Sora 尚且是科技巨头的选做题，但多模态融合就是大模型公司的必做题。

提了 121 次 AI，谷歌 I/O 2024 开发者大会发布了一箩筐，从搜索到 Gmail、TPU，再到语音助手 Astra 和多模态视频模型 Veo 等。

三个产品值得关注：

Project Astra 的多模态 AI 助手。如果说 2023 年的竞赛点是 Copilot，2024 年，赛点则进化为多模态融合的 Agent，背后是从 LLM（大语言模型）到 One-network-multimodality（一个框架下的多模态大模型）的技术路径迁移，最终迈向跟通用的人工智能。

多模态语音助手正在与用户实时对话｜图片来源：Google

Veo：Veo 可以根据文本、图像和视频提示创建 AI 生成的视频，并且即将登陆 YouTube，帮助创作者快速制作更专业品质的视频。

AI 搜索：谷歌展示了如何进一步将人工智能集成到搜索中，从而实现更复杂形式的研究和规划（例如，根据查询生成三天的素食计划）。

图片来源：谷歌黑板报

大模型之字节打法：没准备好就不发，否则一次发布 9 个模型

模型发得晚，应用没少做，怎么想的？

字节跳动自研大模型豆包大模型（原云雀大模型）家族带着 9 个模型，首次对外亮相。字节跳动方面称，之所以是这 9 个模型，是根据后台模型调用量和需求而来，做了最强通用模型、性价比之选、和场景优化模型。

豆包大模型的推理价格成为一大亮点，其主力模型在企业市场的定价只有 0.0008 元 / 千 Tokens，0.8 厘就能处理 1500 多个汉字。

值得注意的是，字节发布会没有介绍模型参数、数据和语料，甚至没有给出豆包模型的评测数据，而是直接把模型能力在场景里做了垂直细分。字节可能是在建立用户反馈、数据反馈，从而做更精准地场景和服务。根据不同的数据链反馈，决定产品或者模型的下一步动作。

过去大半年，字节跳动推出的 AI 应用几乎涵盖了所有热门赛道，「豆包」、AI 应用开发平台「扣子」、互动娱乐应用「猫箱」，以及星绘、即梦等。

图片来源：字节跳动

大模型队伍的隐秘玩家：DeepSeek Chat 通过大模型备案

降成本！我带头！

国内拥有超过 1 万枚 GPU 的企业不超过 5 家，幻方这家千亿规模的量化基金就是其中之一。意外地提前压中大模型的入场券——囤卡，但幻方做大模型是认真的。

今年 1 月以来，幻方旗下公司的 DeepSeek 模型被频繁作为开源社区里讨论的对标对象。本月，幻方开源了第二代 MoE 模型：DeepSeek-V2，主打参数更多、能力更强、成本更低。其在能力逼近第一梯队闭源模型的前提下，推理成本降到了 1 块钱 per million token，也就是说，成本是 Llama3 70B 的七分之一，GPT-4 Turbo 的七十分之一。而且，DeepSeek v2 还有利润。

DeepSeek v2 发布后，引来了大模型价格战，智谱、面壁、字节相继宣布了模型推理价格降低。这背后是模型架构、系统、工程的一系列进步。你有没有发现，OpenAI 的价格也降低了 10 倍不止。

Anyway，现在，DeepSeek-V2 已经通过备案，你可以联网体验，隐秘玩家的隐秘实力究竟如何？

图片来源：DeepSeek

5 月 16 日（周四）

文生图、文生视频：DiT 架构正在被广泛拥抱

开源力量大

腾讯旗下的混元文生图大模型宣布对外开源，目前已在 Hugging Face 平台及 Github 上发布，包含模型权重、推理代码、模型算法等完整模型，可供企业与个人开发者免费商用。

混元文生图大模型是中文原生的 DiT（Diffusion Models with transformer）架构文生图开源模型，这也是 Sora 和 Stable Diffusion 3 的同款架构和关键技术，是一种基于 Transformer 架构的扩散模型。过去，视觉生成扩散模型主要基于 U-Net 架构，但随着参数量的提升，基于 Transformer 架构的扩散模型展现出了更好的扩展性，有助于进一步提升模型的生成质量及效率。

5 月 17 日（周五）

「GPTs」和大模型助手 App：大厂必备，腾讯版来了

已接入 600 多个腾讯内部业务和场景

本周，腾讯公布了大模型研发、应用产品的系列进展。

腾讯混元大模型升级，推出在质量和成本上有不同特点的三个模型版本，其内部已经有 600 多个业务接入大模型。

在工具层，发布了腾讯云大模型知识引擎、图像创作引擎、视频创作引擎三大 PaaS 工具链，简化数据接入、模型精调、应用开发流程。

值得注意的是，腾讯终于推出了自家「GPTs」——元器，用户可以使用腾讯官方的插件和知识库直接创建智能体。开发完成后，将智能体一键分发到 QQ、微信客服、腾讯云等渠道上。腾讯还将于月底推出基于混元大模型的全新助手 App「腾讯元宝」。