2025年，OpenAI 正式发布 GPT-4o（"o"代表 omni，即"全能"）。这是 OpenAI 迄今为止功能最全面的旗舰模型，能够实时处理文本、音频和图像的任意组合输入，并生成相应的输出。
核心突破
- 端到端多模态：GPT-4o 不再依赖多个独立模型的串联，而是用单一神经网络统一处理所有模态，大幅降低延迟。
- 超低响应延迟：音频响应平均延迟仅 320ms，接近人类对话反应速度。
- 情感感知：能够识别用户语音中的情绪变化，并做出带有感情色彩的回应。
- 视觉理解增强：可实时分析摄像头画面，辅助用户解决数学题、识别环境等。
对行业的影响
GPT-4o 的发布直接推动了 AI 语音助手赛道的大洗牌，众多创业公司纷纷转型或寻找差异化路径。与此同时，多模态能力的开放 API 也让开发者得以构建更丰富的应用场景。
个人思考
从 Serverless 与 AI 结合的角度来看，GPT-4o 的低延迟特性为函数计算场景下的 AI 推理提供了更多想象空间。结合阿里云函数计算的弹性扩缩容能力，可以构建极具性价比的 AI 实时交互服务。