AI行业动态更新：OpenAI推出GPT-4o，谷歌I/O开发者大会发布多款AI产品

海外行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 1 AI行业动态更新 证券研究报告 2024年05月22日 作者 孔蓉 分析师 SAC执业证书编号：S1110521020002 kongrong@tfzq.com 李泽宇 分析师 SAC执业证书编号：S1110520110002 lizeyu@tfzq.com OpenAI推出GPT-4o，谷歌I/O开发者大会发布多款AI产品 事件： GPT-4o：5月14日凌晨，美国OpenAI公司推出可免费使用的全新旗舰AI模型GPT-4o。1）多模态：接受任何文本、音频、图像和视频的组合作为输入，并生成任何文本、音频和图像输出的组合。2）响应速度快：可以在短至23 2毫秒、平均320毫秒的时间内响应音频输入，与人类在对话中的反应速度一致。3）语言和代码能力出色：在英文文本和代码上与GPT-4 Turbo的性能相匹配，在非英文文本上有了显著提升。4）使用成本低：在API使用方面，GPT-4o较之前版本价格降低一半且速度有所提升。 谷歌I/O开发者大会：5月15日凌晨，谷歌在2024年I/O开发者大会上发布了一系列AI产品，重磅级的发布包括轻量化的模型Gemini 1.5 Flash、AI智能代理Project Astra、视频生成大模型VEO、强大的AI搜索、视频生成模型Veo、第六代TP U Trillium等，Gemi ni 1.5 P ro的上下文窗口也从100万tokens升级到200万。 GP T-4o模型的多模态能力为AI交互体验带来了革命性的变化，能够同时处理和生成文本、音频和图像，同时谷歌发布会GoogleI/O 2024发布会推出了多款重磅AI相关产品，AI技术迭代将在多个领域为用户带来更好的体验感：1）教育：GPT-4o 可以提供更加个性化、深入的教学辅助，为学生提供更丰富的学习资源和定制化的学习体验。2）AI助手：GPT-4o的智能程度更高，能够更准确地理解用户需求，理解用户的情感，提供更加智能、自然的对话交互，并且能够更好地处理复杂任务和多轮对话。3）数据分析：GPT-4o能够更快速地处理大规模数据，并且具备更深层次的理解和推理能力，可以更快地发现数据中的模式和趋势，提供更加精准的数据分析和预测。4）AR/VR领域：为AR/VR应用提供更加智能、自然的交互体验，使用户感受到更加沉浸式的虚拟世界，并且能够根据用户的反馈和环境变化实时调整交互内容。 投资建议：我们认为：1）GPT-4o的发布代表了O penAI模型作为智能代理的初次亮相，即它展示了更强的交互的能力，包括数据理解和分析能力、视觉理解能力、情感识别和输入、更流畅的交流体验。2）随着跨越文本、音频和视频的端到端模型GPT-4o的推出，我们预计Ope nAI未来模型将在多模态能力方面不断提升。同时，G oogle在发布会上展示了其Gemi ni1.5模型的出色能力。从长期来看，我们认为今年最值得关注的是模型架构和算力结构的变化，特别是大模型加上数量价值的变化。 风险提示：AI发展不及预期、AI商业化不及预期、AI竞争加剧。 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 2 1 OpenAI发布GPT4-o模型 5月14日凌晨，美国OpenAI公司推出可免费使用的全新旗舰AI模型GPT-4o。1）多模态：接受任何文本、音频、图像和视频的组合作为输入，并生成任何文本、音频和图像输出的组合。2）响应速度快：可以在短至232毫秒、平均320毫秒的时间内响应音频输入，与人类在对话中的反应速度一致。3）语言和代码能力出色：在英文文本和代码上与GPT-4 Turbo的性能相匹配，在非英文文本上有了显著提升。4）使用成本低：在API使用方面，GPT-4o较之前版本价格降低一半且速度有所提升。 GPT-4o是一个跨越文本、音频和视频的端到端模型，这意味着所有输入和输出都是由同一个神经网络进行处理，推动了性能的提升。GPT-4o在多语言、音频、视觉能力创下了新的SOTA。在LMSYS发布的最新大模型测评中，G PT-4o性能呈现断崖式大幅领先其他模型。 图1：模型性能测试对比 图2：OpenAI CEO Sam Altman转发GPT-4o测评分数 资料来源：OpenAI官网、天风证券研究所 资料来源：推特、天风证券研究所 音频自动语音识别（ASR）性能 ： GPT-4o在所有语言上的语音识别性能上都有显著提升，特别是在资源较少的语言上，相较于Whisper-v3模型表现更为出色。 音频翻译性能：GPT-4o在语音翻译方面达到了新的行业领先水平，并在多语言语音（MLS）基准测试中超越了Whisper-v3模型。 图3：音频自动语音识别（ASR）测试结果 图4：音频翻译测试结果 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 3 资料来源：OpenAI官网、天风证券研究所 资料来源：OpenAI官网、天风证券研究所 多语言和视觉评估测试：M3Exam基准测试是一个多语言和视觉评估的综合体，它包含来自其他国家标准化考试的多项选择题。GPT-4o在所以语言测试中展现出比GPT-4更强的能力。 视觉理解测试：GPT-4o在视觉能力方面达到了最强的能力，视觉能力超过了GPT-4 Turbo、Gemini 1.0 Ultra、Gemini 1.5 Pro、Claude Opus等多款主流大模型 。 图5：M3Exam基准测试结果 图6：视觉理解测试结果 资料来源：OpenAI官网、天风证券研究所 资料来源：OpenAI官网、天风证券研究所 视觉+语音交互功能：发布会演示了通过即时手写数学问题，要求GPT-4o不告诉解决方案，只是给予过程的提示。GPT-4o能在线理解问题进行指导。通过不断的引导以及给予提升，最终带领用户完成问题的解答。显示出GPT-4o视觉、语音的多模态交互功能（同时进行视觉理解、逻辑推理、语音输出等多项任务）。 G PT-4o接受文本、音频和图像的任何组合作为输入，并生成文本、音频和图像的任何组合作为输出。 图7：GPT-4o实时识别手写问题 图8：引导用户解决问题 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 4 资料来源：OpenAI春季发布会视频、天风证券研究所 资料来源：OpenAI春季发布会视频、天风证券研究所 实时理解桌面信息，解答问题并分析图表：OpenAI将推出桌面版ChatGP T，其可以被轻松集成到用户的工作流程中，很大程度提升了用户交互体验。发布会演示了ChatGP T分析代码的能力；首先将一段Python代码输入Chat GP T，并让ChatGP T用一句话总结这段代码在做什么。ChatGP T能够快速理解代码用于获取日常天气数据，随后又详细说明了其对天气数据进行了哪些后续分析。此次桌面版ChatGP T的推出，推动了大模型应用场景的落地，更像真人交互的AI Agent。GPT4o在电脑桌边部署或将预示着未来AI终端市场将迎来革命。 图9：GPT-4o识别桌面代码 图10：GPT-4o分析图表 资料来源：OpenAI春季发布会视频、天风证券研究所 资料来源：OpenAI春季发布会视频、天风证券研究所 具备情绪感知能力：发布会演示了当用户通过视频向ChatGPT展示情绪，并要求ChatGP T识别他当下的心情。GP T4-o能够通过视频精确的识别用户的情绪；同时当受到夸赞时，GP T-4o也可以根据场景输出与真人相仿的情绪、语气；用户在对话中可以随时打断，与真实对话场景更为相似。此前大模型仅在文本交互方面有较强的能力；伴随着GP T-4o的推出大模型在情感理解、对话连贯性等方面有所改善，未来生成式AI将提供更好的人机交互体验，预计大模型的实用性将大幅提升。 图11：GPT-4o输出与真人相仿的情绪 图12：GPT-4o通过视频识别人类情绪 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 5 资料来源：OpenAI春季发布会视频、天风证券研究所 资料来源：OpenAI春季发布会视频、天风证券研究所 2 谷歌I/O开发者大会 5月15日凌晨，谷歌在2024年I/ O开发者大会上发布了一系列AI产品，重磅级的发布包括轻量化的模型Gemini 1.5 Flash、AI智能代理Project Astra、视频生成大模型VEO、强大的AI搜索、视频生成模型Veo、第六代TP U Trillium等，Gemini 1.5 Pro的上下文窗口也从100万tokens升级到200万。 Gemini系列模型更新：谷歌发布了Gemi ni系列的最新AI模型Gemini 1.5 Flash，以及对Gemini 1.5 Pro模型的升级。如今有超过150万开发者在使用Gemi ni API。Gemi ni 1.5 Pro模型的上下文窗口从100万tokens增加到了200万tokens，能够处理更多数据，如2小时的视频、22小时的音频、超过60000行代码或超过140万个单词。 图13：超过150万开发者在使用Gemini API 图14：Gemini 1.5 Pro模型的上下文窗口达到200万tokens 资料来源：谷歌I/O开发者大会视频、天风证券研究所 资料来源：谷歌I/O开发者大会视频、天风证券研究所 Gemini 1.5 Flash模型运行更快、体积更小，更易于部署，支持处理多种类型的数据，专为开发者设计，具备与Pro相同的多模态功能和100万个token的长上下文窗口。 图15：Gemini 1.5 Flash特性 图16：Gemini 1.5 Flash性能评分 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 6 资料来源：谷歌I/O开发者大会视频、天风证券研究所 资料来源：谷歌I/O开发者大会视频、天风证券研究所 多模态AI搜索：谷歌搜索负责人Liz Reid宣布了一项重大更新，将AI技术更深入地整合到搜索引擎中。A I Overview主要强调多模态功能，新变革包括引入视频搜索功能，允许用户上传视频来展示他们需要解决的问题，Gemi ni技术将在互联网各处寻找解决方案。此外，谷歌的多模态搜索支持通过声音搜索歌曲、图片搜索产品，并结合视频内容进行搜索。 图17：跨知识图谱和网络获取组合信息 图18：通过视频向AI搜索提问 资料来源：谷歌I/O开发者大会视频、THE VERGE、天风证券研究所 资料来源：谷歌I/O开发者大会视频、天风证券研究所 AI智体Project Astra：是谷歌正在开发的一个创新AI代理项目，它通过智能手机摄像头来分析环境并与用户进行互动。Astra的核心功能包括记忆视觉和听觉信息以理解上下文，并快速响应用户的语音指令。谷歌特别优化了Astra的信息处理速度，并增强了其语音模型，使其交流更自然、无延迟。在演示中，Astra展现了其识别物体、理解场景和实时语音互动的能力，突显了其在增强现实和人机交互方面的实用性和潜力。 图19：Project Astra识别代码 图20：Project Astra识别手写内容 行业报告 | 行业动态研究 请务必阅读正文之后的信息披露和免责申明 7 资料来源：谷歌I/O开发者大会视频、天风证券研究所 资料来源：谷歌I/O开发者大会视频、天风证券研究所 视频生成大模型：谷歌发布了名为Veo的视频生成大模型，该模型能以多种电影和视觉风格生成超过一分钟时长的高质量1080p视频，并凭借对自然语言和视觉语义的理解紧密代表用户的创意愿景。为了帮助Veo更准确地理解和执行命令，训练数据集中每个视