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

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-4Turbo 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 TPU Trillium 等，Gemini 1.5 Pro 的上下文窗口也从 100 万 tokens 升级到 200 万。

GPT-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 OpenAI 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OpenAI未来模型将在多模态能力方面不断提升。同时，Google 在发布会上展示了其 Gemini1.5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。

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：S1110520110002lizeyu@tfzq.com

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-4Turbo 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，GPT-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

资料来源：OpenAI官网、天风证券研究所

图 2：OpenAI CEO Sam Altman 转发 GPT-4o 测评分数

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

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

资料来源：OpenAI官网、天风证券研究所

图 6：视觉理解测试结果


EvalSets	GPT-40	20244		Gemini1.0OUltraGemini1.5Pro	Claude Opus
MMMU (%)(val)	69.1	63.1	59.4	58.5	59.4
MathVista (%) (testmini)	63.8	58.1	53.0	52.1	50.5
Al2D (%)(test)	94.2	89.4	79.5	80.3	88.1
ChartQA (%)(test)	85.7	78.1	80.8	81.3	80.8
DocVQA (%)(test)	92.8	87.2	90.9	86.5	89.3
ActivityNet (%) (test)	61.9	59.5	52.2	56.7
EgoSchema(%)(test) 72.2		63.9	61.5	63.2

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）。 GPT-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

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ChatGPT，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 ChatGPT 分析代码的能力；首先将一段 Python 代码输入 ChatGPT，并让 ChatGPT 用一句话总结这段代码在做什么。ChatGPT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 ChatGPT 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

资料来源：OpenAI春季发布会视频、天风证券研究所

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

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 ChatGPT识别他当下的心情。GPT4-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，GPT-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GPT-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

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 TPU 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 Gemini 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 Gemini API。Gemini 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

资料来源：谷歌I/O开发者大会视频、天风证券研究所

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

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

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。AI 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，Gemini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

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频的字幕中增加了更多详细信息。此外，为了进一步提升性能，模型还采用了高质量且经过压缩的视频表示，使其运行更加高效。这些改进措施提升了整体的质量，并缩短了生成视频所需的时间。

图 21：Veo执行命令原理

资料来源：谷歌DeepMind官网、天风证券研究所

推出第六代 TPU—Trillium：TPU v5e 相比，Trillium TPU 的每芯片峰值计算性能提高了4.7 倍。高带宽内存 (HBM) 容量和带宽增加了一倍，并将 TPU v5e 的芯片间互连 (ICI)带宽增加了一倍。此外，Trillium 还配备了第三代SparseCore专用加速器，用于处理高级排名和推荐工作负载中常见的超大嵌入。Trillium TPU 可以更快地训练下一波基础模型，并以更少的延迟和更低的成本为这些模型提供服务。第六代 Trillium TPU 的能效比 TPUv5e高出67%以上。Trillium TPU 显著的性能提升将加速AI模型的训练过程，提高运行模型的效率，对谷歌的 AI 研发和服务有极大的促进作用。此外，领先的人工智能公司如Anthropic 也在使用谷歌的 TPU来训练他们的模型，进一步验证了 TPU 在当前AI研发领域的重要性。

表 1：谷歌4代、5代 TPU性能参数

	V4	V5e	V5p
Chips per pod	4096	256	8960

275

Chips Bf 16 TFLOPS 197

495 Chip Int8 TOPS N/A 394 918

HBM(GB) 32 16 95

HBM BW (GB/s) 1228 820 2765

ICI BW per chip (GB/s) 2400 1600 4800

资料来源：半导体行业观察公众号、天风证券研究所

图 22：Trillium峰值计算性能提高了4.7倍

资料来源：谷歌I/O开发者大会视频、天风证券研究所

3 OpenAI、谷歌模型横向对比

模型性能方面，OpenAI 占据领先优势。OpenAI 新发布的GPT4-o模型在MMLU（语言理解能力测试）中获得88.7%，在MMMU（多模态基准测试）中获得69.1%；无论在语言能力还是多模态性能方面GPT4-o均在所以模型中处于领先地位。谷歌模型家族中性能最强悍的是 Gemini Ultra，在 MMLU（语言理解能力测试）中获得 83.7%，在 MMMU（多模态基准测试）中获得59.4%；语言理解能力和多模态能力不及2023年11月OpenAI 发布的GPT4-Turbo。在模型能力方面，OpenAI 暂时领先于谷歌。

价格方面 Gemini 1.5 flash 具有较大优势。GPT4-o 在 API 使用方面，相比去年 11 月发布的 GPT-4-turbo，价格降低一半，输入价格为\$5/ 1 百万 tokens，输出价格为\$15/ 1 百万tokens。虽然 GPT4-o 在价格方面有较大降幅，但谷歌新发布的 Gemini 1.5 flash 更具成本优势，其文本长度128K 以下输入价格为\$0.35 / 1 百万tokens，文本长度128K 以下输出价格为\$0.53 / 1 百万 tokens。

表 2：OpenAI、谷歌模型横向对比

模型名称	发布时间	MMLU（语言理解测试）分数	MMMU（多模态基准测试）分数	价格（输入）	价格（输出）
GPT-3.5 Turbo	2022年11月	70.0%	N/A	$0.5/1百万 tokens	$1.5/1百万 tokens
GPT-4	2023年3月	86.4%	34.9%	$30/1 百万 tokens	$60/1 百万 tokens
GPT4 Turbo	2023年11月	86.5%	63.1%	$10/1百万 tokens	$30/1百万 tokens
GPT4-0	2024年5月	88.7%	69.1%	$5/1百万 tokens	$15/1 百万 tokens
Gemini UItra	N/A	83.7%	59.4%	N/A	N/A
Gemini 1.5 pro	2024年2月	81.9%	58.5%	文本长度128K 以下： $3.5/1百万 tokens	文本长度128K以下： $10.5/1 百万 tokens
Gemini 1.5 pro	2024年2月	81.9%	58.5%	文本长度128K以上： $7/1百万 tokens	文本长度128K以上： $21/1百万 tokens
Gemini 1.5 flash	2024年5月	78.9%	56.1%	文本长度128K 以下： $0.35/1百万 tokens	文本长度128K以下： $0.53/1 百万 tokens
Gemini 1.5 flash	2024年5月	78.9%	56.1%	文本长度128K以上： $0.70/1百万 tokens	文本长度128K以上： $1.05/1百万 tokens

资料来源：OpenAI官网、谷歌官网、context.ai等、天风证券研究所

4 投资建议

GPT-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，GPT-4o将在多个行业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。

我们认为：1）GPT-4o的发布代表了OpenAI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OpenAI未来模型将在多模态能力方面不断提升。同时，Google 在发布会上展示了其Gemini1.5 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。

分析师声明

本报告署名分析师在此声明：我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，本报告所表述的所有观点均准确地反映了我们对标的证券和发行人的个人看法。我们所得报酬的任何部分不曾与，不与，也将不会与本报告中的具体投资建议或观点有直接或间接联系。

一般声明

除非另有规定，本报告中的所有材料版权均属天风证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）及其附属机构（以下统称“天风证券”）。未经天风证券事先书面授权，不得以任何方式修改、发送或者复制本报告及其所包含的材料、内容。所有本报告中使用的商标、服务标识及标记均为天风证券的商标、服务标识及标记。

本报告是机密的，仅供我们的客户使用，天风证券不因收件人收到本报告而视其为天风证券的客户。本报告中的信息均来源于我们认为可靠的已公开资料，但天风证券对这些信息的准确性及完整性不作任何保证。本报告中的信息、意见等均仅供客户参考，不构成所述证券买卖的出价或征价邀请或要约。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果，天风证券及/或其关联人员均不承担任何法律责任。

本报告所载的意见、评估及预测仅为本报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。过往的表现亦不应作为日后表现的预示和担保。在不同时期，天风证券可能会发出与本报告所载意见、评估及预测不一致的研究报告。

天风证券的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。天风证券没有将此意见及建议向报告所有接收者进行更新的义务。天风证券的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。

特别声明

在法律许可的情况下，天风证券可能会持有本报告中提及公司所发行的证券并进行交易，也可能为这些公司提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。因此，投资者应当考虑到天风证券及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突，投资者请勿将本报告视为投资或其他决定的唯一参考依据。

投资评级声明

类别	说明	评级	体系
股票投资评级	自报告日后的6个月内，相对同期标普 500 指数的涨跌幅	买入	预期股价相对收益20%以上
		增持	预期股价相对收益10%-20%
		持有	预期股价相对收益-10%-10% 预期股价相对收益-10%以下
行业投资评级	自报告日后的6个月内，相对同期标普 500 指数的涨跌幅	卖出强于大市	预期行业指数涨幅5%以上
		中性	预期行业指数涨幅-5%-5%
		弱于大市	预期行业指数涨幅-5%以下

天风证券研究

北京	海口	上海	深圳
北京市西城区德胜国际中心B	海南省海口市美兰区国兴大	上海市虹口区北外滩国际	深圳市福田区益田路5033号
座11层	道3号互联网金融大厦	客运中心6号楼4层	平安金融中心71楼
邮编：100088	A栋23层2301房	邮编：200086	邮编：518000
邮箱：research@tfzq.com	邮编：570102	电话：(8621)-65055515	电话：(86755)-23915663
	电话：(0898)-65365390	传真：(8621)-61069806	传真：(86755)-82571995
	邮箱：research@tfzq.com	邮箱：research@tfzq.com	邮箱：research@tfzq.com

天风证券-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-240522.pdf