一、GPT-4o模型基座：三种模态的混合模型，带来更大泛化能力
GPT-4o是文本、视觉和音频的端到端训练的一个新模型，这意味着所有输入和输出都由同一个神经网络处理。

对文本、音频和视觉三种模态统一进行混合训练，因而大部分数据都是通过无监督学习实现；相比过去拼接模型需要对视觉进行标注，混合模型在整体数据量规模上可以做得更大，进而带来更大的泛化能力。

二、GPT-4o奠定AI语音助手基础：低延迟+情绪感知+视觉感知
1、AI语音基础：接近于人类对话响应速度。

GPT-4o可以在短短232毫秒内响应音频输入，平均为320毫秒，这类似于对话中的人工响应时间，没有表现出丝毫延迟的视觉和声音反馈。

在GPT-4o之前，使用语音模式与ChatGPT交谈平均延迟为2.8秒（GPT-3.5）和5.4秒（GPT-4）。

2、情绪感知能力：情绪的感知是对语音一维输出模态的丰富。

GPT-4o不仅能感受到你的情感，还自带情绪和情感，并且用户可以随时打断AI的话，互动更加拟人。

3.视觉感知能力：适配AI手机、AI电脑和AI智能硬件。

手机端ChatGPT可以依靠手机摄像头和用户实时互动，如实时教人做题，观察房间、观察用户情绪；客户端ChatGPT能随时解决写代码、读图表等任务。

三、GPT-4o的进阶——控制中心：获得操作系统的权限，打造手机和PC的Agent
相比于网页端，手机端和桌面端可借助屏幕信息，实时跟踪用户动态需求。

在获得权限背景下可以进行更多的控制。

AI手机：如果未来能获得手机操作系统权限，如iPhone Siri权限，便可控制手机完成预置应用或第三方应用操作和控制。

重点关注和iPhone IOS18的合作进展。

AI电脑：发布ChatGPT桌面应用，尚不能下载，预计未来几周内广泛推出。

重点关注后续和微软的Windows系统的合作。

四、未来的进度：GPT-4o面向免费用户，普及“AI语音交互”
推广节奏：GPT-4o已向Plus用户推送模型，但展示的功能有待开放，后续关注免费用户推送。

未来几周内，将在ChatGPT Plus中推出带有GPT-4o的语音模式新版本，同时向API中的一小群受信任的合作伙伴推出对GPT-4o新音频和视频功能的支持。

五、投资建议 
建议关注：1、AI语音助手软件入口：腾讯控股；2、应用端：AI陪伴、AI陪聊、AI教育、AI游戏：汤姆猫、昆仑万维、世纪天鸿、宝通科技；3、多模态视频语料：华策影视、中广天择；4、AI语音助手硬件入口：AI手机、AI PC和AI智能音箱，小米、漫步者、国光电器；

风险提示 
AI发展不及预期、AI落地效果不及预期