GPT-4o 只是对话式 AI 的冰山一角，背后隐藏了哪些新机会？

本节目由津津乐道制作播出，

没有异议。

误工费，

大家好，

欢迎大家收听编码人生编码人生是一档由津津乐道播客和 it 开发者社区联合推出的技术播客。

那我们在这档播客当中会去聊开发者的生活，

工作和事业。

当然也包括现在一些比较流行的话题，

我们会邀请我们的嘉宾来给大家分享一下他们对于这些些流行的关键词，

这些重大的事件的看法，

也从他们的视角来给我们的听众大家一些建议。

然后呢，

今天呢来参与我们录制的嘉宾呢有四位，

分别是张栋 speechgpt 的作者。

好，

大家好，

我是张栋。

首先非常感谢这次编码人生的组织和邀请。

然后我现在是复旦大学自然云处理实验室的一名硕士生。

然后主要研究方向是语音大模型的构建以及优化以及应用。

在过去的一年中，

然后我主要做了 speechgbt 一系列工作。

speechgvt 它是一个端到端的语音对话大模型，

然后和 gpt 四 o 的呃语音功能实现是比较类似的。

同时我也在语音大模型上作为一系列比较有意思的应用用，

然后以及探索。

好，

谢谢大家。

对，

张总在这里面额外追问一句啊，

就是你看你是发了 paper，然后做 speechgpt 对吧？

结果就在不久之前，

这个 gpt 发了自己的发布会上来给你来了一波，

我们已经好了。

你心里如何感觉对我这个感受是非常真实的。

就是我当时看了他的那个发布会，

然后他放那个 demo 的时候，

我看完的时候心就感觉凉了一半了。

说这其实就是我一直想做的效果，

然后但是他们啊已经被他们做出来，

而且还是 open，也已经把我想象到的没有想象到的功能都做出来了。

所以当时那一晚上基本上都没有怎么睡好，

这是最直接。

但第二天早上起来，

我突然一想，

我觉得一方面是我想做被他们做的，

另一方面是 openai 把我的工作也带到了一个可能之前没有的高度吧。

因为他的关注度，

因为现在 openi 其实就是风向标嘛，

他们做的东西一定是大家最关注的东西啊。

他现在把语音其实提到的一个在大模型时代从来没有过的一个高度。

然后也是让 cbg 就我们组的这一系列工作得到了呃很高的的一些关注。

我觉得这时候其实对于我来说是一件好事，

是也是一个新的机会吧。

对，

大概这样其实反正一方面呢是我能做的东西，

结果发现别人已经做的更好。

但是另一个层面呢，

你的配置还是发了成功的。

可能未来其实大家做这个方向都要引一引你的 paper。

对，

是的是的，

从这个视角上来看，

的确收益还蛮高的对，

是是这样的。

好，

然后我们今天的第二位嘉宾呢是王乐，

他是 phootoy 的创始人，

也是一个 ai 陪伴对话的玩具的创业者。

大家好，

感谢编码人生，

邀请我来参加这个播客节目，

我是 toy 的联合创始人，

再给小朋友们做 ai 对话玩具。

ok 呃他的介绍比较简单啊，

当然呃我们先其实今天邀请他是有一些原因的。

就是网络其实在推特，

也就是现在的 x 上，

其实发了很多他自己做的这个 phototwo 的这个套件。

然后我其实也会关注到他做了很多很有意思的尝试。

他在在整个的过去的一年里面，

时间其实做了大量这方面的探索。

我觉得今天其实一个很好的机会，

因为我们过去其实在 gpt 四 o 出来之前，

我们其实也可以做类似实践。

但是在今天这个时刻，

当四 o 真的出现了，

他真的给我们带来了这种音频的理解能力以后，

那从他的视角其实他是那个最直接感受到震撼。

因为对于我来说，

我可能我搞这个 agi 的相应的方向，

但我其实没有那么深入到音频，

我可能还是沿着我过去工程的思路。

我先 asr 我先做一个语音转文本，

然后我就去大模型补嘛。

但他作为一个真的在这干这件事的人，

他能够给我们输出更多更加深刻的想法。

然后这个是我觉得今天他能够给我们大家带来的东西。

好，

那我们最后一位嘉宾来给大家自己介绍一下。

嗨大家好，

我是李新伟，

是深网的 aigc 算法工程师。

然后现在深网主要负责一些大元模型的微调训练以及 prompt 的开发工作。

然后同时也是 rte 社区的布导师。

嗯，

其实编码人生我已经是二进攻了，

就是肯定很多听众已经知道我。

然后上一次来的时候，

我还是那个哈云 face 的那个成员之一，

然后很高兴就是编码人生再次邀请我能够在这里跟大家再聊一聊。

就是我在开发过程当中和客户交流过程当中，

关于 gpt 或者说那项啊实时的端到端的音频方面的一些应用。

嗯，

对大家如果对于新伟的之前的节目感兴趣呢，

也可以在各大音频客户端搜索编码人生，

然后找我们历史的节目，

然后来听新伟的这期这个历史上的节目。

那我们接下来来聊一聊 gpo 啊，

毕竟我们今天这个 topic 其实也是因为 gpso 而起的。

在不久之前，gp 四 o 呢他发了他的这个新的模型，open 一 i 发了他这个 gp 四 o 的这个模型。

然后我们在这个模型当中呢，

我们会看到说和过去不一样。

它现在给我们带来了很多新的东西。

比如说音频能力，

这个也是我们这次看到最多的。

当然还有一些可能不是新的。

比如说在那个 gp 四 vien 那个版本，

我们就看到的这个对图片的理解能力。

我们其实看到。

但是当时大家还没有看到这么具象化的一个，

你拿出手机跟他对话，

然后你在上面去写字，

他就能够去识别的这个概念，

我们过去是看不到的。

在这一次他给我们看到这些东西，

那大家有没有什么在整个发布会过程中非常印象深刻的版本，

或者说哪些 demo 让你觉得说哇这个东西是我完全没想过，

或者我就原来这个事儿还可以这么干。

对我觉得呃张栋你要不要先说说你，

因为的确你作为一个写 paper，然后还是有很多想法，

结果被别人给实现了。

你可能你是会有更多的这个想法，

你可以跟大家你自己看整个整个发布会，

然后里面的一些细节就让你 wow 这些片刻。

好的好的，

其实当时看那个发布会，

最让我感觉印象深刻的就是他会对 gpd 四 o 说让他以一个呃类似话剧，

或者以这样的一个身份，

以这样的一个音色然后来和他交流。

然后他说出就是用那个话剧的风格，

说出来之后，

他还是说还不够话剧，

你可以再更话剧一点，

他就真的更像了。

然后再有一个就是他其实在一轮对话中，

他又说能不能以歌唱的方式说出来，

然后他就真的唱出来了。

其实这个是就从技术实验来说啊，

就是我对于我们的 cvgvv 二，

我当时就一直想做，

就是在多轮对话当中完成这种云信号处理任务的一些。

其实这就是一个比较传统懂的做了很多这种音色转换任务，

就把你的音色可能转换成其他的风格或转换其他人的声音。

这其实就是一个非常标准的一个 task 在语音处理里面。

但是他就这样以 conversation 的方式非常自然的让它实现了。

所以其实这一点是就是最让我感觉心动就是我一直想做的东西。

然后其实从这个角度看，

他这就是一个能和你对话的一个工具箱。

因为你可以让以对话的方式让他你可以不断给他提需求，

不断让他修改。

我觉得这个是非常好的一个功能。

明白其实这里面的转化的确很 amazing。

因为我们说这个音色转换，

大家其实作为一个工程师，

大概都能够想到说我们自己如果真的要做，

我们其实也能做。

但是它如此流畅，

而且在整个对话当中，

你没有任何这种停滞感的做出来这个事儿让人真的感觉说这可能是我们跨过了某一个节点，

然后我们得到了新的东西。

对，

完了你作为这种呃 ai 陪伴的这种玩具的创业者，

你看到你有什么觉得说让你和觉得觉得 amazing 的这样的一些产品，

或者是瞬间可以给大家分享一下。

呃，

我在看那个发布会的过程中，

其实我一直在觉得啊这个东西如果我们的玩具上就能用，

那该多好。

然后首先是对它那效果是感到震惊。

然后另外就是说我觉得可能我们在做这个硬件陪伴玩具这个产品上，

可能又会带来一次体验上的提升。

然后等到他的发布会结束之后，

其实我是一直在等着。

哎，

我我得去用一用它的模型啊，

用用它的接口。

然后最后却发现其实跟他发布会里面发布的那种效果是差距还是蛮大的。

然后其实我就在去思考嘛，

我说如果我们在工程这个角度上来说的话，

因为站在用户那个角度，

他其实并不去完全的知道这是一个多模态呀，

还是一个是通过工程嗯的方法来实现了这样的一个效果。

然后我就觉得一个是我们可以在工程的角度把我们的体验可以再提升提升。

然后一个是它的延迟啊，

然后还有一些音色的效果。

然后另外就是我也去尝试去找一找有没有其他厂家，

还还有一些开的，

或者是有有一些学术的论文，

也在这个过程。

我又找到了那个张诺，

看到了 cbgbt。

所以我我就觉得哎这个不仅仅是 openni 他在做这个方向嘛，

其实应该是呃也有其他的人，

大家都很认同这种多模态的这种呃效果。

然后我就是非常的觉得哎，

如果这个东西能够让所有人都能用起来，

那我们这个产品的体验一定会变得更好。

明白新伟，

你觉得有什么让你会非常 amazing 的瞬间吗？

嗯，

那肯定就是大家对于这个发布会其中最最关心的一个问题，

就是他做到的这么一个延迟极低的这么一个效果。

但是我可能跟就是普通就是会就是跟我们的听众对于这个延时的就是敏感程度可能还稍微有点不一样。

因为就是比如说我举个例子啊，

他在那个发布会现场过程中演示了其中一个实时翻译的这个功能。

我正好就是在这个发布会，

大概前两天开始在那就是跟我们公司的一个项目组，

然后一起在做一个这么样的一个事线，

就是接类似于像 gpt 三点五这样。

然后在那个线上网络直播的一对一，

或者说一对多的过程当中，

做这么一个实时翻译的这么一个功能。

那么实验方式也是很经典的，

就是 sd 加加规规播文加 dds 过程。

然后又说到一个问题，

因为它是实时翻译嘛，

所以它的这个延时问题会非常的非常的敏。

应该因为我们知道，

就是在网络的交互过程当中，

其实这三个阶段最最花时间的是 language 网络推本身。

然后再接下来就是你因为调用了三个不同的接口，

那就是中间的网络延迟和那个因为你处理了一个模型，

然后再把它放另一个模型。

然后等到几个之后，

就中间的时间消耗会很多的消耗。

在这样的中间就是是类似于这样的胶水路径上面。

然后这就限制了你在 languagemodel 本身为了比如说你想用更长的更优秀的 prompt，然后来对翻译质量做优化。

或者你可能要考虑到的翻译过程当中有一些小语种啊，

或者就是有一些特殊的场景。

比如说他可能聊的是某个游戏，

或者聊的是某个更具体的场景，

你可能会考虑用用 rg 的方式做个增强。

但是一旦你要考虑到延时这个问题，

这些你都没法做。

所以就是这个模型本身在没有加任何的 sct 或者 tes 的情况下，

然后能把语音的端到端输入，

把那个时间压缩到这么短。

就使得我们在就是满足客户需求方面，

就是在单位的 model 本身，

我们有了更多的可能性。

我们可以用 languagemodel 玩，

更多的类似于比如说 agent 的用法呀，

就是 rg 量速度增强的用法呀。

包括我是不是可以呃，

如果我接的是一个那更广泛的一些接口的话，

是不是还能够提供？

就是在这个过程当中，

让他拥有更多功能这么一个玩法。

所以延时的一个大大的降低。

我觉得是这场发布会的核心的，

你们说是卖点吧，

应该是它的亮点之一。

明白，

其实过去我们可能需要在本地跑小模型才能达到的效果。

现在你会发现说在 gpt 他们这种生产，

而且是消费级的产品上已经做到如此大的效果，

其实对于我们来说还是蛮有震撼的。

以前可能我们已经觉得说模型可能就是真慢了，

我们已经坦然接受。

结果。

他今天告诉我说，

不那个只是上一波这波非常的快哦，

你可能过去你没办法做到这种类似于实时的感受。

现在到了今天，

我们发现说哇哦原来还真的可以这么实时哦。

那很多东西可能其实就可以重新再设计一版。

对，

这个其实也和我最早就是因为我自己本身也是 ite 社区的布老师嘛。

然后我其实一直跟很多人说，

我为什么我很喜欢这个概念和原因是说我们大家其实很难想象到到说，

如果一个信息它从一个过去不能实时的东西变成一个实时东西，

它可能会带很多价值。

那 gpt 四 o 的这个新的发布会，

其实给我们一种感觉，

就是过去大模型我们都觉得说它很慢。

现在我们看到说它其实可以很快的，

它可以改变我们很多思考也好，

形式的风格也好。

对，

其实我们刚才三个嘉宾其实聊的这些内容啊，

其实都会有一个共同点。

就是我们会发现说我们其实关注的是整个对话，

不管是它里面对话的音色的变换，

还是这里面的一些工程的结合，

甚至说它的这个对话的呃速度。

其实我们归根到结底，

我们关关注的是说 ok 它是一个语音的多模态和它整个对话这个行为。

而张栋你其实在 speechgpt 这个文档里面，

其实提到了说 conversationai 这个概念。

其实你会提到说，

那我们可能想要提升用户的体验，

那加上这种音频能力，

或者像人的对话，

这个事儿是一个必经的之路。

那从你自己的视角来看你觉得说，

如果我们今天想要实现一个类似于像 her 那个电影里面的这种对话式的 ai 的形态，

那我们都需要做哪些事情？

以及 gtso 在这里面做了哪些事情。

假设我们今天一个开发者真的他想去做一个 her，那他还需要做哪些事情，

你可以给大家分享一下。

就是从你的视角看法嘛，

就是 conversationai。

我觉觉得这个一个核心就是 wholeman，like 就是让他如何就是更加的像呃人一样。

我觉得这也是 opena 他们产品化一个路上的一个核心的一个观念吧。

就从 gpt 三或者到拆 gpt，然后再从现在的 gpt 四到 gpt 四 o 所以 humanlike 就是他们一个核心，

我觉得从语音的层面上来说，

实实现 humanlike 我觉得可以分成三个吧。

这也是我觉得 gt 四 o 的呃三个很大的优势。

第一个就是那种情感智能，

就他能感受到用户的情感，

并且能把这种情感以合适的方式表达出来，

或者一些语音韵律的一些升降，

或者是一些声调，

就是语速的这样的，

他能把这样东西很合适的表达出来，

这是第一个。

然后第二个的话就是它会有一些除了那种文字内容之外，

它会有一些其他的一些声音。

比如说笑声，

比如说甚至会有他呼吸的声音，

或者说咳嗽的声音。

或者说呃我在对话的过程中，

对方可能会有一些我们在科研上叫 bikechannel，其实就是一些嗯对是的，

继续说就这样的回应。

其实这也是对于提升用户体验来说是非常重要的东西。

然后这些东西在他们也是就是能够端到端的就 ggpcfor 能够端到端的，

把这个东西建模的比较好。

我觉得也是非常重要。

因为以前的比如 gts 系统，

其实对于这些笑声呼吸声，

甚至会有一些困的时候，

或者哈欠声。

这些其实都没有见过就是系统的讲这个东西，

建模这个东西的。

然后第三点我觉得就是低延时，

就是他能在三百毫秒之内就给你出来回复，

就是人是感受不到那个他犹豫的这个东西的。

然后我觉得这个也是提升用户体验一个非常大的优势。

所以总结三点，

第一个就是情感智能。

第二个就是这种非口头就是非内容之外的一些声音的回应。

然后第三个就是低延时，

我觉得这三个点是比较重要的对，

就是他能够感知到我们在这个发言当中的一些情绪，

或者这些隐含的上下文这个事儿非常重要。

因为我们可能过去语言转文本，

其实你转到文本的时候，

你已经压缩了。

对，

对你丢失这些信息。

再一个就是我们说整个对话过程中很像人的部分。

因为比如我可能我说着说着我也得停那么一下子。

对对对，

但可能我们过去的 tts 其实大家做不了这个事儿，

大家就是一个字一个字出。

对，

然后最后一下就是大家能够很好的去 d 验室去沟通。

那这个部分呃网络自己你作为这样的一个工具的制造者，

或者说这样的一个陪伴产品的缔造者。

其实你过去也实现了类似于说这种 hard 的体验。

当然你可能你用的不是 gtso，你其实是这种传统的工程的方式去实现嘛。

那你自己过去肯定也会遇到这个问题。

因为你作为一个给小朋友做的这种陪伴性的产品，

你也必然要解决说这种陪伴感的问题。

因为我们作为成年，

我们听的那个声音，

我们可能我们还可以忍一忍，

对吧？

我们觉得说哎小爱傻傻的小爱我们可以忍，

但是对于小朋友来说，

他是更加敏感的。

你们是怎么去解决？

说让对话感更真实。

这个东西你有没有什么一些小的 tricks 或者一些小的技巧可以分享给大家的？

嗯，

好的，

嗯，

其实是就里面是有一些呃就是就我在做这个产品的时候啊，

其实也遇到过比较有意思的事情。

就是我在几个月之前嘛，

我们有一次把我们一个产品就把我们小兔子放在桌子上面嘛。

然后我就很无意识的，

就那时候喉咙里不舒服，

我就咳了一下，

咳了一下，

我们的兔子识别出来了。

识别出来之后，

他马上就回复我们说啊，

你是不是喉喉咙不舒服啊，

是不是要注意一点，

是不是要去医院看一看？

当时我们的同事在办公室都觉得很震惊。

其实就像刚才张总讲的那样，

就是我们在语音转成文本的时候，

其实是很多的信息。

尤其是像这种表示一些呃情绪或者状态的这种信息。

它是没有办法用呃 tts 这种东西，

把它直接就用文字来表示。

但是少量的比较像咳嗽啊，

它确实可以用咳可可用这样字来表达一下。

当时我们就非常震惊于这一点。

那时候我们就在想啊，

那如果我们能够把这个所有的这种有一些代表人的情绪的这种状态的，

不仅仅是通过这种发声的语言，

能能够表达出来的东西，

都能够让大模型学到，

然后他再输出。

那这个东西可能是更强的。

这个玩具。

对于小孩子来讲，

在我的观察来讲，

他可能并不是像我们那样那么的追求。

真啊，

有可能因为我家小孩在用的时候，

他在在玩这个玩具的时候，

他可能就是就已经在无意识的去会跟他去对话。

他就算他不说话，

他也会跟他说啊。

比方说他的网断了，

他就会说啊，

你不用着急，

然后我叫我爸爸来给你连一下网，

他们就已经有这种，

就算他不说话，

他也会跟他去对话。

其实小孩子我就感觉他其实对于这种非常逼真的这种 howe，like 可能并不是那样特别的需要。

这也就是他让他们去呃，

他们为什么会喜欢看动漫呀？

动画片哎呀，

其实都是感觉不是太真实，

他们觉得就是比较简单的那种语言，

我觉得是他们可能就已经觉得还蛮好的了。

但是对于我们成人来讲，

我觉得可能是更真实一点，

可能会会更大家觉得会更更神奇。

有这种感觉啊，

明白其实对于小朋友来说，

他们因为对这个世界理解还没有那么深，

所以他们或者不像我们能够非常明确的区分出来，

这个是机器，

这个是人类，

对吧？

对对对，

这个可能是一个很大的不一样的。

那除了这些，

就是从你自己做这个活口。

兔来的话说，

呃，

你真正给小朋友用的时候，

有没有发现一些什么很有意思的互动，

或者说是别的一些。

你觉得可能过去你没有办法想象的一些情况的。

出现这个事情我就感觉首先我做这个玩具这件事情吧，

它是完全的在于我们技术的一个升级，

一个迭代。

在以往如果没有大模型这套东西，

这个玩具是不存在的。

所以我们在这个玩具做出来之后呢，

其实给小朋友带来的更多的帮助是在于让他们也是呃可以能够接触到这个大模型本身。

嗯，

然后我们用一个比较他们可以接受的这种交互的形式，

就语音对话这种形式，

让他们就能够去跟我们现在这种大模型的技术去交互，

去熟悉他们。

我觉得这一点是非常非常的重要。

然后另外就是说这大模型的本身它是蕴含着大量的知识的嘛。

然后另外我们再结合 tts 的这种呃 stttts 这种技术是可以让我们的小朋友可以甚至可以呃生活在一个多语言的这种成长的环境的。

你可以用 ai 营造一种这种多语言的生长环境给他们，

我觉得这是非常重要的一点。

说起这个，

我突然想起来就是我们一直都在，

大家就是我们一直在学英语嘛，

搞工程的大家都在学英语。

这么一想，

感觉未来给小孩子去构建一个这种英语学习环境会简单很多。

因为你真说让我们自己，

比如平时在家里去跟小朋友去讲英语，

可能是一个困难的。

但是借助这样的 ai 工具，

我们可能未来小朋友学英语会更简单。

不像我们现在可能大家都是到了小学中学才开始看英文书，

然后开始去学音标。

但未来可能小朋友可以借助一下火火兔这样的工具，

可以直接去跟他去对话。

对，

这个我觉得其实还蛮有意思的。

新伟，

刚才你也去玩了这个火锅团，

你自己感觉如何？

你有什么想法，

或者说你觉得他哪些是让你觉得很惊艳的点啊，

我觉得真好玩。

就是其实我我想补充一下，

刚刚你提到的就是 humanleg 的级别。

对于成人和小孩子来说谁更重要的这么一个。

其实我正好觉得反过来的就是 humanleg 对成人更重要，

对于小孩来说其实没有那么重要。

为什么呢？

就是我相信很多就是听课家里面的小孩子有很多那种就是包括自己可能有过，

就是那种想象不存在的朋友那种东西。

什么原因呢？

就是小孩子的大脑的活跃程度会比成人的高很多，

然后他的想象力也比成人高很多。

他只要接触到一个就是有一丁点就是有智能迹象，

或者说有生命迹象的这么一个东西。

存在的时候，

他就会通过自己脑补的方式，

把他就所谓的 humanlike 的方式就非常的扩大化。

也就是说他肯定给他来自可能对于小朋友来说一的这么一个特别 like 它能自己放大到成百上千倍。

所以就是一个即使我们成人听起来音色还不是这么真实的这么一个玩具，

也能够对小孩就是有一个非常好的这么一个成长的陪伴的这种效果。

你反而对成人来说，

就像我们最近做的很多就是给 aigz 的客户做那种线上的情感陪聊啊，

然后就是真人的可能是在线教育啊，

就是这种他们对于音色要求非常高。

就是如果你的 tds 出来的东西有一点机械音，

他们会想哎，

有没有什么更好的 tts 东西，

我们想听点更像真人的呀。

我可能有海外客户就是说讲哎，

你这个英语或者阿拉伯语的发音不够地道，

也没什么更地道的这么一个东西啊。

所以就是成人对于 humanlike 的要求是非常高的这么一个东西。

所以我在看到就是 follow 的这一个东西之后，

就是其实对我来说就是非常震撼一个东西。

就是刚刚那个我们 cbcd 作者提到的就是他的那个音色和它的那个断句，

还有就是交互做这个方式，

非常 humanlike 的一个东西。

对于成年人的世界是一个非常好的一个极大的补充。

就是其实我们是之前在优化整个产品线的时候，

虽然我自己是可能更多集中于 languagemodel 中间这一块就是后面音色的合成那块。

我不是接触太多，

但是我能看到我们整个产品的设计过程当中非常大。

他的一部分精力其实放在后面那个如何让他的说话方式更像真人来的这一部分上的。

所以这部分确实非常的惊艳到我，

然后就回到刚刚就是那个玩具的那个方面嘛。

就是其实不光是小孩的玩具，

就是小孩的玩具，

也要成年人有成年人自己的玩具嘛，

就是你可以是模型啊，

是可能是交圈教老啊，

知道是吧？

就是从各种各样的就是嗯可能不能说是简单的说是玩具吧，

就是一种用来娱乐的方式来看。

就是这边已经有一个很好的例子，

就是给一个小孩子的这样的一个交互式玩具，

怎么样通过 languagemodel 来追问他。

那么扩展一下之后，

我们是不是还可以有一个给成年人的娱乐方式。

比如说等现在就不是经常说就是九零后的人长大了之后，

有钱了之后，

对于娱乐和玩具的消费，

其实是更有自己的追求了。

所以这方面的东西，

我觉得未来对于就是刚刚进入成年人世界的这一批九零后已经实现，

应该是零零后九零后已经沉淀好久了。

这样的一个娱乐的消费级的玩具啊，

或者其他消费娱乐品的东西的那个迭代和进步啊，

是一个非常好的一个知识。

嗯，

明白，

其实你刚才也引到了一个很重要的话题，

就是现在我们会有很多商业的机会。

那你刚好呢你又是在声网，

然后去做相关的这些和呃 conversationai 相关的工作，

对吧？

那肯定今天要灵魂拷问一下，

你就是你接触过这么多客户。

你觉得说现在有哪些场景是比较新奇的，

或者说是大家需要的。

然后包括在这个过程中，

你跟客户去聊的时候，

你会觉得说客户对于说这种 conversationai 的诉求主要是哪些？

那当然刚才你其实也提了说呃，

大家会需要极极强的这个 humanlike 那除了这个以外，

还有什么呢？

有没有什么别的东西大家没有被满足的，

或者说哪些事情是我们已经满足的非常好的，

甚至已经超过了用户的预期。

我觉得你可以给你从这个行业给到的一些观察，

就是你看到大家是怎么做的，

包括大家的一些需求。

看看说嗯我们今天的听众的同学们，

大家如果有一些想法，

是不是也可以像这个网络一样出来去做一些东西，

看看能不能让我们整个生态变得更好玩一点。

从去年下半年就是是整个 aigz，或者说更 supercp 一点，

就是 languagemodel 火起来。

然后到现在目前这个市场上的很多玩法，

或者说是风向，

更偏向于以尝试为主。

就是以我观察到的各种客户来看，

就是你现在很难说具体哪一个赛道，

或者说具体哪一一个东西一定能够挣到钱。

就是这主要是受到两方面的限制。

一方面限制就是本身烂规矩，model 是一个很拼资源，

很拼成本的这么一个市场。

就算你是一个终端的一个开发者，

就是别人已经提供给了你好 base 模型。

你只要接着他做开发的，

但实际上因为调用 api 之前是一个很贵的一个事情，

而且是越好的模型越贵的这么一个情况。

所以这条赛道它的成本本身可能会限制到一些东西。

另一方面就是我们这个地球上的这个人类世界，

到二零二三年到二零二四年，

这个很多市场对于这个东西还处于一个尝鲜的状态。

就是大家不是很信任，

对于 ai 的这方面一个东西。

有的时候有些人会觉得他进步太快了，

就会有很多道德伦理方面的一些考虑啊或者什么之类的。

然后另一方面就是单纯可能对于这个市场能够玩些什么东西还不太了解。

因为经常我自己嘛，

虽然是就是一个算法工程师，

所以我每天二十四小时，

我可能现在已经有十个小时是在 aigc 的工具的陪伴下一起在工作。

但是对于生活中的很多普通人来说，

就是你们都说是普通人吗？

就是不在这个行业的人来说，

就是他的生活。

我们知道他已经被很多改变了。

但是这些改变有可能是潜藏在水下面的，

就是他还没有具具体的体会到，

就是哪些已经被改变了。

所以他就是对于这些来说，

其实才是市场的主要方向。

所以这两个东西其实稍微有点限制，

然后这两个限制我们先不说，

呃，