Echtzeit KI: Was GPT-4o alles kann (3min-Impuls)

4O ist ein multimodales Modell, d.h. es beherrscht nicht nur Sprache und Text, sondern auch Bild und Video. Das neue Modell, GPT 4O, so nennt es sich. Und das Besondere an diesem Modell ist, dass es ein multimodales Modell ist. Es steht jedem kostenlos zur Verfügung. Ihr braucht dafür kein Plus-Account mehr, ihr braucht kein Pro-Account mehr. Ihr müsst euch nicht mehr 25 Dollar dafür bezahlen. Es ist nur von der Quantität der Interaktionsmöglichkeiten limitiert. Ihr habt dort nur 10 oder 15 Promts für 3 Stunden. Für die bezahlte Version hast du dann 80 Promts. Und wenn du in der Team-Version unterwegs bist, das ist bei uns der Fall, weil wir haben ja hier Mitarbeiter und dort haben wir ein Team auf ChatGPT, was nochmal besondere Vorteile bietet. Da bist du dann nochmal doppelt so viel. D.h. wir haben ungefähr 160 Interaktionsmöglichkeiten für 3 Stunden. Und an das Limit kommt man selten dran. Nur wenn du anfängst mit der KI zu interagieren, wie die das ja alle machen, nämlich mit der Sprache durch die App, bist du in der Lage, natürlich viel mehr Sätze zu sagen. Die Interaktion ist viel flüssiger, weil das Tippen in die Tastatur wegfällt. Und damit natürlich auch die Grenze dessen, wie schnell man dann diese Grenzen erreicht hat, schneller erreicht sind. Wir erleben das immer wieder bei uns in den KI-Masterclass-Programmen, dass da der ein oder andere mal postet, ich muss jetzt mal spazieren gehen oder ich muss mich mit etwas anderem beschäftigen, weil ich mein Limit wieder erreicht habe. Und die durch diese kostenlose Variante natürlich auch den Markt breiter machen und in die Marktdurchdringung gehen und nicht mehr die guten Modelle, die einen Frust machen, weil 3.5, das alte Modell, hat doch bei dem einen oder anderen Frust ausgelöst bei den Ergebnissen, die es erreicht hat, dass jetzt das neueste Modell, das fähigste Modell, was übrigens auch die doppelte Geschwindigkeit hat, das werden wir gleich sehen, wenn wir hier das ein oder andere mal prompten, die Geschwindigkeit ist krass, was das ausmacht. Und damit auch diese Dialoge möglich werden, die wir hier erleben dürfen. So, wir gucken mal rein, dauert auch, ich glaube, anderthalb Minuten und ich hoffe, ihr seid des Englischen mächtig, ansonsten werde ich zwischendrin immer mal wieder kommentieren. So, das Erste, was ihr hier schon seht, er spricht über seine Kamera mit der KI. Das passiert alles in der App, die jetzt übrigens nicht nur auf dem iPhone, sondern auch auf dem Mac gerade ausgerollt wird und ist in der Lage, 4.0 ist ein multimodales Modell, das heißt, es beherrscht nicht nur Sprache und Text, sondern auch Bild und Video und ist in der Lage, das bewegt Video von dem, der da jetzt sitzt, mit dem Hoodie zu interpretieren und reflektiert sofort, was er anhat und mit welcher Energie er gerade mit ihr spricht. Das ist das, was die KI dadurch, dass diese Multimodalität, also mehrere Medien, nämlich Hören, Sehen und Sprechen, das sind schon mal drei Sinne, das Schmecken und das Tasten, das haben wir jetzt mit dem iPhone noch nicht, aber dass drei der wesentlichen Sinne hier miteinander verbunden sind. Ja, das heißt, er hat gerade reflektiert, Chat-GPT, wie der, der da vor ihm sitzt, aussieht. ...might be doing, based on what I'm showing you here. From what I can see, it looks like you're in some kind of recording or production setup with those lights, tripods and possibly a mic. It seems like you might be gearing up to shoot a video or maybe even a live stream. Ja, in fact... Also, er hat gerade seinen Hintergrund gezeigt und hat Chat-GPT gefragt, was glaubst du denn, was ich hier gerade tue und aufgrund dessen, was durch diese schnelle Bewegung Chat-GPT erkannt hat, hat er gesagt, es kann halt sein, dass du gerade so eine production machst, dass du irgendwas aufnimmst, dass du in irgendeinem kind of recording setup bist und dort was aufnimmst. Und das halt nur durch diese schnelle Bewegungen, die allein durch die Kamera dort mit reinkommen. Und das Zweite, was sie erkennen durfte, ist die Sprachtonalität der Wiedergabe der Sprache. Man kann es mal unter uns sagen, es hört sich fast an wie ein Mensch. Das heißt, die Emotion, die die Stimme ausstrahlt und auch das, wie sie ihn mitnimmt oder jetzt auch uns vielleicht mitnimmt, war so in der Form noch nicht verfügbar. Also vor dieser Veröffentlichung. Me? The announcement is about me? Well, color me intrigued. Are you about to reveal something about AI? Or more specifically about me as a part of OpenAI? You've got me on the edge of my... Well, I don't really have a seat, but you get the idea. What's... Ja, lass das mal einsinken. So, was haben wir gerade gesehen? Ja, wir haben gesehen, dass... Wo ist es? Warte, warte. Wird es ausmachen hier? Da kommen wir gleich zu. Was haben wir gesehen? Wir haben gesehen, dass die KI in der Lage ist, nicht nur Bilder zu analysieren, wie wir das hier auch schon gemacht haben, sondern in der Lage ist, Videos oder Bewegtbilder in Echtzeit oder nahezu Echtzeit zu interpretieren, damit umzugehen. Und es wurde jetzt nicht gesagt, Birgit schreibt natürlich auch schon erschreckend, ja, wir dürfen damit umgehen. Ich sage immer, fokussier dich auf das, was du verändern oder auch beeinflussen kannst. Ich glaube, da sind dann andere Instanzen gefragt, um das, was damit vielleicht auch passieren kann, entsprechend zu reflektieren. Wir schauen auf das, was dadurch möglich ist. Und ist das wirklich Bewusstsein? Ich würde sagen, es sind erste Ansätze, minimal. Ja, wir werden das noch in einer ganz anderen Form erleben in den nächsten ein, zwei, drei Jahren. Da werden wir uns, glaube ich, alle noch umschauen dürfen. Bewegtbilder zu analysieren, zu sprechen, zu hören. Jetzt stellt euch vor, das in einen Humanoiden, stellt euch das vor in einen Roboter. Ja, wir haben das teilweise ja auch schon im Internet gesehen. Da gab es schon erste Versuche natürlich damit, auch von OpenAI. Damit sind schon mal drei Sinne, und zwar nahezu in Realtime drei Sinne, abgebildet von fünf, die wir zur Verfügung haben. Und dass diese KI jetzt hier am iPhone und am Mac nicht riecht bzw. nicht spürt, liegt allein daran, dass diese Fähigkeiten in dem Smartphone halt nicht eingebaut sind. Aber die Fähigkeiten, das zu tun, sind heute auch schon existent. Und damit hast du alle fünf Sinne kombiniert. Und wenn da noch das Bewusstsein dazu kommt, dann sind wir das, worauf alle jetzt schon warten und worauf alle hinarbeiten, nämlich die AGI, das heißt die allgemeine generative oder generelle Intelligenz. Und dieses gibt so die ersten Stoßrichtungen in die Richtung. Und durch die Geschwindigkeit wird das überhaupt in dieser Echtzeit oder in dieser nahezu Echtzeit, wird das dadurch überhaupt erst möglich. Untertitel der Amara.org-Community