hi，这里是硅基觉醒。

这是一档围绕AI前沿技术和商业变革的节目，汇聚了AI创业者、投资人、以及大厂一线的实践和观察。我们希望一起见证超级智能的到来，迎接硅基觉醒的年代。欢迎大家在小宇宙平台和微信公众号关注我们！

GPT-4o正式发布图片生成功能，经过硅基觉醒团队测试，相比原有的Stable Diffusion等方案在文字可控性、一致性、交互性方面实现了质的突破。有自媒体惊呼，AI大模型的一次迭代又干翻了很多创业公司的努力。AI图像生成领域是否迎来大变天？SD，Midjourney，以及过去围绕AI生图创业的团队该何去何从？GPT-4o所代表的原生多模态大模型路线将产生什么样的变革？追赶这一技术路线又需要怎样的投入？

本期我们将围绕GPT-4o和它所代表的原生多模态大模型深入聊聊。

【本期嘉宾】

Harry，7年一级市场投资经验，2年互联网战略经验，AGI信徒。

史业民，北大博士，前智源研究院研究员，研究方向为实时多模态模型、Multi-agent框架。

小苏同学，互联网大厂工作多年，丰富的投融资、出海以及产品运营经验，目前在做AI Agent产品的内部孵化。

提示词：请创建一幅图像：在森林中用树木排列成"你好！"三个字符。

提示词：请帮我给我的AI播客设计一个头像LOGO，希望具备科技范，未来感，符合AI的主题，同时图片里需要包含醒目的四个中文字，硅基觉醒

（GPT-4o连续故事情节生成展示）

提示词：现在咱们开始生成一组真实风格的照片。场景1: 一个蓝色短发的男孩A刚睡醒，收到了手机上的地震预警；场景2: 男孩A走出房门，刚好看到隔壁红色头发的女生B，询问了地震的情况；场景3: 女生B跑到楼下的老师办公室

【本期内容】

🟢 Part 1 多模态技术突破&下一代GUI

00:00:33 GPT-4图像生成能力开放——创业者直面技术代差冲击

00:02:06 GPT-4图像实测——哪些能力突破引发惊呼？

00:06:20 文字可控性、复杂场景可控性、一致性

00:10:56 风格化输出能力，吉卜力风格出圈

00:17:00 指令跟随能力提升，生图门槛进一步下降，告别咒语

00:22:00 生图领域将解锁哪些新应用场景

00:25:48 下一代用户交互界面GUI

🟢 Part 2 原生多模态模型

00:38:48 SD工作流还有价值吗？是不是彻底被颠覆了

00:44:00 SD工作流为范式的生成  vs GPT-4o原生多模态大模型

00:48:25 原生多模态大模型的训练方式有什么不同

00:56:18 复现GPT-4o成本是多少？

01:02:40 原生多模态是否会提升模型的智力水平？

🟢 Part 3 多模态行业震荡与演进

01:05:38 谁能率先复现GPT-4o的工作？

01:13:15 GPT-4o生成的速度与成本

01:18:30 视频生成是否也会被颠覆？国内视频生成企业如何面对？

欢迎订阅「硅基觉醒」播客

🚦我们希望一起见证超级智能的到来，迎接硅基觉醒的年代。汇聚AI创业者、投资人、以及大厂一线的实践和观察，在最前沿直击AI的技术与商业演变。

欢迎加入「硅基觉醒」部落，成为首批村民

🔮 与资深AI学者、创业者、投资人深入交流

🤖 寻觅你的技术与商业化伙伴，共商AI创业大计

📩 添加小助理微信【silicon_era】获取入群通道，或者扫描下方二维码，备注【硅基觉醒入群】