OpenAI刚刚又迎来了一次重大进化。备受瞩目的ChatGPT Sites正式开启公测。即便不懂一行代码，只需几段自然语言描述或上传一张草图，就能在十几分钟内生成一个高度专业且功能复杂的交互式网站。传统的建站SaaS行业正面临前所未有的颠覆。与此同时，底层技术侧也传来了惊人消息：GPT-6展现出了令人咋舌的跨模态能力。在无音频播放且完全断网的状态下，仅凭一张Mel频谱图，GPT-6便能识别出深海蓝鲸的叫声，甚至能分辨出《星球大战》中的光剑音效。这标志着AI的多模态理解已经彻底打破了人类的感官壁垒，它不再是笨拙地模仿人类的看与听，而是进化出了对物理世界数据结构的“原生解码”能力。
ChatGPT Sites公测：建站如写文档
曾几何时，拥有一流的个人网站是程序员和专业设计师的特权。后来，Dreamweaver应运而生；再后来，Wix、Squarespace乃至Tilda等拖拽式建站SaaS工具普及开来。但今天，ChatGPT Sites的公测直接将建站门槛彻底粉碎。知名科技媒体Fast Company以及Wonder Tools主理人Jeremy Caplan在实测后表示，ChatGPT Sites带来的体验极其颠覆：“现在，制作一个美观的网站就像创建一个Google Doc一样简单。”目前，该功能已向ChatGPT Plus、Pro、Business、Enterprise和Edu用户全面开放。
其运作过程简单至极。首先，描述你的愿景，用几句话写下想要的网站类型和目标受众；其次，喂给它素材，如果有喜欢的网页截图或手绘草图，直接上传；再次，提出功能要求，无论是链接按钮、嵌入式视觉效果还是复杂交互元素，直接告诉它；最后，只需喝杯咖啡等待，视复杂程度，大约10到15分钟后，一个完整的网站就会诞生。注意，这不再是简单的“套模板”，而是真正的“Vibe Coding”。早期测试者已经利用它做出了不少令人惊艳的项目。
在实用类页面方面，有人利用它制作了完美的媒体套件赞助页、设计现代的旧金山活动指南，甚至是一个支持将商品拖拽进购物篮的野餐用品现代在线商店。艺术家Drue Kataoka则用它生成了一个名为GoalFlow的艺术创作工具。用户选择国旗后，能在流体模拟画布上用国旗颜色进行“绘画”，颜料会像水中的色素一样自然旋转和漂移。这种涉及复杂流体物理引擎的前端页面，过去需要高级前端工程师耗费数周，现在只需几句提示词。此外，它还能制作物理引擎游戏，例如类似Jenga的《Glass Towers》游戏，自带逼真物理效果，或者控制纸飞机穿过圆环的街机小游戏《Paper Glider》。
更可怕的是它的迭代能力。当ChatGPT给出初稿后，用户可以直接在侧边栏使用“注释工具”，像批改作业一样在网页上画圈修改：“把这个按钮的颜色改了”、“这里的字体换成无衬线体”、“替换这张图片”。它不仅能听懂，还能无缝修改。
显然，行业洗牌已经不可避免。虽然早期的AI建站工具（如Lovable、Bolt）依然具备灵活性，Claude的Artifacts和Claude Design在交互式UI上也表现出色，但ChatGPT Sites的王炸在于其融入了极其庞大的生态系统。如果在“ChatGPT Project”中工作，它会自动读取品牌风格指南和Logo库，生成的网站天然带有品牌DNA。现在，前端工程师已被降维成了“提示词产品经理”，而那些还在依靠“拖拽建站”收取高昂月费的传统SaaS企业，如果不能迅速转型，恐怕很难熬过这个冬天。
应用侧降维：彻底消灭“操作”，只保留“意图”
回想一下，人机交互的历史就是一部不断降低操作门槛的历史：从PC时代的命令行（CLI），到视窗时代的图形界面（GUI），再到如今大模型时代的自然语言界面（LUI）。ChatGPT Sites的本质，是将前端开发从“工程学”降维成了“表达学”。
过去，要建一个网站，大脑需要进行多层翻译：我要卖东西（意图） -> 我需要一个购物车和支付系统（产品逻辑） -> 我需要写HTML/CSS/JS（前端代码） -> 我需要对接数据库（后端逻辑）。现在，ChatGPT Sites将中间的繁琐过程全部抹平了。用户的输入端被彻底降维成了纯粹的自然语言，即最原始的“意图”。传统软件SaaS的核心壁垒是“把代码封装成好看的按钮供你点击”，而大模型的降维打击是：你只要张嘴说话就行。从此，一切围绕“如何让非程序员更容易写代码/建网站”的过渡性工具，都将在这个意图直接生成结果的“端到端”生成时代失去生存空间。
GPT-6一眼看穿频谱图，打破人类感官壁垒
而且，就在今天，AI研究员ChrisGPT和Max Rubin公布的一组测试，让无数音频工程师和AI从业者感到震撼。测试内容很简单：将声音转换成一张图，让GPT-6直接读图。ChrisGPT给GPT-6上传了一张Mel频谱图，这是一种将声音的频率、时间、能量可视化为二维图像的技术。过程中，未播放任何实际音频，大模型处于未联网状态。唯一提示词是“这个声音来自大自然中的一种动物/哺乳动物”。GPT-6回答说：“鲸鱼，可能是一头蓝鲸。”全网为之震惊。因为它不仅答对了，还超出了我们的认知——这背后的推理逻辑已经超越了简单的图像匹配。
要知道，蓝鲸发出的是极低频的叫声。但在自然界中，狮子、老虎和大象的叫声同样落在40-200赫兹的低频区间。仅凭频谱图上50赫兹附近有一团能量，是无法断定它是鲸鱼的。GPT-6是如何做到的？音频工程师分析认为，GPT-6敏锐地捕捉到了“能量随时间持续的形态特征”。它不是在看一个点，而是在理解声波在这个特定物理空间中是如何随时间流淌和衰减的。在极少上下文的情况下，从一张“声音的图片”直接零样本猜中动物类别，这种能力令人无比惊讶。
另一位测试者Max Rubin的演示更是令人印象深刻。他测试了非自然音效，结果显示，GPT-6能够直接从Mel频谱图上零样本识别出《星球大战》中光剑挥舞的声音！Max惊叹道：“我们现在甚至连表面都还没触及。”虽然在科研领域，学术界早尝试用频谱图结合视觉模型来做鲸鱼叫声检测，甚至训练专用的LLM去读Mel图做语音任务。但是，这是通用大模型首次被公开证实，能够在没有任何专项微调的情况下，做出这种级别的跨模态推理。这就好比，你从来没有教过一个人如何看乐谱，你只是给他看了一张交响乐总谱。结果，他不仅能在脑海中“听”到声音，还能准确告诉你，第二小节的长号吹错了一个音。
大模型，正在摆脱人类生物学束缚
人类的感知世界是有巨大局限性的。我们必须依靠空气振动鼓膜，大脑才能将物理震动转化为“声音”的电信号。在人类的潜意识里，声音就是用耳朵“听”的，图像就是用眼睛“看”的。这是几百万年进化给我们设定的“感官壁垒”。
早期的多模态AI，实际上是在“模仿”人类。我们给它听音频文件，给它看图片，试图让它像人一样去理解。但GPT-6识别频谱图的意义在于：大模型正在摆脱人类生物学器官的束缚！对于GPT-6来说，一头深海蓝鲸的一声悠长鸣叫，和绝地武士挥舞光剑时的撕裂声，本质上没有任何区别——它们都只是物理世界中能量的波动形式。当这种波动被转化为Mel频谱图这样一种数学和几何的表达时，GPT-6就可以直接去“阅读”物理规则本身。它不需要长耳朵，它不需要“听”见声音，它可以直接“看”懂声音的物理公式。
这意味着，AI的多模态理解已经从“模仿人类的感官”，进化到了对物理世界数据结构的“原生解码”。今天它可以看频谱图认出蓝鲸；明天，如果给它看地震波的图像，它能不能直接预测下一次断层破裂？如果给它看脑电波的图像，它能不能直接读出你在想什么？人类是通过肉身去感受宇宙的投影，而现在，AI正在直接阅读宇宙的源代码。