دخلت شركة Block، شركة المدفوعات التي يقودها جاك دورسي، في سباق الذكاء الاصطناعي الصوتي بمطالبة جريئة بشكل غير عادي. وفي يوم الخميس، كشف مختبر الأبحاث الداخلي للشركة عن نموذج Dessa، وهو نموذج تحويل الكلام إلى كلام، والذي يقول بلوك إنه تم تدريبه من الصفر على لا شيء سوى المحادثة البشرية - لا نص ولا نصوص ولا نماذج أساسية مدربة مسبقًا تحتها.

"على حد علمنا، فإن ديسا هو أول ذكاء اصطناعي في العالم يمكنك إجراء محادثة حية واقعية معه والذي تم تدريبه فقط على الكلام البشري"، كما يقول بلوك على الصفحة الرسمية للنموذج، التي تصف الإصدار بأنه "معاينة بحثية لنموذج الكلام المزدوج الكامل". تنشر الشركة تسجيلات تجريبية حية، وتفتح قائمة انتظار عامة، وتمنح الوصول المبكر لمجموعة صغيرة من الباحثين في مجال سلامة الذكاء الاصطناعي. لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.

ما هي ديسا في الواقع؟

ديسا هو ما يسميه الباحثون نموذج تحويل الكلام إلى كلام ثنائي الاتجاه: إدخال الصوت وإخراج الصوت، مع عدم وجود طبقة نصية بينهما. هذا الجزء الأخير هو التمييز. تقريبًا كل المساعد الصوتي السائد - بما في ذلك الأوضاع الصوتية المرتبطة بأكبر برامج الدردشة الآلية - يحول كلامك إلى نص، والأسباب التي تتعلق به، ويرد عليك الرد. يقول بلوك إن خط الأنابيب يتخلص من معظم ما يجعل المحادثة البشرية إنسانية.

وجاء في إعلان الشركة أن "التفاعل مع الذكاء الاصطناعي الصوتي الحالي يمكن أن يكون أمرًا سيئًا". "إنه يحول صوتك إلى نص ويتخلص من قدر لا يصدق من المعلومات التي لا يستطيع النص وحده حملها. أقوى أنظمة الذكاء الاصطناعي في العالم لا يمكنها سماع ما تشعر به. نعتقد أن هذا أمر مثير للسخرية، ويؤدي إلى تجربة أسوأ، ومن المحتمل أن يكون خطيرًا."

ولأن ديسا لا يمر عبر النص أبدًا، يقول بلوك إنه يلتقط المشاعر، أو السخرية، أو الضحك، أو التنهيدة المحبطة، أو الصوت المتكسر بسبب الحزن، وهي الإشارات شبه اللغوية التي تتجاهلها الأنظمة المستندة إلى النصوص عادةً.

خاصية الازدواج الكامل تعني أنها تتحدث كشخص، وليس كروبوت يتناوب الأدوار

السمة المحددة الثانية هي عملية الازدواج الكامل. تستمع ديسا وتتحدث في نفس الوقت، بنفس الطريقة التي يفعلها الناس، بدلاً من انتظار نهاية الكلام المكتشفة قبل الرد. وفقًا لبلوك، تعلم النموذج من المحادثات الحقيقية متى يتدخل، ومتى يلجأ إلى القناة الخلفية لإظهار أنه يتابعه، ومتى يظل هادئًا.

توضح العروض التوضيحية الموجودة على صفحة الشركة السلوكيات التي لم يبرمجها أحد بشكل صريح. في أحد المقاطع، تضحك ديسا في منتصف الجملة في اللحظة التي يصبح فيها شيء مضحكًا - "الطريقة التي يفعلها الناس"، كما يشير بلوك، مقارنًا ذلك بالمساعدين الصوتيين التقليديين الذين "ينتظرون حتى تنتهي، ثم يضحكون عند الإشارة". وفي مقطع آخر، يطلب المستخدم من العارضة أن تتحدث فيرتفع صوتها. تقول الشركة: "لم يعلمها أحد ذلك". في الحالة الثالثة، يترك الشخص اسم الفيلم فارغًا وتنهي ديسا الجملة نيابةً عنه.

يحرص Block أيضًا على الإشارة إلى مصدر عرض توضيحي ملفت للنظر بشكل خاص، حيث تجري Dessa محادثة مباشرة مع نظام ذكاء اصطناعي آخر. "في هذا العرض التوضيحي، تتحدث Dessa مع GPT-Live-1، وهو نموذج ذكاء اصطناعي تابع لجهة خارجية. كلا الصوتين تم إنشاؤهما بواسطة الذكاء الاصطناعي"، كما تشير الصفحة، مشيرة إلى أن مطور GPT-Live-1 ليس تابعًا لـ Block ولم يقم بمراجعة Dessa أو تأييدها.

لماذا يتم حظر النص الذي تم تخطيه بالكامل

إن تدريب نموذج بدون نص على الإطلاق هو رهان متعمد. موقف بلوك هو أن الكلام ليس غلافًا ضائعًا حول اللغة، بل هو الوسيط الأساسي، والنموذج الذي ينمو على الصوت الخام قد يطور قدرات وأنماط فشل لا تمتلكها الأنظمة المدربة على النص.

تقوم الشركة نفسها بتأطير الجانب الإيجابي العلمي باعتباره أسئلة مفتوحة بدلاً من نتائج ثابتة: ما مدى كفاءة نماذج الكلام فقط في تعلم اللغة والحقائق مقارنة بالأنظمة المدربة على النص؟ ما مدى كفاءة تعلم لغات جديدة؟ ما هي أنواع التعلم في السياق التي يمكنهم القيام بها؟ وجاء في الإعلان: "تعمل ديسا على تطوير حدود نماذج التعلم العميق وتخلق فئة مختلفة بسلوكيات جديدة تمامًا ومثيرة للاهتمام ليكتشفها الباحثون".

هناك أيضًا مطالبة عملية مدفونة في الملعب. يقول بلوك إن استدلال ديسا يعمل بشكل أسرع من الوقت الفعلي، لذلك تأتي الردود دون التوقفات المحرجة التي يعاني منها المساعدون الصوتيون القائمون على الأدوار، و- وفقًا لتغطية Unite.AI للإطلاق - أن النموذج يعمل محليًا على أجهزة استهلاكية بقدرة جهاز MacBook Pro مع شريحة M4 Max أو أفضل. إذا كان دقيقًا، فسيكون نموذج الصوت مزدوج الاتجاه الذي يتم تشغيله محليًا ملحوظًا في الوقت الذي يظل فيه الذكاء الاصطناعي الصوتي الأكثر تنافسية مرتبطًا بالسحابة.

"لحظة GPT-3 للخطاب"

ووصف راجافان ثوريراتنام، الذي يقود مختبر أبحاث الذكاء الاصطناعي في بلوك، ديسا بأنه أول نموذج للذكاء الاصطناعي يمكنه إجراء محادثة واقعية بعد التدريب بالكامل على الكلام، ووصف الإصدار بأنه "لحظة GPT3 للكلام"، وفقًا لتقرير Unite.AI حول الإعلان. المقارنة واضحة: إن ظهور GPT-3 لأول مرة في عام 2020 لم ينتج على الفور منتجات مفيدة، لكنه أعاد صياغة ما يمكن أن تفعله نماذج اللغة وأطلق دورة الاستثمار الحالية.

وصفت The Verge، التي غطت عملية الإطلاق، النتيجة بأنها نموذج "يتحدث إليك كصديق جديد محرج" - وهو ملخص مثير للذكريات للمقاطع التجريبية التي تلهث فيها ديسا "يا إلهي" تحت أنفاسها عند مفاجأة، أو تستجيب للأخبار الشخصية بما يبدو وكأنه امتنان دامع. ما إذا كانت هذه السلوكيات تعكس فهمًا حقيقيًا أو إعادة إنتاج نمط متطور هو بالضبط نوع السؤال الذي يقول بلوك إنه يريد من مجتمع البحث التحقيق فيه.

زاوية الأمان تأتي أولاً — لمرة واحدة

والجدير بالذكر أن Block لا تقوم بشحن Dessa مباشرة إلى المستهلكين. الإصدار عبارة عن معاينة بحثية: التسجيلات عامة، وقائمة الانتظار مفتوحة، ولكن الوصول العملي المبكر يقتصر على مجموعة صغيرة من الباحثين في مجال سلامة الذكاء الاصطناعي. ونظرًا للقلق المستمر بشأن حيل استنساخ الصوت ومرافقي الذكاء الاصطناعي الذين يتلاعبون عاطفيًا، فإن نموذج الكلام الذي يمكنه التعبير عن المشاعر - وربما إثارةها - هو بالضبط نوع فرق سلامة النظام التي ترغب فرق سلامة النظام في تقييمها قبل النشر الشامل.

يقول Block أنه سيتم مشاركة المزيد من التسجيلات على X في الأيام المقبلة. لم تعلن الشركة عن الأسعار أو الوصول إلى واجهة برمجة التطبيقات (API) أو خطط التكامل لمنتجات Square أو Cash App أو Bitkey.

الأسئلة المفتوحة

يهبط إطلاق ديسا في حقل مزدحم. يشحن كل مختبر رئيسي للذكاء الاصطناعي الآن وضعًا صوتيًا، وتدفع الشركات الناشئة نماذج الكلام في الوقت الفعلي لمدة عامين. ما يميز ديسا هو وصفتها التدريبية - الكلام النقي، بدون نص - والادعاء بأن سلوك المحادثة الناشئ مثل الضحك في منتصف الجملة نشأ دون تعليمات صريحة.

سوف يرغب المتشككون في الحصول على تقييم مستقل. هل يمكن للنموذج الخالي من النصوص أن يتعلم الحقائق بشكل موثوق، أم أنه يهلوس بحرية أكبر دون أسس اللغة المكتوبة؟ هل يمكن التوسع في اللغات الجديدة بدون نصوص؟ تطرح صفحة بلوك الخاصة هذه الأسئلة بالضبط، والتي هي إما ثقة أو اعتراف صريح بأن لا أحد - بما في ذلك بلوك - يعرف الإجابات حتى الآن.

في الوقت الحالي، ديسا هي قطعة أثرية بحثية مع قائمة انتظار. ولكن إذا أثبت التدريب على الكلام فقط قدرته على المنافسة مع المسارات المستندة إلى النصوص، فربما يكون بلوك قد كشف عن أحد الرهانات المتناقضة الأكثر إثارة للاهتمام في الذكاء الاصطناعي الحديث: وهو أن أسرع طريق للمحادثة الآلية الطبيعية هو بناء آلات تتعلم بالطريقة التي تعلمناها - من خلال الاستماع.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →