Block, platební společnost vedená Jackem Dorseym, vstoupila do závodu hlasové umělé inteligence s neobvykle odvážným tvrzením. Ve čtvrtek interní výzkumná laboratoř společnosti představila Dessa, model řeči na řeč, o kterém Block říká, že nebyl od nuly trénován na nic jiného než na lidskou konverzaci – žádný text, žádné přepisy a žádné předem připravené základní modely pod ním.
"Pokud víme, Dessa je první umělá inteligence na světě, se kterou můžete vést realistickou živou konverzaci, která byla natrénována pouze z lidské řeči," říká Block na oficiální stránce modelu, která vydání popisuje jako "výzkumný náhled plně duplexního řečového modelu." Společnost zveřejňuje živé demo nahrávky, otevírá veřejný seznam čekatelů a poskytuje včasný přístup malé skupině výzkumníků bezpečnosti AI. For more context on this story, see our ongoing AI trends.
Co Dessa vlastně je
Dessa je to, co vědci nazývají plně duplexní model řeči na řeč: audio vstup, audio výstup, bez textové vrstvy mezi nimi. Poslední částí je diferenciátor. Prakticky každý mainstreamový hlasový asistent – včetně hlasových režimů připojených k největším chatbotům – převede vaši řeč na text, zdůvodní ji a vysloví odpověď. Block tvrdí, že potrubí zahazuje většinu toho, co dělá lidskou konverzaci lidskou.
„Interakce se současnou hlasovou umělou inteligencí může být prostě na hovno,“ uvádí se v oznámení společnosti. "Promění váš hlas v text a zahodí neuvěřitelné množství informací, které samotný text neunese. Nejvýkonnější AI na světě neslyší, jak se cítíte. Myslíme si, že je to směšné, vede to k horšímu zážitku a je to potenciálně nebezpečné."
Protože Dessa nikdy neprochází textem, Block říká, že přirozeně zachycuje emoce, sarkasmus, smích, frustrovaný povzdech nebo hlas praskající smutkem – paralingvistické signály, které textové systémy obvykle zahazují.
Full-Duplex znamená, že mluví jako člověk, ne jako robot, který se otáčí
Druhým definujícím znakem je plně duplexní provoz. Dessa naslouchá a mluví zároveň, stejně jako lidé, spíše než čeká na detekovaný konec promluvy, než zareaguje. Podle Blocka se model naučil ze skutečných konverzací, kdy se má zapojit, kdy zpětným kanálem ukázat, že vás sleduje, a kdy zůstat zticha.
Ukázky na stránce společnosti ilustrují chování, které nikdo výslovně nenaprogramoval. V jednom klipu se Dessa směje uprostřed věty ve chvíli, kdy se něco stane vtipným – „tak, jak to lidé dělají,“ poznamenává Block, což kontrastuje s konvenčními hlasovými asistenty, kteří „čekají, až skončíte, a pak se smějte na povel.“ V jiném, uživatel požádá model, aby promluvil, a to zesílí. "Nikdo to to neučil," říká společnost. Ve třetině se dotyčná osoba vypíše na název filmu a Dessa za ni dokončí větu.
Block také dbá na to, aby označil původ jednoho obzvláště poutavého dema, ve kterém Dessa vede živou konverzaci s jiným systémem umělé inteligence. "V tomto demu Dessa mluví s GPT-Live-1, modelem umělé inteligence třetí strany. Oba hlasy jsou generovány umělou inteligencí," uvádí stránka s tím, že vývojář GPT-Live-1 není spojen s Block a Dessa nekontroloval ani nepodporoval.
Proč úplně blokovat přeskočený text
Trénink modelky bez textu je záměrná sázka. Block zastává názor, že řeč není ztrátový obal kolem jazyka – je to primární médium a model, který vyrůstá na surovém zvuku, může vyvinout schopnosti a režimy selhání, které textově trénované systémy nemají.
Sama společnost formuluje vědecký přínos spíše jako otevřené otázky než ustálené výsledky: jak efektivně se modely využívající pouze řeč učí jazyk a fakta ve srovnání se systémy trénovanými textem? Jak efektivně se mohou učit nové jazyky? Jaké druhy učení v kontextu mohou provádět? "Dessa posouvá hranice modelů hlubokého učení a vytváří jinou kategorii se zcela novým a zajímavým chováním, které mohou výzkumníci objevit," stojí v oznámení.
Na hřišti je také pohřben pragmatický požadavek. Block říká, že dedukce Dessa běží rychleji než v reálném čase, takže odpovědi přicházejí bez nepříjemných pauz, které sužují tahové hlasové asistenty, a – podle zpravodajství Unite.AI o uvedení na trh – že model běží lokálně na spotřebním hardwaru, který je stejně schopný jako MacBook Pro s čipem M4 Max nebo lepším. Pokud by byl přesný, lokálně běžící plně duplexní hlasový model by byl pozoruhodný v okamžiku, kdy většina konkurenceschopné hlasové umělé inteligence zůstává vázána na cloud.
„GPT-3 Moment for Speech“
Ragavan Thurairatnam, který vede Blockovu výzkumnou laboratoř AI, popsal Dessa jako první model umělé inteligence, který dokáže vést realistickou konverzaci po tréninku výhradně na řeči, a nazval vydání „GPT3 moment pro řeč“, podle zprávy Unite.AI o oznámení. Srovnání je výstižné: debut GPT-3 v roce 2020 nepřinesl okamžitě užitečné produkty, ale přeformuloval, co jazykové modely umí, a odstartoval současný investiční cyklus.
The Verge, který zastřešil uvedení na trh, popsal výsledek jako model, který s tebou „mluví jako s novým nepříjemným přítelem“ — evokující shrnutí demo klipů, ve kterých Dessa překvapením lapá po dechu „oh můj bože“ nebo reaguje na osobní zprávy s něčím, co zní jako slzavá vděčnost. Block chce, aby výzkumná komunita zkoumala, zda tyto způsoby odrážejí skutečné porozumění nebo sofistikovanou reprodukci vzorů.
Bezpečnostní úhel je na prvním místě — pro jednou
Je pozoruhodné, že Block neposílá Dessa přímo spotřebitelům. Vydání je ukázkou výzkumu: nahrávky jsou veřejné, čekací listina je otevřená, ale praktický včasný přístup je omezen na malou skupinu výzkumníků bezpečnosti AI. Vzhledem k přetrvávajícím obavám z podvodů s klonováním hlasu a emocionálně manipulativních společníků AI je řečový model, který dokáže vyjádřit – a pravděpodobně vyvolat – emoce, přesně ten typ, který chtějí bezpečnostní týmy systému vyhodnotit před masovým nasazením.
Block říká, že v příštích dnech budou na X sdíleny další nahrávky. Společnost neoznámila ceny, přístup k API ani plány integrace pro své produkty Square, Cash App nebo Bitkey.
Otevřené otázky
Dessin start přistane na přeplněném poli. Každá velká laboratoř AI nyní dodává hlasový režim a startupy již dva roky prosazují modely řeči v reálném čase. To, co odlišuje Dessa, je její tréninkový recept – čistá řeč, nulový text – a tvrzení, že naléhavé konverzační chování, jako je smích uprostřed věty, vzniklo bez výslovných pokynů.
Skeptici budou chtít nezávislé hodnocení. Dokáže se model bez textu skutečně spolehlivě naučit fakta, nebo halucinuje volněji bez základů psaného jazyka? Může se škálovat do nových jazyků bez přepisů? Blockova vlastní stránka zve přesně na tyto otázky, což je buď důvěra, nebo upřímné uznání, že nikdo – včetně Blocka – zatím nezná odpovědi.
Prozatím je Dessa výzkumným artefaktem s pořadníkem. Pokud se však trénování pouze pomocí řeči ukáže jako konkurenceschopné s textově uzemněnými kanály, Block možná vyšel na povrch jednu ze zajímavějších protikladných sázek v moderní AI: že nejrychlejší cestou k přirozené strojové konverzaci je postavit stroje, které se učí stejně jako my – nasloucháním.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
