Η Block, η εταιρεία πληρωμών με επικεφαλής τον Jack Dorsey, μπήκε στον αγώνα φωνητικής τεχνητής νοημοσύνης με έναν ασυνήθιστα τολμηρό ισχυρισμό. Την Πέμπτη, το εσωτερικό ερευνητικό εργαστήριο της εταιρείας αποκάλυψε το Dessa, ένα μοντέλο ομιλίας σε ομιλία που ο Block λέει ότι εκπαιδεύτηκε από το μηδέν μόνο σε ανθρώπινη συνομιλία - χωρίς κείμενο, χωρίς μεταγραφές και χωρίς προεκπαιδευμένα μοντέλα θεμελίωσης από κάτω.
«Από όσο γνωρίζουμε, η Dessa είναι η πρώτη τεχνητή νοημοσύνη στον κόσμο με την οποία μπορείτε να έχετε μια ρεαλιστική ζωντανή συνομιλία, η οποία εκπαιδεύτηκε μόνο από ανθρώπινη ομιλία», λέει ο Block στην επίσημη σελίδα του μοντέλου, η οποία περιγράφει την κυκλοφορία ως «μια ερευνητική προεπισκόπηση ενός μοντέλου ομιλίας full-duplex». Η εταιρεία δημοσιεύει ζωντανές ηχογραφήσεις επίδειξης, ανοίγει μια δημόσια λίστα αναμονής και παρέχει έγκαιρη πρόσβαση σε μια μικρή ομάδα ερευνητών ασφάλειας τεχνητής νοημοσύνης. For more context on this story, see our ongoing AI trends.
Τι είναι στην πραγματικότητα η Ντέσα
Το Dessa είναι αυτό που οι ερευνητές αποκαλούν μοντέλο ομιλίας σε ομιλία πλήρους διπλής όψης: εισερχόμενος ήχος, έξοδος ήχου, χωρίς στρώμα κειμένου ενδιάμεσα. Αυτό το τελευταίο μέρος είναι το διαφοροποιητικό. Σχεδόν κάθε βασικός βοηθός φωνής — συμπεριλαμβανομένων των φωνητικών λειτουργιών που συνδέονται με τα μεγαλύτερα chatbots — μετατρέπει την ομιλία σας σε κείμενο, λόγους πάνω από αυτήν και εκφωνεί μια απάντηση. Ο Block υποστηρίζει ότι ο αγωγός πετάει τα περισσότερα από αυτά που κάνουν ανθρώπινη συνομιλία.
«Η αλληλεπίδραση με την τρέχουσα τεχνητή νοημοσύνη φωνής μπορεί να είναι απλά χάλια», αναφέρει η ανακοίνωση της εταιρείας. "Μετατρέπει τη φωνή σας σε κείμενο και πετάει μια απίστευτη ποσότητα πληροφοριών που δεν μπορεί να μεταφέρει μόνο το κείμενο. Τα πιο ισχυρά AI στον κόσμο δεν μπορούν να ακούσουν πώς νιώθετε. Πιστεύουμε ότι αυτό είναι γελοίο, οδηγεί σε χειρότερη εμπειρία και είναι δυνητικά επικίνδυνο."
Επειδή η Dessa δεν περνά ποτέ μέσα από το κείμενο, ο Block λέει ότι αντιλαμβάνεται εγγενώς το συναίσθημα, τον σαρκασμό, το γέλιο, έναν απογοητευμένο αναστεναγμό ή μια φωνή που σκάει από θλίψη - τα παραγλωσσικά σήματα που συνήθως απορρίπτουν τα συστήματα που βασίζονται σε κείμενο.
Full-Duplex σημαίνει ότι μιλάει σαν άτομο, όχι σαν ρομπότ που παίρνει σειρά
Το δεύτερο καθοριστικό χαρακτηριστικό είναι η λειτουργία full-duplex. Η Ντέσα ακούει και μιλά ταυτόχρονα, όπως κάνουν οι άνθρωποι, αντί να περιμένει ένα ανιχνευμένο τέλος της ομιλίας πριν απαντήσει. Σύμφωνα με τον Block, το μοντέλο έμαθε από πραγματικές συνομιλίες πότε να κλείνει, πότε να κάνει backchannel για να δείχνει ότι ακολουθεί και πότε να παραμένει ήσυχο.
Οι επιδείξεις στη σελίδα της εταιρείας απεικονίζουν συμπεριφορές που κανείς δεν έχει προγραμματίσει ρητά. Σε ένα απόσπασμα, η Ντέσα γελάει στη μέση της πρότασης τη στιγμή που κάτι γίνεται αστείο — «όπως κάνουν οι άνθρωποι», σημειώνει ο Block, αντιπαραβάλλοντας αυτό με τους συμβατικούς φωνητικούς βοηθούς που «περιμένουν να τελειώσεις και μετά γελάνε στο σύνθημα». Σε ένα άλλο, ένας χρήστης ζητά από το μοντέλο να μιλήσει και γίνεται πιο δυνατό. "Κανείς δεν το δίδαξε αυτό", λέει η εταιρεία. Σε ένα τρίτο, το άτομο αφήνει κενό στον τίτλο μιας ταινίας και η Ντέσα ολοκληρώνει την πρόταση για αυτούς.
Ο Block φροντίζει επίσης να επισημαίνει την προέλευση ενός ιδιαίτερα εντυπωσιακού demo, στο οποίο η Dessa συνομιλεί ζωντανά με ένα άλλο σύστημα AI. "Σε αυτό το demo, η Dessa συνομιλεί με το GPT-Live-1, ένα μοντέλο τεχνητής νοημοσύνης τρίτου κατασκευαστή. Και οι δύο φωνές δημιουργούνται από AI", αναφέρει η σελίδα, σημειώνοντας ότι ο προγραμματιστής του GPT-Live-1 δεν συνδέεται με το Block και δεν έχει αξιολογήσει ή εγκρίνει το Dessa.
Γιατί να αποκλειστεί εντελώς το παραλειφθέν κείμενο
Η εκπαίδευση ενός μοντέλου χωρίς καθόλου κείμενο είναι ένα σκόπιμα στοίχημα. Η θέση του Block είναι ότι η ομιλία δεν είναι ένα περιτύλιγμα με απώλειες γύρω από τη γλώσσα - είναι το κύριο μέσο και ένα μοντέλο που αναπτύσσεται με ακατέργαστο ήχο μπορεί να αναπτύξει δυνατότητες και τρόπους αποτυχίας που δεν διαθέτουν τα συστήματα που εκπαιδεύονται σε κείμενο.
Η ίδια η εταιρεία πλαισιώνει την επιστημονική θεώρηση ως ανοιχτά ερωτήματα και όχι ως σταθερά αποτελέσματα: πόσο αποτελεσματικά τα μοντέλα που χρησιμοποιούν μόνο ομιλία μαθαίνουν γλώσσα και γεγονότα σε σύγκριση με συστήματα που εκπαιδεύονται σε κείμενο; Πόσο αποτελεσματικά μπορούν να μάθουν νέες γλώσσες; Τι είδους μάθηση εντός πλαισίου μπορούν να πραγματοποιήσουν; «Η Dessa προωθεί τα σύνορα των μοντέλων βαθιάς μάθησης και δημιουργεί μια διαφορετική κατηγορία με εντελώς νέες και ενδιαφέρουσες συμπεριφορές για να ανακαλύψουν οι ερευνητές», αναφέρει η ανακοίνωση.
Υπάρχει επίσης ένας ρεαλιστικός ισχυρισμός θαμμένος στον αγωνιστικό χώρο. Ο Block λέει ότι το συμπέρασμα της Dessa εκτελείται ταχύτερα από τον πραγματικό χρόνο, επομένως οι απαντήσεις έρχονται χωρίς τις άβολες παύσεις που μαστίζουν τους φωνητικούς βοηθούς που βασίζονται στη σειρά και — σύμφωνα με την κάλυψη από το Unite.AI της κυκλοφορίας — ότι το μοντέλο τρέχει τοπικά σε καταναλωτικό υλικό τόσο ικανό όσο ένα MacBook Pro με τσιπ M4 Max ή καλύτερο. Εάν είναι ακριβές, ένα τοπικά εκτελούμενο φωνητικό μοντέλο full-duplex θα ήταν αξιοσημείωτο τη στιγμή που η πιο ανταγωνιστική φωνητική τεχνητή νοημοσύνη παραμένει δεσμευμένη στο cloud.
Μια "GPT-3 Moment for Speech"
Ο Ragavan Thurairatnam, ο οποίος ηγείται του ερευνητικού εργαστηρίου τεχνητής νοημοσύνης του Block, περιέγραψε την Dessa ως το πρώτο μοντέλο τεχνητής νοημοσύνης που μπορεί να πραγματοποιήσει μια ρεαλιστική συνομιλία μετά από εξ ολοκλήρου εκπαίδευση στην ομιλία και αποκάλεσε την κυκλοφορία "μια στιγμή GPT3 για ομιλία", σύμφωνα με την έκθεση της Unite.AI για την ανακοίνωση. Η σύγκριση είναι αξιοσημείωτη: το ντεμπούτο του GPT-3 το 2020 δεν παρήγαγε αμέσως χρήσιμα προϊόντα, αλλά αναδιατύπωσε τι θα μπορούσαν να κάνουν τα μοντέλα γλώσσας και ξεκίνησε τον τρέχοντα επενδυτικό κύκλο.
Το Verge, το οποίο κάλυψε την κυκλοφορία, περιέγραψε το αποτέλεσμα ως ένα μοντέλο που «σου μιλάει σαν ένας δύστροπος νέος φίλος» — μια υποβλητική σύνοψη αποσπασμάτων επίδειξης στα οποία η Ντέσα λαχανιάζει «ω θεέ μου» υπό την ανάσα της με έκπληξη ή απαντά σε προσωπικές ειδήσεις με κάτι που ακούγεται σαν δακρύβρεχτο. Το αν αυτοί οι τρόποι αντικατοπτρίζουν γνήσια κατανόηση ή περίπλοκη αναπαραγωγή προτύπων είναι ακριβώς το είδος της ερώτησης που λέει ο Block ότι θέλει να διερευνήσει η ερευνητική κοινότητα.
Η γωνία ασφαλείας έρχεται πρώτη — για μια φορά
Αξίζει να σημειωθεί ότι η Block δεν στέλνει το Dessa απευθείας στους καταναλωτές. Η κυκλοφορία είναι μια προεπισκόπηση έρευνας: οι ηχογραφήσεις είναι δημόσιες, μια λίστα αναμονής είναι ανοιχτή, αλλά η πρακτική πρώιμη πρόσβαση περιορίζεται σε μια μικρή ομάδα ερευνητών ασφάλειας τεχνητής νοημοσύνης. Δεδομένης της συνεχιζόμενης ανησυχίας σχετικά με τις απάτες κλωνοποίησης φωνής και τους συναισθηματικά χειραγωγικούς συντρόφους τεχνητής νοημοσύνης, ένα μοντέλο ομιλίας που μπορεί να εκφράσει - και πιθανώς να προκαλέσει - συναίσθημα είναι ακριβώς το είδος των ομάδων ασφάλειας του συστήματος που θέλουν να αξιολογήσουν πριν από τη μαζική ανάπτυξη.
Ο Block λέει ότι περισσότερες ηχογραφήσεις θα κοινοποιηθούν στο X τις επόμενες ημέρες. Η εταιρεία δεν έχει ανακοινώσει τιμολόγηση, πρόσβαση API ή σχέδια ενοποίησης για τα προϊόντα Square, Cash App ή Bitkey.
Οι ανοιχτές ερωτήσεις
Η εκτόξευση της Ντέσσας προσγειώνεται σε ένα γεμάτο χωράφι. Κάθε μεγάλο εργαστήριο τεχνητής νοημοσύνης διαθέτει πλέον λειτουργία φωνής και οι νεοφυείς επιχειρήσεις προωθούν μοντέλα ομιλίας σε πραγματικό χρόνο για δύο χρόνια. Αυτό που διακρίνει τη Dessa είναι η συνταγή της εκπαίδευσης - καθαρός λόγος, μηδενικό κείμενο - και ο ισχυρισμός ότι η αναδυόμενη συνομιλητική συμπεριφορά όπως το γέλιο στη μέση πρόταση προέκυψε χωρίς ρητή οδηγία.
Οι σκεπτικιστές θα θέλουν ανεξάρτητη αξιολόγηση. Μπορεί ένα μοντέλο χωρίς κείμενο να μάθει πραγματικά γεγονότα με αξιοπιστία ή μήπως έχει πιο ελεύθερα ψευδαισθήσεις χωρίς τη γείωση της γραπτής γλώσσας; Μπορεί να κλιμακωθεί σε νέες γλώσσες χωρίς μεταγραφές; Η ίδια η σελίδα του Block προσκαλεί ακριβώς αυτές τις ερωτήσεις, που είναι είτε αυτοπεποίθηση είτε ειλικρινής παραδοχή ότι κανείς - συμπεριλαμβανομένου του Block - δεν γνωρίζει ακόμα τις απαντήσεις.
Προς το παρόν, η Dessa είναι ένα ερευνητικό τεχνούργημα με λίστα αναμονής. Αλλά αν η εκπαίδευση μόνο για ομιλία αποδειχτεί ανταγωνιστική με αγωγούς γειωμένης κειμένου, ο Block μπορεί να έχει εμφανίσει ένα από τα πιο ενδιαφέροντα αντίθετα στοιχήματα στη σύγχρονη τεχνητή νοημοσύνη: ότι η ταχύτερη διαδρομή προς τη φυσική συνομιλία με μηχανήματα είναι η κατασκευή μηχανών που μαθαίνουν τον τρόπο που κάναμε - ακούγοντας.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
