Block، شرکت پرداخت به رهبری جک دورسی، با ادعایی غیرعادی جسورانه وارد مسابقه هوش مصنوعی صوتی شده است. روز پنجشنبه، آزمایشگاه تحقیقاتی داخلی شرکت Dessa را معرفی کرد، یک مدل گفتار به گفتار که بلاک می‌گوید از ابتدا بر روی چیزی جز مکالمه انسانی آموزش دیده بود – بدون متن، بدون متن، و بدون مدل‌های پایه از قبل آموزش‌دیده شده.

بلاک در صفحه رسمی مدل، که انتشار را به عنوان «پیش‌نمایش پژوهشی یک مدل گفتار تمام دوبلکس» توصیف می‌کند، می‌گوید: «تا آنجا که می‌دانیم، Dessa اولین هوش مصنوعی در جهان است که می‌توانید یک مکالمه زنده واقعی با آن داشته باشید که فقط از طریق گفتار انسان آموزش داده شده است». این شرکت در حال انتشار نسخه‌های نمایشی زنده ضبط‌شده، باز کردن فهرست انتظار عمومی و اجازه دسترسی زودهنگام به گروه کوچکی از محققان ایمنی هوش مصنوعی است. For more context on this story, see our ongoing more AI stories.

دسا در واقع چیست

Dessa همان چیزی است که محققان آن را مدل گفتار به گفتار تمام دوبلکس می‌نامند: ورودی صدا، خروجی صدا، بدون لایه متن در بین. آن بخش آخر تمایز است. تقریباً هر دستیار صوتی رایج - از جمله حالت‌های صوتی متصل به بزرگ‌ترین ربات‌های چت - گفتار شما را به متن تبدیل می‌کند، دلایل را روی آن بیان می‌کند و پاسخ را بازگو می‌کند. بلاک استدلال می کند که خط لوله بیشتر آنچه را که مکالمه انسانی انسان می سازد دور می اندازد.

در بیانیه این شرکت آمده است: «تعامل با هوش مصنوعی صوتی فعلی می‌تواند بسیار بد باشد. "این صدای شما را به متن تبدیل می کند و حجم باورنکردنی اطلاعاتی را که متن به تنهایی نمی تواند حمل کند دور می اندازد. قدرتمندترین هوش مصنوعی در جهان نمی توانند احساس شما را بشنوند. ما فکر می کنیم که این مضحک است، منجر به تجربه بدتری می شود و بالقوه خطرناک است."

از آنجایی که دسا هرگز از متن عبور نمی‌کند، بلاک می‌گوید که احساسات، طعنه‌ها، خنده‌ها، آه‌های ناامید یا صدایی که از غم در می‌آید - سیگنال‌های شبه‌زبانی که سیستم‌های مبتنی بر متن معمولاً آنها را دور می‌زنند، به صورت بومی دریافت می‌کند.

Full-Duplex به این معنی است که مانند یک شخص صحبت می کند، نه یک ربات نوبتی

دومین ویژگی تعیین کننده عملیات تمام دوبلکس است. دسا به جای اینکه قبل از پاسخ دادن منتظر پایان گفته شود، همزمان گوش می دهد و صحبت می کند. به گفته بلاک، این مدل از مکالمات واقعی یاد گرفته است که چه زمانی باید از آن خارج شود، چه زمانی باید به کانال بک کانال نشان دهد که در حال پیگیری است و چه زمانی ساکت بماند.

دموهای موجود در صفحه این شرکت رفتارهایی را نشان می دهد که هیچ کس به صراحت برنامه ریزی نکرده است. در یک کلیپ، دسا در لحظه‌ای که چیزی خنده‌دار می‌شود، در وسط جمله می‌خندد - «همان‌طور که مردم انجام می‌دهند»، بلاک یادداشت می‌کند و این را با دستیارهای صوتی معمولی مقایسه می‌کند که «منتظر می‌مانند تا کار را تمام کنی، سپس به نشانه بخند». در دیگری، کاربر از مدل می خواهد که صحبت کند و صدای آن بلندتر می شود. این شرکت می‌گوید: «هیچ‌کس این را به آن آموزش نداد. در یک سوم، شخص روی عنوان یک فیلم خالی می شود و دسا جمله را برای آنها تمام می کند.

بلاک همچنین مراقب است که منشأ یک نسخه نمایشی به خصوص چشم نواز را مشخص کند، که در آن دسا یک مکالمه زنده با یک سیستم هوش مصنوعی دیگر برگزار می کند. در این صفحه آمده است: "در این نسخه نمایشی، دسا با GPT-Live-1، یک مدل هوش مصنوعی شخص ثالث صحبت می کند. هر دو صدا توسط هوش مصنوعی تولید می شوند."، با اشاره به اینکه توسعه دهنده GPT-Live-1 به Block وابسته نیست و Dessa را بررسی یا تایید نکرده است.

چرا متن حذف شده را به طور کامل مسدود کنید

آموزش یک مدل بدون متن یک شرط بندی عمدی است. موضع بلاک این است که گفتار یک لفاف با اتلاف در اطراف زبان نیست - این رسانه اصلی است، و مدلی که با صدای خام رشد می‌کند ممکن است قابلیت‌ها و حالت‌های خرابی را ایجاد کند که سیستم‌های آموزش‌دیده با متن ندارند.

خود شرکت، پیشرفت علمی را به‌جای نتایج ثابت، به‌عنوان سؤالات باز تعریف می‌کند: مدل‌های فقط گفتاری در مقایسه با سیستم‌های آموزش‌دیده با متن، چقدر کارآمد زبان و حقایق را یاد می‌گیرند؟ چقدر می توانند زبان های جدید را یاد بگیرند؟ آنها چه نوع یادگیری درون زمینه ای را می توانند انجام دهند؟ در این اطلاعیه آمده است: «دسا مرز مدل‌های یادگیری عمیق را پیش می‌برد و مقوله‌ای متفاوت با رفتارهای کاملاً جدید و جالب برای کشف محققان ایجاد می‌کند».

همچنین یک ادعای عمل گرایانه در زمین مدفون است. بلاک می‌گوید استنباط دسا سریع‌تر از زمان واقعی اجرا می‌شود، بنابراین پاسخ‌ها بدون مکث‌های ناخوشایند که دستیارهای صوتی نوبتی را آزار می‌دهند، ارائه می‌شوند و - طبق پوشش Unite.AI از راه‌اندازی - که این مدل به‌طور محلی روی سخت‌افزار مصرف‌کننده‌ای به اندازه مک‌بوک پرو با تراشه M4 Max یا بهتر اجرا می‌شود. اگر دقیق باشد، یک مدل صدای تمام دوبلکس محلی در حال اجرا در لحظه‌ای قابل توجه خواهد بود که بیشتر هوش مصنوعی صوتی رقابتی در فضای ابری باقی می‌ماند.

"GPT-3 Moment for Speech"

Ragavan Thurairatnam، که رهبری آزمایشگاه تحقیقاتی هوش مصنوعی Block را بر عهده دارد، دسا را ​​اولین مدل هوش مصنوعی توصیف کرد که می تواند پس از آموزش کامل در مورد گفتار، مکالمه ای واقع بینانه داشته باشد و طبق گزارش Unite.AI در مورد اعلامیه، انتشار را "لحظه GPT3 برای سخنرانی" نامید. مقایسه اشاره شده است: اولین GPT-3 در سال 2020 بلافاصله محصولات مفیدی تولید نکرد، اما آنچه را که مدل‌های زبانی می‌توانستند انجام دهند مجدداً نشان داد و چرخه سرمایه‌گذاری فعلی را آغاز کرد.

The Verge که پرتاب را پوشش می داد، نتیجه را به عنوان مدلی توصیف کرد که "مثل یک دوست جدید بی دست و پا با شما صحبت می کند" - خلاصه ای خاطره انگیز از کلیپ های نمایشی که در آن دسا با تعجب زیر لب "اوه خدای من" نفس نفس می زند، یا به اخبار شخصی با چیزی که شبیه تشکر گریان به نظر می رسد پاسخ می دهد. اینکه آیا این رفتارها منعکس کننده درک واقعی هستند یا بازتولید الگوی پیچیده دقیقاً همان سؤالی است که بلاک می گوید از جامعه تحقیقاتی می خواهد که بررسی کنند.

زاویه ایمنی حرف اول را می زند — برای یک بار

قابل ذکر است، Block Dessa را مستقیماً برای مصرف کنندگان ارسال نمی کند. انتشار یک پیش‌نمایش تحقیقاتی است: ضبط‌ها عمومی هستند، فهرست انتظار باز است، اما دسترسی اولیه به گروه کوچکی از محققان ایمنی هوش مصنوعی محدود می‌شود. با توجه به نگرانی‌های مداوم در مورد کلاهبرداری‌های شبیه‌سازی صدا و همراهان هوش مصنوعی با دستکاری عاطفی، یک مدل گفتاری که می‌تواند احساسات را بیان کند - و احتمالاً برانگیزد - دقیقاً همان نوعی است که تیم‌های ایمنی سیستم می‌خواهند قبل از استقرار انبوه ارزیابی کنند.

بلاک می گوید ضبط های بیشتری در روزهای آینده در X به اشتراک گذاشته خواهد شد. این شرکت قیمت گذاری، دسترسی به API یا برنامه های یکپارچه سازی برای محصولات Square، Cash App یا Bitkey خود را اعلام نکرده است.

سوالات باز

پرتاب دسا در یک میدان شلوغ فرود می آید. اکنون هر آزمایشگاه بزرگ هوش مصنوعی یک حالت صوتی ارائه می‌کند و استارت‌آپ‌ها به مدت دو سال مدل‌های گفتار بلادرنگ را ارائه می‌کنند. چیزی که دسا را ​​متمایز می‌کند دستور آموزشی آن است - گفتار خالص، متن صفر - و این ادعا که رفتار محاوره‌ای ظاهری مانند خنده وسط جمله بدون دستورالعمل صریح به وجود آمده است.

شکاکان خواهان ارزیابی مستقل خواهند بود. آیا یک مدل بدون متن واقعاً می تواند حقایق را به طور قابل اعتماد یاد بگیرد، یا بدون پایه زبان نوشتاری آزادانه تر توهم می زند؟ آیا می‌تواند به زبان‌های جدید بدون رونویسی مقیاس شود؟ صفحه خود بلاک دقیقاً این سؤالات را دعوت می کند، که یا اعتماد به نفس یا تأیید صریح است که هیچ کس - از جمله بلاک - هنوز پاسخ را نمی داند.

در حال حاضر، Dessa یک مصنوع تحقیقاتی با لیست انتظار است. اما اگر آموزش فقط گفتاری با خطوط لوله مبتنی بر متن قابل رقابت باشد، بلاک ممکن است یکی از جالب‌ترین شرط‌بندی‌های متضاد در هوش مصنوعی مدرن را نشان دهد: این که سریع‌ترین مسیر برای مکالمه ماشینی طبیعی، ساخت ماشین‌هایی است که روشی را که ما یاد می‌گیریم – با گوش دادن- یاد می‌گیرند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →