בלוק, חברת התשלומים בראשות ג'ק דורסי, נכנסה למירוץ AI הקול עם טענה נועזת בצורה יוצאת דופן. ביום חמישי חשפה מעבדת המחקר הפנימית של החברה את דסה, מודל דיבור לדיבור שלדבריו בלוק אומן מאפס על שום דבר מלבד שיחה אנושית - ללא טקסט, ללא תמלילים וללא מודלים יסודיים שהוכשרו מראש מתחתיו.
"עד כמה שידוע לנו, דסה היא הבינה המלאכותית הראשונה בעולם שאפשר לנהל איתה שיחה חיה מציאותית שאומנה רק מדיבור אנושי", אומר בלוק בעמוד הרשמי של הדגם, שמתאר את השחרור כ"תצוגה מקדימה מחקרית של מודל דיבור דופלקס מלא". החברה מפרסמת הקלטות הדגמה חיות, פותחת רשימת המתנה ציבורית ומעניקה גישה מוקדמת לקבוצה קטנה של חוקרי בטיחות בינה מלאכותית. For more context on this story, see our ongoing latest AI developments.
מה זה בעצם דסה
דסה הוא מה שהחוקרים מכנים מודל דיבור לדיבור דופלקס מלא: כניסת אודיו, יציאת אודיו, ללא שכבת טקסט ביניהן. החלק האחרון הוא המבדיל. כמעט כל עוזר קולי מיינסטרים - כולל מצבי הקול המחוברים לצ'אטבוטים הגדולים ביותר - ממיר את הדיבור שלך לטקסט, מנמק אותו ומחזיר תגובה. בלוק טוען שהצינור זורק את רוב מה שהופך את השיחה האנושית לאנושית.
"אינטראקציה עם AI קולי נוכחי יכולה פשוט מבאסת", נכתב בהודעת החברה. "זה הופך את הקול שלך לטקסט וזורק כמות מדהימה של מידע שטקסט לבדו לא יכול לשאת. ה-AI החזקים ביותר בעולם לא יכולים לשמוע איך אתה מרגיש. אנחנו חושבים שזה מגוחך, מוביל לחוויה גרועה יותר, ועלול להיות מסוכן".
מכיוון שדסה אף פעם לא עוברת דרך טקסט, בלוק אומר שהוא קולט באופן מקורי רגשות, סרקזם, צחוק, אנחה מתוסכלת או קול נסדק מרוב עצב - האותות הפרה-לשוניים שמערכות מבוססות טקסט פוסלות בדרך כלל.
דופלקס מלא אומר שהוא מדבר כמו אדם, לא בוט שלוקח תור
התכונה המגדירה השנייה היא פעולה דופלקס מלא. דסה מקשיבה ומדברת בו-זמנית, כמו שאנשים עושים, במקום לחכות לסוף האמירה שזוהה לפני שמגיבים. לדברי בלוק, הדוגמנית למדה משיחות אמיתיות מתי לחתוך, מתי להופיע בערוץ אחורי כדי להראות שהיא עוקבת אחריה ומתי להישאר בשקט.
ההדגמות בדף החברה ממחישות התנהגויות שאיש לא תכנת במפורש. בקליפ אחד, דסה צוחק באמצע המשפט ברגע שמשהו הופך להיות מצחיק - "כמו שאנשים עושים", מציין בלוק, תוך ניגוד לזה עם עוזרי קול קונבנציונליים ש"מחכים שתסיימי, ואז צוחקים לפי סימן". באחר, משתמש מבקש מהדוגמנית לדבר וזה מתחזק. "אף אחד לא לימד את זה", אומרים בחברה. בשלישית, האדם ריק על שם סרט ודסה מסיים את המשפט עבורו.
בלוק גם מקפיד לסמן את מקורה של הדגמה אחת מושכת עין במיוחד, שבה דסה מנהלת שיחה חיה עם מערכת AI אחרת. "בהדגמה זו, דסה מדבר עם GPT-Live-1, מודל AI של צד שלישי. שני הקולות נוצרים בינה מלאכותית", נכתב בעמוד, ומציין כי המפתח של GPT-Live-1 אינו מזוהה עם בלוק ולא בדק או אישר את דסה.
למה לחסום טקסט שדילג עליו לחלוטין
אימון דוגמנית ללא טקסט כלל הוא הימור מכוון. עמדתו של בלוק היא שדיבור אינו עטיפה אובדת סביב השפה - הוא המדיום העיקרי, ומודל שגדל על סאונד גולמי עשוי לפתח יכולות ואופני כשל שאין למערכות מאומנות טקסט.
החברה עצמה ממסגרת את הצד המדעי כשאלות פתוחות ולא כתוצאות מובנות: באיזו יעילות מודלים לדיבור בלבד לומדים שפה ועובדות בהשוואה למערכות מאומנות טקסט? באיזו יעילות הם יכולים ללמוד שפות חדשות? אילו סוגי למידה בתוך הקשר הם יכולים לבצע? "דסה מקדמת את גבול המודלים של למידה עמוקה ויוצרת קטגוריה אחרת עם התנהגויות חדשות ומעניינות לחלוטין לחוקרים לגלות", נכתב בהודעה.
יש גם טענה פרגמטית קבורה במגרש. בלוק אומר שהמסק של דסה פועל מהר יותר מזמן אמת, כך שהתשובות מגיעות ללא הפסקות מביכות שמציקות לעוזרי קול מבוססי-תור, וכן - על פי סיקור של Unite.AI של ההשקה - שהדגם פועל באופן מקומי על חומרה צרכנית מסוגלת כמו MacBook Pro עם שבב M4 Max או טוב יותר. אם הוא מדויק, מודל קול דופלקס מלא הפועל באופן מקומי יהיה בולט ברגע בו רוב הבינה המלאכותית הקולית התחרותית נשארת קשורה לענן.
"רגע GPT-3 לדיבור"
Ragavan Thurairatnam, שמוביל את מעבדת המחקר של בינה מלאכותית של בלוק, תיאר את דסה כמודל הבינה המלאכותית הראשון שיכול לנהל שיחה מציאותית לאחר אימון כולו על דיבור, וכינה את השחרור "רגע GPT3 לדיבור", על פי הדיווח של Unite.AI על ההכרזה. ההשוואה נחרצת: הבכורה של GPT-3 לשנת 2020 לא יצרה מיד מוצרים שימושיים, אבל היא ניסחה מחדש את מה שמודלים לשפות יכולים לעשות והחלה את מחזור ההשקעות הנוכחי.
The Verge, שסיקר את ההשקה, תיאר את התוצאה כדוגמן ש"מדבר אליך כמו חבר חדש ומגושם" - סיכום מעורר של קטעי הדגמה שבהם דסה מתנשפת "אוי אלוהים" בהפתעה, או מגיבה לחדשות אישיות במה שנשמע כמו הכרת תודה דומעת. האם הגינונים האלה משקפים הבנה אמיתית או שחזור דפוסים מתוחכם הוא בדיוק סוג השאלה שבלוק אומר שהוא רוצה שקהילת המחקר תחקור.
זווית הבטיחות מגיעה ראשונה - פעם אחת
יש לציין שבלוק לא שולחת את דסה ישירות לצרכנים. המהדורה היא תצוגה מקדימה של מחקר: ההקלטות הן ציבוריות, רשימת המתנה פתוחה, אך גישה מוקדמת מעשית מוגבלת לקבוצה קטנה של חוקרי בטיחות בינה מלאכותית. בהתחשב בדאגה מתמשכת מהונאות שיבוט קול ומלווי בינה מלאכותית מניפולטיבית רגשית, מודל דיבור שיכול לבטא - וככל הנראה לעורר - רגש הוא בדיוק סוג הבטיחות של המערכת שצוותי בטיחות רוצים להעריך לפני פריסה המונית.
בלוק אומר שהקלטות נוספות ישותפו ב-X בימים הקרובים. החברה לא הכריזה על תמחור, גישת API או תוכניות אינטגרציה עבור מוצרי Square, Cash App או Bitkey שלה.
השאלות הפתוחות
ההשקה של דסה נוחתת בשדה הומה אדם. כל מעבדת AI גדולה מספקת כעת מצב קול, וסטארט-אפים דוחפים מודלים של דיבור בזמן אמת כבר שנתיים. מה שמייחד את דסה הוא מתכון האימון שלה - דיבור טהור, אפס טקסט - והטענה שהתנהגות שיחה מתעוררת כמו צחוק באמצע המשפט התעוררה ללא הוראה מפורשת.
הספקנים ירצו הערכה עצמאית. האם מודל נטול טקסט יכול באמת ללמוד עובדות בצורה מהימנה, או שהוא הוזה בצורה חופשית יותר ללא ביסוס השפה הכתובה? האם זה יכול להתאים לשפות חדשות ללא תמלילים? הדף של בלוק עצמו מזמין בדיוק את השאלות האלה, שהיא או ביטחון עצמי או הכרה גלויה שאף אחד - כולל בלוק - עדיין לא יודע את התשובות.
לעת עתה, דסה הוא חפץ מחקר עם רשימת המתנה. אבל אם אימון בדיבור בלבד יוכיח תחרותי עם צינורות מבוססי טקסט, ייתכן שבלוק עלה על אחד ההימורים הסותרים המעניינים יותר בבינה מלאכותית מודרנית: שהדרך המהירה ביותר לשיחת מכונה טבעית היא לבנות מכונות שלומדים כמונו - על ידי הקשבה.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
