जैक डोर्सी के नेतृत्व वाली भुगतान कंपनी ब्लॉक ने असामान्य रूप से साहसिक दावे के साथ वॉयस एआई दौड़ में प्रवेश किया है। गुरुवार को, कंपनी की इन-हाउस रिसर्च लैब ने डेसा का अनावरण किया, जो एक स्पीच-टू-स्पीच मॉडल है, जिसके बारे में ब्लॉक का कहना है कि इसे मानव वार्तालाप के अलावा किसी और चीज़ पर प्रशिक्षित नहीं किया गया था - कोई पाठ नहीं, कोई प्रतिलेख नहीं, और नीचे कोई पूर्व-प्रशिक्षित फाउंडेशन मॉडल नहीं था।
मॉडल के आधिकारिक पेज पर ब्लॉक का कहना है, "जहां तक हम जानते हैं, डेसा दुनिया का पहला एआई है जिसके साथ आप यथार्थवादी लाइव बातचीत कर सकते हैं, जिसे केवल मानव भाषण से प्रशिक्षित किया गया था।" कंपनी लाइव डेमो रिकॉर्डिंग प्रकाशित कर रही है, एक सार्वजनिक प्रतीक्षा सूची खोल रही है, और एआई सुरक्षा शोधकर्ताओं के एक छोटे समूह को शीघ्र पहुंच प्रदान कर रही है। For more context on this story, see our ongoing artificial intelligence updates.
वास्तव में डेसा क्या है
डेसा वह है जिसे शोधकर्ता पूर्ण-डुप्लेक्स स्पीच-टू-स्पीच मॉडल कहते हैं: ऑडियो इन, ऑडियो आउट, बीच में कोई टेक्स्ट परत नहीं। वह अंतिम भाग विभेदक है। वस्तुतः हर मुख्यधारा का वॉयस असिस्टेंट - जिसमें सबसे बड़े चैटबॉट्स से जुड़े वॉयस मोड भी शामिल हैं - आपके भाषण को टेक्स्ट में परिवर्तित करता है, उस पर तर्क करता है, और प्रतिक्रिया देता है। ब्लॉक का तर्क है कि पाइपलाइन मानवीय बातचीत को मानवीय बनाने वाली अधिकांश चीज़ों को ख़त्म कर देती है।
कंपनी की घोषणा में कहा गया है, "मौजूदा आवाज एआई के साथ बातचीत करना बिल्कुल बेकार हो सकता है।" "यह आपकी आवाज़ को टेक्स्ट में बदल देता है और अविश्वसनीय मात्रा में जानकारी फेंक देता है जिसे टेक्स्ट अकेले नहीं ले जा सकता है। दुनिया में सबसे शक्तिशाली एआई यह नहीं सुन सकते कि आप कैसा महसूस करते हैं। हमें लगता है कि यह हास्यास्पद है, एक बदतर अनुभव की ओर ले जाता है, और संभावित रूप से खतरनाक है।"
क्योंकि डेसा कभी भी पाठ से नहीं गुजरता है, ब्लॉक का कहना है कि यह मूल रूप से भावना, व्यंग्य, हँसी, एक निराश आह, या उदासी से टूटती आवाज को उठाता है - पारिभाषिक संकेत जो पाठ-आधारित सिस्टम आम तौर पर त्याग देते हैं।
फुल-डुप्लेक्स का मतलब है कि यह एक व्यक्ति की तरह बात करता है, टर्न-टेकिंग बॉट की तरह नहीं
दूसरी परिभाषित विशेषता पूर्ण-द्वैध संचालन है। डेसा एक ही समय में सुनती और बात करती है, जिस तरह से लोग प्रतिक्रिया देने से पहले उच्चारण के अंत की प्रतीक्षा करने के बजाय सुनते हैं। ब्लॉक के अनुसार, मॉडल ने वास्तविक बातचीत से सीखा कि कब बीच में आना है, कब बैकचैनल दिखाना है कि वह साथ चल रहा है, और कब चुप रहना है।
कंपनी के पेज पर डेमो उन व्यवहारों को दर्शाता है जिन्हें किसी ने भी स्पष्ट रूप से प्रोग्राम नहीं किया है। एक क्लिप में, डेसा वाक्य के बीच में उस क्षण हंसती है जब कुछ मजाकिया हो जाता है - "जिस तरह से लोग करते हैं," ब्लॉक नोट्स, पारंपरिक आवाज सहायकों के साथ इसकी तुलना करते हुए कहते हैं कि "आपके समाप्त होने की प्रतीक्षा करें, फिर संकेत पर हंसें।" दूसरे में, एक उपयोगकर्ता मॉडल से बोलने के लिए कहता है और यह तेज़ हो जाता है। कंपनी का कहना है, ''किसी ने इसे यह नहीं सिखाया।'' तीसरे में, व्यक्ति फिल्म का शीर्षक खाली कर देता है और डेसा उनके लिए वाक्य पूरा कर देता है।
ब्लॉक एक विशेष रूप से आकर्षक डेमो की उत्पत्ति को चिह्नित करने में भी सावधानी बरतता है, जिसमें डेसा एक अन्य एआई सिस्टम के साथ लाइव बातचीत करता है। पेज में कहा गया है, "इस डेमो में, डेसा तीसरे पक्ष के एआई मॉडल जीपीटी-लाइव-1 के साथ बात कर रही है। दोनों आवाजें एआई-जनरेटेड हैं।" पेज में कहा गया है कि जीपीटी-लाइव-1 का डेवलपर ब्लॉक से संबद्ध नहीं है और उसने डेसा की समीक्षा या समर्थन नहीं किया है।
छोड़े गए टेक्स्ट को पूरी तरह से ब्लॉक क्यों करें
किसी मॉडल को बिना किसी पाठ के प्रशिक्षित करना एक जानबूझकर किया गया दांव है। ब्लॉक की स्थिति यह है कि भाषण भाषा के चारों ओर एक हानिपूर्ण आवरण नहीं है - यह प्राथमिक माध्यम है, और एक मॉडल जो कच्ची ध्वनि पर बढ़ता है वह क्षमताएं और विफलता मोड विकसित कर सकता है जो पाठ-प्रशिक्षित सिस्टम में नहीं है।
कंपनी स्वयं वैज्ञानिक पहलू को स्थापित परिणामों के बजाय खुले प्रश्नों के रूप में पेश करती है: पाठ-प्रशिक्षित प्रणालियों की तुलना में केवल-वाक् मॉडल भाषा और तथ्यों को कितनी कुशलता से सीखते हैं? वे कितनी कुशलता से नई भाषाएँ सीख सकते हैं? वे किस प्रकार की संदर्भ-आधारित शिक्षा प्रदान कर सकते हैं? घोषणा में कहा गया है, "डेसा गहन शिक्षण मॉडल की सीमा को आगे बढ़ाता है और शोधकर्ताओं के लिए खोज करने के लिए पूरी तरह से नए और दिलचस्प व्यवहारों के साथ एक अलग श्रेणी बनाता है।"
पिच में एक व्यावहारिक दावा भी दबा हुआ है. ब्लॉक का कहना है कि डेसा का अनुमान वास्तविक समय की तुलना में तेजी से चलता है, इसलिए उत्तर उन अजीब रुकावटों के बिना आते हैं जो टर्न-आधारित वॉयस असिस्टेंट को परेशान करते हैं, और - लॉन्च के यूनाइट.एआई द्वारा कवरेज के अनुसार - यह मॉडल स्थानीय रूप से उपभोक्ता हार्डवेयर पर चलता है जो एम 4 मैक्स चिप या बेहतर के साथ मैकबुक प्रो के रूप में सक्षम है। यदि सटीक है, तो स्थानीय रूप से चलने वाला फुल-डुप्लेक्स वॉयस मॉडल उस समय उल्लेखनीय होगा जब सबसे प्रतिस्पर्धी वॉयस एआई क्लाउड-बाउंड रहेगा।
भाषण के लिए एक "जीपीटी-3 क्षण"
घोषणा पर यूनाइट.एआई की रिपोर्ट के अनुसार, ब्लॉक की एआई अनुसंधान प्रयोगशाला का नेतृत्व करने वाले रागवन थुरैरत्नम ने डेसा को पहला एआई मॉडल बताया जो पूरी तरह से भाषण पर प्रशिक्षण के बाद यथार्थवादी बातचीत कर सकता है, और रिलीज को "भाषण के लिए एक जीपीटी3 क्षण" कहा। तुलना इंगित की गई है: GPT-3 की 2020 की शुरुआत ने तुरंत उपयोगी उत्पादों का उत्पादन नहीं किया, लेकिन इसने भाषा मॉडल क्या कर सकते हैं, इसे फिर से परिभाषित किया और वर्तमान निवेश चक्र को शुरू कर दिया।
द वर्ज, जिसने लॉन्च को कवर किया, ने परिणाम को एक मॉडल के रूप में वर्णित किया जो "एक अजीब नए दोस्त की तरह आपसे बात करता है" - डेमो क्लिप का एक विचारोत्तेजक सारांश जिसमें डेसा आश्चर्य में अपनी सांस के तहत "ओह माय गॉड" कहता है, या व्यक्तिगत समाचार पर प्रतिक्रिया करता है जो अश्रुपूर्ण कृतज्ञता की तरह लगता है। क्या वे तौर-तरीके वास्तविक समझ को प्रतिबिंबित करते हैं या परिष्कृत पैटर्न पुनरुत्पादन ठीक उसी प्रकार का प्रश्न है, ब्लॉक का कहना है कि वह चाहता है कि अनुसंधान समुदाय इसकी जांच करे।
सुरक्षा का दृष्टिकोण सबसे पहले आता है - एक बार के लिए
विशेष रूप से, ब्लॉक सीधे उपभोक्ताओं को डेसा नहीं भेज रहा है। रिलीज़ एक शोध पूर्वावलोकन है: रिकॉर्डिंग सार्वजनिक हैं, एक प्रतीक्षा सूची खुली है, लेकिन व्यावहारिक शुरुआती पहुंच एआई सुरक्षा शोधकर्ताओं के एक छोटे समूह तक ही सीमित है। वॉयस-क्लोनिंग घोटालों और भावनात्मक रूप से हेरफेर करने वाले एआई साथियों के बारे में चल रही चिंता को देखते हुए, एक भाषण मॉडल जो भावनाओं को व्यक्त कर सकता है - और संभवतः उत्पन्न कर सकता है - ठीक उसी तरह की सिस्टम सुरक्षा टीमें बड़े पैमाने पर तैनाती से पहले मूल्यांकन करना चाहती हैं।
ब्लॉक का कहना है कि आने वाले दिनों में एक्स पर और रिकॉर्डिंग साझा की जाएंगी। कंपनी ने अपने स्क्वायर, कैश ऐप या बिटकी उत्पादों के लिए मूल्य निर्धारण, एपीआई एक्सेस या एकीकरण योजना की घोषणा नहीं की है।
खुले प्रश्न
डेसा का प्रक्षेपण एक भीड़ भरे मैदान में उतरा। प्रत्येक प्रमुख एआई लैब अब एक वॉयस मोड पेश करती है, और स्टार्टअप दो वर्षों से वास्तविक समय के भाषण मॉडल पर जोर दे रहे हैं। डेसा को जो चीज़ अलग करती है, वह है इसका प्रशिक्षण नुस्खा - शुद्ध भाषण, शून्य पाठ - और यह दावा कि मध्य-वाक्य हँसी जैसे उभरते वार्तालाप व्यवहार स्पष्ट निर्देश के बिना उत्पन्न हुए।
संशयवादी स्वतंत्र मूल्यांकन चाहेंगे। क्या एक पाठ-मुक्त मॉडल वास्तव में तथ्यों को विश्वसनीय रूप से सीख सकता है, या क्या यह लिखित भाषा के आधार के बिना अधिक स्वतंत्र रूप से मतिभ्रम करता है? क्या यह प्रतिलेखों के बिना नई भाषाओं में स्केल कर सकता है? ब्लॉक का अपना पेज बिल्कुल इन सवालों को आमंत्रित करता है, जो या तो आत्मविश्वास है या एक स्पष्ट स्वीकृति है कि कोई भी - ब्लॉक सहित - अभी तक उत्तर नहीं जानता है।
अभी के लिए, डेसा एक प्रतीक्षा सूची के साथ एक शोध कलाकृति है। लेकिन यदि केवल भाषण प्रशिक्षण टेक्स्ट-ग्राउंडेड पाइपलाइनों के साथ प्रतिस्पर्धी साबित होता है, तो ब्लॉक आधुनिक एआई में अधिक दिलचस्प विरोधाभासी दांवों में से एक सामने आ सकता है: प्राकृतिक मशीन वार्तालाप का सबसे तेज़ मार्ग ऐसी मशीनें बनाना है जो हमारे तरीके से सीखें - सुनकर।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
