Block, syarikat pembayaran yang diketuai oleh Jack Dorsey, telah memasuki perlumbaan AI suara dengan tuntutan yang luar biasa berani. Pada hari Khamis, makmal penyelidikan dalaman syarikat itu telah melancarkan Dessa, model pertuturan ke pertuturan yang dikatakan oleh Block telah dilatih dari awal tanpa apa-apa selain perbualan manusia — tiada teks, tiada transkrip dan tiada model asas terlatih di bawahnya.
"Setakat yang kami tahu, Dessa ialah AI pertama di dunia yang anda boleh mengadakan perbualan langsung yang realistik dengan yang dilatih hanya daripada pertuturan manusia," kata Block pada halaman rasmi model, yang menggambarkan keluaran itu sebagai "pratonton penyelidikan model pertuturan dupleks penuh." Syarikat itu menerbitkan rakaman demo secara langsung, membuka senarai tunggu awam, dan memberikan akses awal kepada sekumpulan kecil penyelidik keselamatan AI. For more context on this story, see our ongoing breaking AI news.
Apakah Dessa Sebenarnya
Dessa ialah apa yang penyelidik panggil model pertuturan-ke-pertuturan dupleks penuh: audio masuk, audio keluar, tanpa lapisan teks di antaranya. Bahagian terakhir itu adalah pembeza. Hampir setiap pembantu suara arus perdana — termasuk mod suara yang dilampirkan pada bot sembang terbesar — menukar pertuturan anda kepada teks, memberi alasan dan membalasnya. Block berpendapat bahawa saluran paip membuang kebanyakan perkara yang menjadikan perbualan manusia sebagai manusia.
"Berinteraksi dengan AI suara semasa boleh menjadi sia-sia, " kata pengumuman syarikat itu. "Ia mengubah suara anda menjadi teks dan membuang jumlah teks maklumat yang luar biasa sahaja yang tidak boleh dibawa. AI yang paling berkuasa di dunia tidak dapat mendengar perasaan anda. Kami fikir itu tidak masuk akal, membawa kepada pengalaman yang lebih teruk dan berpotensi berbahaya."
Oleh kerana Dessa tidak pernah melalui teks, Block mengatakan bahawa ia secara asalnya menangkap emosi, sindiran, ketawa, mengeluh kecewa atau suara yang pecah dengan kesedihan - isyarat paralinguistik yang biasanya dibuang oleh sistem berasaskan teks.
Full-Duplex Bermaksud Ia Bercakap Seperti Orang, Bukan Bot Pengambil Belok
Ciri penentu kedua ialah operasi dupleks penuh. Dessa mendengar dan bercakap pada masa yang sama, seperti yang dilakukan orang, dan bukannya menunggu penghujung luahan yang dikesan sebelum membalas. Menurut Block, model itu belajar daripada perbualan sebenar bila hendak memotong, bila hendak membuat saluran belakang untuk menunjukkan ia mengikuti, dan bila hendak berdiam diri.
Demo pada halaman syarikat menggambarkan tingkah laku yang tidak diprogramkan secara eksplisit oleh sesiapa. Dalam satu klip, Dessa ketawa di tengah-tengah ayat apabila sesuatu menjadi lucu — "cara orang ramai," nota blok, membezakannya dengan pembantu suara konvensional yang "menunggu anda selesai, kemudian ketawa mengikut isyarat." Dalam satu lagi, pengguna meminta model untuk bersuara dan ia menjadi lebih kuat. "Tiada siapa yang mengajarnya," kata syarikat itu. Dalam satu pertiga, orang itu mengosongkan tajuk filem dan Dessa menghabiskan ayat untuk mereka.
Block juga berhati-hati untuk menandakan asal satu demo yang sangat menarik perhatian, di mana Dessa mengadakan perbualan langsung dengan sistem AI yang lain. "Dalam demo ini, Dessa bercakap dengan GPT-Live-1, model AI pihak ketiga. Kedua-dua suara adalah dijana AI," halaman itu menyatakan, sambil menyatakan bahawa pembangun GPT-Live-1 tidak bergabung dengan Block dan belum menyemak atau mengesahkan Dessa.
Mengapa Sekat Teks Dilangkau Sepenuhnya
Melatih model tanpa teks sama sekali adalah pertaruhan yang disengajakan. Kedudukan blok adalah bahawa pertuturan bukanlah pembalut yang hilang di sekeliling bahasa — ia adalah perantara utama, dan model yang berkembang pada bunyi mentah mungkin membangunkan keupayaan dan mod kegagalan yang tidak dimiliki oleh sistem terlatih teks.
Syarikat itu sendiri merangka peningkatan saintifik sebagai soalan terbuka dan bukannya keputusan yang diselesaikan: sejauh manakah model pertuturan sahaja mempelajari bahasa dan fakta berbanding sistem terlatih teks? Sejauh manakah mereka boleh mempelajari bahasa baharu dengan cekap? Apakah jenis pembelajaran dalam konteks yang boleh mereka lakukan? "Dessa memajukan sempadan model pembelajaran mendalam dan mencipta kategori berbeza dengan gelagat baharu dan menarik untuk ditemui oleh penyelidik," bunyi pengumuman itu.
Terdapat juga tuntutan pragmatik yang terkubur di dalam padang. Block mengatakan inferens Dessa berjalan lebih pantas daripada masa nyata, jadi balasan datang tanpa jeda janggal yang melanda pembantu suara berasaskan giliran, dan — menurut liputan Unite.AI mengenai pelancaran — bahawa model itu berjalan secara tempatan pada perkakasan pengguna yang berkemampuan seperti MacBook Pro dengan cip M4 Max atau lebih baik. Jika tepat, model suara dupleks penuh yang dijalankan secara tempatan akan menjadi ketara apabila kebanyakan AI suara berdaya saing kekal terikat awan.
"Momen GPT-3 untuk Ucapan"
Ragavan Thurairatnam, yang mengetuai makmal penyelidikan AI Block, menyifatkan Dessa sebagai model AI pertama yang boleh mengadakan perbualan realistik selepas latihan sepenuhnya tentang pertuturan, dan menggelar pelepasan itu sebagai "saat GPT3 untuk ucapan," menurut laporan Unite.AI mengenai pengumuman itu. Perbandingannya jelas: Debut 2020 GPT-3 tidak segera menghasilkan produk yang berguna, tetapi ia merangka semula model bahasa yang boleh dilakukan dan memulakan kitaran pelaburan semasa.
The Verge, yang membuat liputan mengenai pelancaran itu, menyifatkan keputusan itu sebagai model yang "bercakap dengan anda seperti rakan baharu yang janggal" — ringkasan klip demo yang menggembirakan di mana Dessa tercungap-cungap "oh my god" dalam nafasnya secara mengejut, atau membalas berita peribadi dengan apa yang terdengar seperti kesyukuran yang mengalirkan air mata. Sama ada tingkah laku itu mencerminkan pemahaman yang tulen atau penghasilan semula corak yang canggih adalah jenis soalan yang dikatakan oleh Block ia mahu komuniti penyelidik menyiasat.
Sudut Keselamatan Diutamakan — Untuk Sekali
Terutama, Block tidak menghantar Dessa terus kepada pengguna. Keluaran ini adalah pratonton penyelidikan: rakaman adalah umum, senarai tunggu dibuka, tetapi akses awal langsung dihadkan kepada sekumpulan kecil penyelidik keselamatan AI. Memandangkan kebimbangan berterusan tentang penipuan pengklonan suara dan rakan AI yang memanipulasi emosi, model pertuturan yang boleh mengekspresikan — dan mungkin menimbulkan — emosi adalah jenis yang ingin dinilai oleh pasukan keselamatan sistem sebelum penggunaan besar-besaran.
Block mengatakan lebih banyak rakaman akan dikongsi di X dalam beberapa hari akan datang. Syarikat itu belum mengumumkan penetapan harga, akses API, atau pelan penyepaduan untuk produk Square, Cash App atau Bitkeynya.
Soalan Terbuka
Pelancaran Dessa mendarat di padang yang sesak. Setiap makmal AI utama kini menghantar mod suara, dan pemula telah mendorong model pertuturan masa nyata selama dua tahun. Apa yang membezakan Dessa ialah resipi latihannya — pertuturan tulen, teks sifar — dan dakwaan bahawa tingkah laku perbualan yang muncul seperti ketawa pertengahan ayat timbul tanpa arahan yang jelas.
Skeptik akan mahukan penilaian bebas. Bolehkah model tanpa teks sebenarnya mempelajari fakta dengan pasti, atau adakah ia berhalusinasi dengan lebih bebas tanpa asas bahasa bertulis? Bolehkah ia menskalakan kepada bahasa baharu tanpa transkrip? Halaman Block sendiri mengundang soalan-soalan ini, sama ada keyakinan atau pengakuan terus terang bahawa tiada siapa — termasuk Block — tahu jawapannya.
Buat masa ini, Dessa ialah artifak penyelidikan dengan senarai tunggu. Tetapi jika latihan pertuturan sahaja terbukti berdaya saing dengan saluran paip berasaskan teks, Block mungkin telah memunculkan salah satu pertaruhan kontrarian yang lebih menarik dalam AI moden: bahawa laluan terpantas ke perbualan mesin semula jadi ialah membina mesin yang mempelajari cara kami - dengan mendengar.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
