ਬਲਾਕ, ਜੈਕ ਡੋਰਸੀ ਦੀ ਅਗਵਾਈ ਵਾਲੀ ਭੁਗਤਾਨ ਕੰਪਨੀ, ਅਸਾਧਾਰਨ ਤੌਰ 'ਤੇ ਬੋਲਡ ਦਾਅਵੇ ਨਾਲ ਵੌਇਸ ਏਆਈ ਰੇਸ ਵਿੱਚ ਦਾਖਲ ਹੋਈ ਹੈ। ਵੀਰਵਾਰ ਨੂੰ, ਕੰਪਨੀ ਦੀ ਇਨ-ਹਾਊਸ ਰਿਸਰਚ ਲੈਬ ਨੇ ਡੇਸਾ ਦਾ ਪਰਦਾਫਾਸ਼ ਕੀਤਾ, ਇੱਕ ਸਪੀਚ-ਟੂ-ਸਪੀਚ ਮਾਡਲ ਜਿਸ ਬਾਰੇ ਬਲਾਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਕੁਝ ਨਹੀਂ - ਕੋਈ ਟੈਕਸਟ, ਕੋਈ ਪ੍ਰਤੀਲਿਪੀ, ਅਤੇ ਹੇਠਾਂ ਕੋਈ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਨਹੀਂ ਹਨ।
"ਜਿੱਥੋਂ ਤੱਕ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ, ਡੇਸਾ ਦੁਨੀਆ ਦਾ ਪਹਿਲਾ AI ਹੈ ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਲਾਈਵ ਗੱਲਬਾਤ ਕਰ ਸਕਦੇ ਹੋ ਜਿਸਨੂੰ ਸਿਰਫ ਮਨੁੱਖੀ ਭਾਸ਼ਣ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ," ਬਲਾਕ ਨੇ ਮਾਡਲ ਦੇ ਅਧਿਕਾਰਤ ਪੰਨੇ 'ਤੇ ਕਿਹਾ, ਜੋ ਰੀਲੀਜ਼ ਨੂੰ "ਪੂਰੇ-ਡੁਪਲੈਕਸ ਸਪੀਚ ਮਾਡਲ ਦੀ ਖੋਜ ਪ੍ਰੀਵਿਊ" ਵਜੋਂ ਦਰਸਾਉਂਦਾ ਹੈ। ਕੰਪਨੀ ਲਾਈਵ ਡੈਮੋ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਰਹੀ ਹੈ, ਇੱਕ ਜਨਤਕ ਉਡੀਕ ਸੂਚੀ ਖੋਲ੍ਹ ਰਹੀ ਹੈ, ਅਤੇ AI ਸੁਰੱਖਿਆ ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਨੂੰ ਛੇਤੀ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰ ਰਹੀ ਹੈ। For more context on this story, see our ongoing latest AI developments.
ਦੇਸਾ ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ
ਡੇਸਾ ਉਹ ਹੈ ਜਿਸ ਨੂੰ ਖੋਜਕਰਤਾ ਇੱਕ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਸਪੀਚ-ਟੂ-ਸਪੀਚ ਮਾਡਲ ਕਹਿੰਦੇ ਹਨ: ਆਡੀਓ ਇਨ, ਆਡੀਓ ਆਉਟ, ਵਿਚਕਾਰ ਕੋਈ ਟੈਕਸਟ ਪਰਤ ਨਹੀਂ ਹੈ। ਉਹ ਆਖਰੀ ਭਾਗ ਵੱਖਰਾ ਕਰਨ ਵਾਲਾ ਹੈ। ਅਸਲ ਵਿੱਚ ਹਰ ਮੁੱਖ ਧਾਰਾ ਵੌਇਸ ਅਸਿਸਟੈਂਟ — ਸਭ ਤੋਂ ਵੱਡੇ ਚੈਟਬੋਟਸ ਨਾਲ ਜੁੜੇ ਵੌਇਸ ਮੋਡਾਂ ਸਮੇਤ — ਤੁਹਾਡੀ ਬੋਲੀ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਇਸਦੇ ਕਾਰਨਾਂ, ਅਤੇ ਜਵਾਬ ਵਾਪਸ ਬੋਲਦਾ ਹੈ। ਬਲਾਕ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਪਾਈਪਲਾਈਨ ਜ਼ਿਆਦਾਤਰ ਚੀਜ਼ਾਂ ਨੂੰ ਸੁੱਟ ਦਿੰਦੀ ਹੈ ਜੋ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਨੂੰ ਮਨੁੱਖੀ ਬਣਾਉਂਦੀ ਹੈ।
ਕੰਪਨੀ ਦੀ ਘੋਸ਼ਣਾ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਹੈ, "ਮੌਜੂਦਾ ਵੌਇਸ ਏਆਈ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨਾ ਸਾਦਾ ਚੂਸ ਸਕਦਾ ਹੈ।" "ਇਹ ਤੁਹਾਡੀ ਅਵਾਜ਼ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਨੂੰ ਦੂਰ ਸੁੱਟ ਦਿੰਦਾ ਹੈ ਜੋ ਟੈਕਸਟ ਇਕੱਲੇ ਨਹੀਂ ਲਿਜਾ ਸਕਦਾ। ਦੁਨੀਆ ਦੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਇਹ ਨਹੀਂ ਸੁਣ ਸਕਦੇ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਮਹਿਸੂਸ ਕਰਦੇ ਹੋ। ਸਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਹਾਸੋਹੀਣਾ ਹੈ, ਇੱਕ ਬਦਤਰ ਅਨੁਭਵ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਖ਼ਤਰਨਾਕ ਹੈ।"
ਕਿਉਂਕਿ ਡੇਸਾ ਕਦੇ ਵੀ ਟੈਕਸਟ ਵਿੱਚੋਂ ਨਹੀਂ ਲੰਘਦਾ, ਬਲਾਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਇਹ ਮੂਲ ਰੂਪ ਵਿੱਚ ਭਾਵਨਾਵਾਂ, ਵਿਅੰਗ, ਹਾਸੇ, ਇੱਕ ਨਿਰਾਸ਼ ਸਾਹ, ਜਾਂ ਉਦਾਸੀ ਨਾਲ ਕ੍ਰੈਕ ਕਰਨ ਵਾਲੀ ਆਵਾਜ਼ ਨੂੰ ਚੁੱਕਦਾ ਹੈ - ਪਰਭਾਸ਼ਾਈ ਸੰਕੇਤ ਜੋ ਟੈਕਸਟ-ਆਧਾਰਿਤ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਰੱਦ ਕਰਦੇ ਹਨ।
ਫੁੱਲ-ਡੁਪਲੈਕਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਇੱਕ ਵਿਅਕਤੀ ਵਾਂਗ ਗੱਲ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਵਾਰੀ-ਵਾਰੀ ਲੈਣ ਵਾਲੇ ਬੋਟ
ਦੂਜਾ ਪਰਿਭਾਸ਼ਿਤ ਗੁਣ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਓਪਰੇਸ਼ਨ ਹੈ। ਡੈਸਾ ਉਸੇ ਸਮੇਂ ਸੁਣਦਾ ਅਤੇ ਗੱਲ ਕਰਦਾ ਹੈ, ਜਿਸ ਤਰ੍ਹਾਂ ਲੋਕ ਕਰਦੇ ਹਨ, ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਕਿਸੇ ਖੋਜੀ ਅੰਤ ਦੀ ਉਡੀਕ ਕਰਨ ਦੀ ਬਜਾਏ। ਬਲਾਕ ਦੇ ਅਨੁਸਾਰ, ਮਾਡਲ ਨੇ ਅਸਲ ਗੱਲਬਾਤ ਤੋਂ ਸਿੱਖਿਆ ਕਿ ਕਦੋਂ ਕੱਟਣਾ ਹੈ, ਕਦੋਂ ਬੈਕਚੈਨਲ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਇਹ ਇਸਦੇ ਨਾਲ ਚੱਲ ਰਿਹਾ ਹੈ, ਅਤੇ ਕਦੋਂ ਚੁੱਪ ਰਹਿਣਾ ਹੈ।
ਕੰਪਨੀ ਦੇ ਪੰਨੇ 'ਤੇ ਡੈਮੋ ਉਨ੍ਹਾਂ ਵਿਵਹਾਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਕਿਸੇ ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪ੍ਰੋਗਰਾਮ ਨਹੀਂ ਕੀਤਾ। ਇੱਕ ਕਲਿੱਪ ਵਿੱਚ, ਡੇਸਾ ਅੱਧ-ਵਾਕ ਵਿੱਚ ਹੱਸਦਾ ਹੈ ਜਦੋਂ ਕੁਝ ਮਜ਼ਾਕੀਆ ਬਣ ਜਾਂਦਾ ਹੈ — "ਜਿਸ ਤਰ੍ਹਾਂ ਲੋਕ ਕਰਦੇ ਹਨ," ਬਲਾਕ ਨੋਟਸ, ਇਸ ਨੂੰ ਰਵਾਇਤੀ ਵੌਇਸ ਅਸਿਸਟੈਂਟਸ ਨਾਲ ਵਿਪਰੀਤ ਕਰਦੇ ਹੋਏ ਕਿ "ਤੁਹਾਡੇ ਖਤਮ ਹੋਣ ਦੀ ਉਡੀਕ ਕਰੋ, ਫਿਰ ਸੰਕੇਤ 'ਤੇ ਹੱਸੋ।" ਦੂਜੇ ਵਿੱਚ, ਇੱਕ ਉਪਭੋਗਤਾ ਮਾਡਲ ਨੂੰ ਬੋਲਣ ਲਈ ਕਹਿੰਦਾ ਹੈ ਅਤੇ ਇਹ ਉੱਚੀ ਹੋ ਜਾਂਦੀ ਹੈ। "ਕਿਸੇ ਨੇ ਇਹ ਨਹੀਂ ਸਿਖਾਇਆ," ਕੰਪਨੀ ਕਹਿੰਦੀ ਹੈ। ਇੱਕ ਤੀਜੇ ਵਿੱਚ, ਵਿਅਕਤੀ ਇੱਕ ਫਿਲਮ ਦੇ ਸਿਰਲੇਖ ਨੂੰ ਖਾਲੀ ਕਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਡੇਸਾ ਉਹਨਾਂ ਲਈ ਸਜ਼ਾ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ।
ਬਲਾਕ ਇੱਕ ਖਾਸ ਤੌਰ 'ਤੇ ਧਿਆਨ ਖਿੱਚਣ ਵਾਲੇ ਡੈਮੋ ਦੀ ਉਤਪੱਤੀ ਨੂੰ ਫਲੈਗ ਕਰਨ ਲਈ ਵੀ ਸਾਵਧਾਨ ਹੈ, ਜਿਸ ਵਿੱਚ ਡੇਸਾ ਕਿਸੇ ਹੋਰ ਏਆਈ ਸਿਸਟਮ ਨਾਲ ਲਾਈਵ ਗੱਲਬਾਤ ਕਰਦਾ ਹੈ। "ਇਸ ਡੈਮੋ ਵਿੱਚ, Dessa GPT-Live-1 ਨਾਲ ਗੱਲ ਕਰ ਰਿਹਾ ਹੈ, ਇੱਕ ਤੀਜੀ-ਪਾਰਟੀ AI ਮਾਡਲ। ਦੋਵੇਂ ਆਵਾਜ਼ਾਂ AI-ਉਤਪੰਨ ਹਨ," ਪੰਨਾ ਦੱਸਦਾ ਹੈ ਕਿ GPT-Live-1 ਦਾ ਡਿਵੈਲਪਰ ਬਲਾਕ ਨਾਲ ਸੰਬੰਧਿਤ ਨਹੀਂ ਹੈ ਅਤੇ ਉਸ ਨੇ ਡੇਸਾ ਦੀ ਸਮੀਖਿਆ ਜਾਂ ਸਮਰਥਨ ਨਹੀਂ ਕੀਤਾ ਹੈ।
ਪੂਰੀ ਤਰ੍ਹਾਂ ਛੱਡੇ ਗਏ ਟੈਕਸਟ ਨੂੰ ਬਲਾਕ ਕਿਉਂ ਕੀਤਾ ਗਿਆ
ਬਿਨਾਂ ਟੈਕਸਟ ਦੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਇੱਕ ਜਾਣਬੁੱਝ ਕੇ ਬਾਜ਼ੀ ਹੈ। ਬਲਾਕ ਦੀ ਸਥਿਤੀ ਇਹ ਹੈ ਕਿ ਬੋਲੀ ਭਾਸ਼ਾ ਦੇ ਦੁਆਲੇ ਇੱਕ ਨੁਕਸਾਨਦਾਇਕ ਰੈਪਰ ਨਹੀਂ ਹੈ - ਇਹ ਪ੍ਰਾਇਮਰੀ ਮਾਧਿਅਮ ਹੈ, ਅਤੇ ਇੱਕ ਮਾਡਲ ਜੋ ਕੱਚੀ ਆਵਾਜ਼ 'ਤੇ ਵਧਦਾ ਹੈ, ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਅਸਫਲ ਮੋਡਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਟੈਕਸਟ-ਸਿਖਿਅਤ ਪ੍ਰਣਾਲੀਆਂ ਕੋਲ ਨਹੀਂ ਹੈ।
ਕੰਪਨੀ ਖੁਦ ਵਿਗਿਆਨਕ ਉਪਰਾਲੇ ਨੂੰ ਸੁਲਝੇ ਹੋਏ ਨਤੀਜਿਆਂ ਦੀ ਬਜਾਏ ਖੁੱਲ੍ਹੇ ਸਵਾਲਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਫਰੇਮ ਕਰਦੀ ਹੈ: ਪਾਠ-ਸਿਖਿਅਤ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਸਿਰਫ-ਸਪੀਚ ਮਾਡਲ ਕਿੰਨੀ ਕੁ ਕੁਸ਼ਲਤਾ ਨਾਲ ਭਾਸ਼ਾ ਅਤੇ ਤੱਥ ਸਿੱਖਦੇ ਹਨ? ਉਹ ਕਿੰਨੀ ਕੁ ਕੁਸ਼ਲਤਾ ਨਾਲ ਨਵੀਆਂ ਭਾਸ਼ਾਵਾਂ ਸਿੱਖ ਸਕਦੇ ਹਨ? ਉਹ ਕਿਸ ਕਿਸਮ ਦੀ ਸੰਦਰਭ ਵਿੱਚ ਸਿਖਲਾਈ ਕਰ ਸਕਦੇ ਹਨ? "ਡੇਸਾ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ ਦੀ ਸਰਹੱਦ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੇਂ ਅਤੇ ਦਿਲਚਸਪ ਵਿਹਾਰਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵੱਖਰੀ ਸ਼੍ਰੇਣੀ ਬਣਾਉਂਦਾ ਹੈ," ਘੋਸ਼ਣਾ ਪੜ੍ਹਦੀ ਹੈ।
ਪਿੱਚ ਵਿੱਚ ਦੱਬਿਆ ਇੱਕ ਵਿਹਾਰਕ ਦਾਅਵਾ ਵੀ ਹੈ. ਬਲਾਕ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਡੇਸਾ ਦਾ ਅਨੁਮਾਨ ਅਸਲ ਸਮੇਂ ਨਾਲੋਂ ਤੇਜ਼ ਚੱਲਦਾ ਹੈ, ਇਸਲਈ ਜਵਾਬ ਅਜੀਬ ਵਿਰਾਮ ਦੇ ਬਿਨਾਂ ਆਉਂਦੇ ਹਨ ਜੋ ਵਾਰੀ-ਅਧਾਰਿਤ ਵੌਇਸ ਅਸਿਸਟੈਂਟਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਅਤੇ - ਲਾਂਚ ਦੇ Unite.AI ਦੁਆਰਾ ਕਵਰੇਜ ਦੇ ਅਨੁਸਾਰ - ਕਿ ਮਾਡਲ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾ ਹਾਰਡਵੇਅਰ 'ਤੇ ਚੱਲਦਾ ਹੈ ਜਿੰਨਾ ਇੱਕ M4 ਮੈਕਸ ਚਿਪ ਨਾਲ ਮੈਕਬੁੱਕ ਪ੍ਰੋ ਜਾਂ ਬਿਹਤਰ ਹੈ। ਜੇਕਰ ਸਹੀ ਹੈ, ਤਾਂ ਇੱਕ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚੱਲ ਰਿਹਾ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਵੌਇਸ ਮਾਡਲ ਉਸ ਸਮੇਂ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੋਵੇਗਾ ਜਦੋਂ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਤੀਯੋਗੀ ਵੌਇਸ AI ਕਲਾਉਡ-ਬਾਊਂਡ ਰਹਿੰਦਾ ਹੈ।
ਇੱਕ "ਭਾਸ਼ਣ ਲਈ ਜੀਪੀਟੀ-3 ਪਲ"
ਬਲਾਕ ਦੀ ਏਆਈ ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀ ਅਗਵਾਈ ਕਰਨ ਵਾਲੇ ਰਾਗਵਨ ਥੁਰੈਰਤਨਮ ਨੇ ਡੇਸਾ ਨੂੰ ਪਹਿਲਾ ਏਆਈ ਮਾਡਲ ਦੱਸਿਆ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਭਾਸ਼ਣ ਦੀ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਗੱਲਬਾਤ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਐਲਾਨ 'ਤੇ Unite.AI ਦੀ ਰਿਪੋਰਟ ਦੇ ਅਨੁਸਾਰ, ਰਿਲੀਜ਼ ਨੂੰ "ਭਾਸ਼ਣ ਲਈ ਇੱਕ GPT3 ਪਲ" ਕਿਹਾ। ਤੁਲਨਾ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ ਗਿਆ ਹੈ: GPT-3 ਦੇ 2020 ਦੀ ਸ਼ੁਰੂਆਤ ਨੇ ਤੁਰੰਤ ਲਾਭਦਾਇਕ ਉਤਪਾਦ ਪੈਦਾ ਨਹੀਂ ਕੀਤੇ, ਪਰ ਇਸ ਨੇ ਇਸ ਗੱਲ ਨੂੰ ਮੁੜ ਤਿਆਰ ਕੀਤਾ ਕਿ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਮੌਜੂਦਾ ਨਿਵੇਸ਼ ਚੱਕਰ ਨੂੰ ਸ਼ੁਰੂ ਕੀਤਾ।
The Verge, ਜਿਸ ਨੇ ਲਾਂਚ ਨੂੰ ਕਵਰ ਕੀਤਾ ਸੀ, ਨੇ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਮਾਡਲ ਵਜੋਂ ਦਰਸਾਇਆ ਜੋ "ਤੁਹਾਡੇ ਨਾਲ ਇੱਕ ਅਜੀਬ ਨਵੇਂ ਦੋਸਤ ਦੀ ਤਰ੍ਹਾਂ ਗੱਲ ਕਰਦਾ ਹੈ" - ਡੈਮੋ ਕਲਿੱਪਾਂ ਦਾ ਇੱਕ ਉਕਸਾਊ ਸਾਰ ਜਿਸ ਵਿੱਚ ਡੇਸਾ ਹੈਰਾਨੀ ਵਿੱਚ ਆਪਣੇ ਸਾਹ ਹੇਠਾਂ "ਓਹ ਮਾਈ ਗੌਡ" ਬੋਲਦੀ ਹੈ, ਜਾਂ ਨਿੱਜੀ ਖ਼ਬਰਾਂ ਦਾ ਜਵਾਬ ਦਿੰਦੀ ਹੈ ਜਿਸ ਨਾਲ ਅੱਥਰੂ ਧੰਨਵਾਦ ਵਰਗਾ ਲੱਗਦਾ ਹੈ। ਕੀ ਉਹ ਢੰਗ-ਤਰੀਕੇ ਅਸਲ ਸਮਝ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਾਂ ਸੂਝਵਾਨ ਪੈਟਰਨ ਪ੍ਰਜਨਨ ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਦਾ ਸਵਾਲ ਹੈ ਜੋ ਬਲਾਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਇਹ ਖੋਜ ਕਮਿਊਨਿਟੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ।
ਸੁਰੱਖਿਆ ਕੋਣ ਪਹਿਲਾਂ ਆਉਂਦਾ ਹੈ — ਇੱਕ ਵਾਰ ਲਈ
ਖਾਸ ਤੌਰ 'ਤੇ, ਬਲਾਕ ਡੇਸਾ ਨੂੰ ਸਿੱਧਾ ਖਪਤਕਾਰਾਂ ਨੂੰ ਨਹੀਂ ਭੇਜ ਰਿਹਾ ਹੈ। ਰੀਲੀਜ਼ ਇੱਕ ਖੋਜ ਪੂਰਵਦਰਸ਼ਨ ਹੈ: ਰਿਕਾਰਡਿੰਗ ਜਨਤਕ ਹਨ, ਇੱਕ ਉਡੀਕ ਸੂਚੀ ਖੁੱਲੀ ਹੈ, ਪਰ ਹੈਂਡ-ਆਨ ਸ਼ੁਰੂਆਤੀ ਪਹੁੰਚ AI ਸੁਰੱਖਿਆ ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਤੱਕ ਸੀਮਿਤ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਵੌਇਸ-ਕਲੋਨਿੰਗ ਘੁਟਾਲਿਆਂ ਅਤੇ ਭਾਵਨਾਤਮਕ ਤੌਰ 'ਤੇ ਹੇਰਾਫੇਰੀ ਕਰਨ ਵਾਲੇ AI ਸਾਥੀਆਂ ਬਾਰੇ ਚੱਲ ਰਹੀ ਚਿੰਤਾ ਦੇ ਮੱਦੇਨਜ਼ਰ, ਇੱਕ ਭਾਸ਼ਣ ਮਾਡਲ ਜੋ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ - ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਪ੍ਰਗਟ - ਭਾਵਨਾ ਬਿਲਕੁਲ ਉਸੇ ਕਿਸਮ ਦੀ ਹੈ ਜੋ ਸਿਸਟਮ ਸੁਰੱਖਿਆ ਟੀਮਾਂ ਜਨਤਕ ਤੈਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ ਮੁਲਾਂਕਣ ਕਰਨਾ ਚਾਹੁੰਦੀਆਂ ਹਨ।
ਬਲਾਕ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਆਉਣ ਵਾਲੇ ਦਿਨਾਂ ਵਿੱਚ X 'ਤੇ ਹੋਰ ਰਿਕਾਰਡਿੰਗਾਂ ਸਾਂਝੀਆਂ ਕੀਤੀਆਂ ਜਾਣਗੀਆਂ। ਕੰਪਨੀ ਨੇ ਆਪਣੇ ਵਰਗ, ਨਕਦ ਐਪ, ਜਾਂ ਬਿਟਕੀ ਉਤਪਾਦਾਂ ਲਈ ਕੀਮਤ, API ਪਹੁੰਚ, ਜਾਂ ਏਕੀਕਰਣ ਯੋਜਨਾਵਾਂ ਦਾ ਐਲਾਨ ਨਹੀਂ ਕੀਤਾ ਹੈ।
ਖੁੱਲੇ ਸਵਾਲ
ਡੇਸਾ ਦੀ ਲਾਂਚਿੰਗ ਭੀੜ-ਭੜੱਕੇ ਵਾਲੇ ਮੈਦਾਨ ਵਿੱਚ ਉਤਰੀ। ਹਰ ਵੱਡੀ AI ਲੈਬ ਹੁਣ ਇੱਕ ਵੌਇਸ ਮੋਡ ਭੇਜਦੀ ਹੈ, ਅਤੇ ਸਟਾਰਟਅਪ ਦੋ ਸਾਲਾਂ ਤੋਂ ਰੀਅਲ-ਟਾਈਮ ਸਪੀਚ ਮਾਡਲਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾ ਰਹੇ ਹਨ। ਜੋ ਚੀਜ਼ ਡੇਸਾ ਨੂੰ ਵੱਖਰਾ ਕਰਦੀ ਹੈ ਉਹ ਹੈ ਇਸਦਾ ਸਿਖਲਾਈ ਨੁਸਖਾ - ਸ਼ੁੱਧ ਭਾਸ਼ਣ, ਜ਼ੀਰੋ ਟੈਕਸਟ - ਅਤੇ ਇਹ ਦਾਅਵਾ ਕਿ ਮੱਧ-ਵਾਕ ਹਾਸੇ ਵਰਗਾ ਉਭਰਦਾ ਗੱਲਬਾਤ ਵਾਲਾ ਵਿਵਹਾਰ ਸਪੱਸ਼ਟ ਹਦਾਇਤਾਂ ਤੋਂ ਬਿਨਾਂ ਪੈਦਾ ਹੋਇਆ।
ਸੰਦੇਹਵਾਦੀ ਸੁਤੰਤਰ ਮੁਲਾਂਕਣ ਚਾਹੁੰਦੇ ਹਨ। ਕੀ ਇੱਕ ਟੈਕਸਟ-ਮੁਕਤ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਤੱਥਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਸਿੱਖ ਸਕਦਾ ਹੈ, ਜਾਂ ਕੀ ਇਹ ਲਿਖਤੀ ਭਾਸ਼ਾ ਦੇ ਆਧਾਰ ਤੋਂ ਬਿਨਾਂ ਵਧੇਰੇ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਭੁਲੇਖਾ ਪਾਉਂਦਾ ਹੈ? ਕੀ ਇਹ ਬਿਨਾਂ ਪ੍ਰਤੀਲਿਪੀ ਦੇ ਨਵੀਆਂ ਭਾਸ਼ਾਵਾਂ ਤੱਕ ਸਕੇਲ ਕਰ ਸਕਦਾ ਹੈ? ਬਲਾਕ ਦਾ ਆਪਣਾ ਪੰਨਾ ਬਿਲਕੁਲ ਇਹਨਾਂ ਸਵਾਲਾਂ ਨੂੰ ਸੱਦਾ ਦਿੰਦਾ ਹੈ, ਜੋ ਕਿ ਜਾਂ ਤਾਂ ਵਿਸ਼ਵਾਸ ਹੈ ਜਾਂ ਇੱਕ ਸਪੱਸ਼ਟ ਸਵੀਕਾਰਤਾ ਹੈ ਕਿ ਕੋਈ ਵੀ - ਬਲਾਕ ਸਮੇਤ - ਅਜੇ ਤੱਕ ਜਵਾਬ ਨਹੀਂ ਜਾਣਦਾ ਹੈ।
ਫਿਲਹਾਲ, ਡੇਸਾ ਉਡੀਕ ਸੂਚੀ ਦੇ ਨਾਲ ਇੱਕ ਖੋਜ ਕਲਾ ਹੈ। ਪਰ ਜੇਕਰ ਸਿਰਫ਼-ਸਪੀਚ ਦੀ ਸਿਖਲਾਈ ਟੈਕਸਟ-ਅਧਾਰਿਤ ਪਾਈਪਲਾਈਨਾਂ ਦੇ ਨਾਲ ਪ੍ਰਤੀਯੋਗੀ ਸਾਬਤ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਬਲਾਕ ਨੇ ਆਧੁਨਿਕ AI ਵਿੱਚ ਇੱਕ ਹੋਰ ਦਿਲਚਸਪ ਵਿਰੋਧੀ ਸੱਟੇਬਾਜ਼ੀ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ ਹੋ ਸਕਦਾ ਹੈ: ਕਿ ਕੁਦਰਤੀ ਮਸ਼ੀਨ ਗੱਲਬਾਤ ਦਾ ਸਭ ਤੋਂ ਤੇਜ਼ ਰਸਤਾ ਮਸ਼ੀਨਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਨਾ ਹੈ ਜੋ ਸਾਡੇ ਦੁਆਰਾ ਸੁਣਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਿੱਖਦੀਆਂ ਹਨ।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
