Block, compania de plăți condusă de Jack Dorsey, a intrat în cursa AI vocal cu o afirmație neobișnuit de îndrăzneață. Joi, laboratorul intern de cercetare al companiei a dezvăluit Dessa, un model de vorbire la vorbire despre care Block spune că a fost antrenat de la zero doar pe conversație umană - fără text, fără transcrieri și fără modele de fundație preantrenate dedesubt.
„Din câte știm, Dessa este primul AI din lume cu care poți avea o conversație reală în direct, care a fost antrenat doar din vorbirea umană”, spune Block pe pagina oficială a modelului, care descrie lansarea ca „o previzualizare de cercetare a unui model de vorbire full-duplex”. Compania publică înregistrări demo live, deschide o listă de așteptare publică și oferă acces timpuriu unui grup mic de cercetători în domeniul siguranței AI. For more context on this story, see our ongoing latest AI developments.
Ce este Dessa de fapt
Dessa este ceea ce cercetătorii numesc un model full-duplex de vorbire la vorbire: intrare audio, ieșire audio, fără un strat de text între ele. Ultima parte este diferențierea. Practic, fiecare asistent vocal principal, inclusiv modurile de voce atașate celor mai mari chatbots, vă convertește discursul în text, motivează și rostește un răspuns. Block susține că conducta aruncă cea mai mare parte a ceea ce face conversația umană umană.
„Interacțiunea cu IA vocală actuală poate pur și simplu să fie dezamăgitoare”, se arată în anunțul companiei. „Îți transformă vocea în text și aruncă o cantitate incredibilă de informații pe care textul singur nu le poate transporta. Cele mai puternice IA din lume nu pot auzi cum te simți. Credem că este ridicol, duce la o experiență mai proastă și este potențial periculos.”
Deoarece Dessa nu trece niciodată prin text, Block spune că captează în mod nativ emoția, sarcasmul, râsul, un oftat frustrat sau o voce care se sparge de tristețe - semnalele paralingvistice pe care sistemele bazate pe text le elimină de obicei.
Full-Duplex înseamnă că vorbește ca o persoană, nu ca un bot care ia rândul
A doua trăsătură definitorie este operarea full-duplex. Dessa ascultă și vorbește în același timp, așa cum o fac oamenii, mai degrabă decât să aștepte un sfârșit de enunț detectat înainte de a răspunde. Potrivit lui Block, modelul a învățat din conversații reale când să întrerupă, când să canalizeze pentru a arăta că urmărește și când să tacă.
Demo-urile de pe pagina companiei ilustrează comportamente pe care nimeni nu le-a programat în mod explicit. Într-un clip, Dessa râde la mijlocul propoziției în momentul în care ceva devine amuzant – „cum fac oamenii”, notează Block, contrastând asta cu asistenții vocali convenționali care „așteaptă să termini, apoi râd la indici”. În altul, un utilizator îi cere modelului să vorbească și devine mai tare. „Nimeni nu a învățat asta”, spune compania. Într-o a treia, persoana golește titlul unui film și Dessa termină propoziția pentru ei.
De asemenea, Block are grijă să semnaleze proveniența unui demo deosebit de atrăgător, în care Dessa ține o conversație live cu un alt sistem AI. „În această demonstrație, Dessa vorbește cu GPT-Live-1, un model AI terță parte. Ambele voci sunt generate de AI”, precizează pagina, menționând că dezvoltatorul GPT-Live-1 nu este afiliat cu Block și nu a revizuit sau aprobat Dessa.
De ce blocați textul sărit în întregime
Antrenarea unui model fără text este un pariu deliberat. Poziția lui Block este că vorbirea nu este un înveliș cu pierderi în jurul limbajului - este mediul principal, iar un model care crește pe baza sunetului brut poate dezvolta capacități și moduri de eșec pe care sistemele antrenate de text nu le au.
Compania însăși încadrează avantajul științific ca întrebări deschise, mai degrabă decât rezultate stabilite: cât de eficient învață modelele doar vorbite limbajul și faptele în comparație cu sistemele instruite prin text? Cât de eficient pot învăța limbi noi? Ce fel de învățare în context pot efectua? „Dessa avansează granița modelelor de învățare profundă și creează o categorie diferită cu comportamente complet noi și interesante pe care cercetătorii să le descopere”, se arată în anunț.
Există, de asemenea, o revendicare pragmatică îngropată în teren. Block spune că inferența lui Dessa rulează mai repede decât în timp real, așa că răspunsurile vin fără pauzele incomode care afectează asistenții vocali pe rând și - conform acoperirii Unite.AI a lansării - că modelul rulează local pe hardware de consum la fel de capabil ca un MacBook Pro cu un cip M4 Max sau mai bun. Dacă este exact, un model de voce full-duplex care rulează local ar fi remarcabil într-un moment în care cea mai competitivă AI vocală rămâne legată de cloud.
Un „Moment GPT-3 pentru vorbire”
Ragavan Thurairatnam, care conduce laboratorul de cercetare AI al lui Block, a descris-o pe Dessa drept primul model AI care poate ține o conversație realistă după ce se antrenează în întregime despre vorbire și a numit lansarea „un moment GPT3 pentru vorbire”, conform raportului Unite.AI privind anunțul. Comparația este subliniată: debutul GPT-3 în 2020 nu a produs imediat produse utile, dar a reformulat ceea ce ar putea face modelele lingvistice și a dat startul actualului ciclu de investiții.
The Verge, care a acoperit lansarea, a descris rezultatul ca pe un model care „vă vorbește ca un nou prieten ciudat” – un rezumat evocator al clipurilor demonstrative în care Dessa icnește „doamne” pe sub răsuflare la o surpriză sau răspunde la știrile personale cu ceea ce sună a recunoştinţă plângătoare. Dacă aceste manierisme reflectă o înțelegere autentică sau o reproducere sofisticată a modelelor este exact genul de întrebare pe care Block spune că dorește să cerceteze comunitatea de cercetare.
Unghiul de siguranță este pe primul loc — O dată
În special, Block nu trimite Dessa direct consumatorilor. Lansarea este o previzualizare a cercetării: înregistrările sunt publice, o listă de așteptare este deschisă, dar accesul practic timpuriu este limitat la un grup mic de cercetători în domeniul siguranței AI. Având în vedere îngrijorarea continuă cu privire la înșelătoriile cu clonarea vocii și la însoțitorii AI manipulatori emoțional, un model de vorbire care poate exprima – și probabil să provoace – emoție este exact tipul de echipe de securitate a sistemului pe care doresc să-l evalueze înainte de implementarea în masă.
Block spune că mai multe înregistrări vor fi distribuite pe X în zilele următoare. Compania nu a anunțat prețuri, acces API sau planuri de integrare pentru produsele sale Square, Cash App sau Bitkey.
Întrebările deschise
Lansarea lui Dessa aterizează într-un câmp aglomerat. Fiecare laborator important de inteligență artificială oferă acum un mod de voce, iar startup-urile au promovat modele de vorbire în timp real de doi ani. Ceea ce o distinge pe Dessa este rețeta de antrenament - vorbire pură, text zero - și afirmația că comportamentul conversațional emergent, cum ar fi râsul de la mijlocul propoziției, a apărut fără instrucțiuni explicite.
Scepticii vor dori o evaluare independentă. Poate un model fără text să învețe fapte în mod fiabil sau halucinează mai liber fără baza limbajului scris? Se poate scala la noi limbi fără transcrieri? Pagina proprie a lui Block invită exact aceste întrebări, care este fie încredere, fie o recunoaștere sinceră a faptului că nimeni, inclusiv Block, nu știe încă răspunsurile.
Deocamdată, Dessa este un artefact de cercetare cu o listă de așteptare. Dar dacă antrenamentul doar vorbit se dovedește competitiv cu conductele bazate pe text, Block poate să fi scos la suprafață unul dintre cele mai interesante pariuri contrare din AI modernă: că cea mai rapidă cale către conversația naturală a mașinii este să construim mașini care învață așa cum am făcut-o noi - ascultând.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
