Google DeepMind ได้เปิดตัว SL2T ซึ่งเป็นโมเดล AI ที่ออกแบบมาเพื่อแปลภาษามือเป็นข้อความ โดยเปิดตัวครั้งแรกในกลุ่มผลิตภัณฑ์สมาร์ทโฟน Pixel 11 ใหม่ของบริษัท โมเดลดังกล่าวเปิดตัวภายใต้แบนเนอร์ "การนำ AI ภาษามือมาสู่มือผู้ใช้" ถือเป็นความพยายามที่มีชื่อเสียงที่สุดครั้งหนึ่งในการนำความเข้าใจภาษามือแบบเรียลไทม์มาสู่อุปกรณ์ผู้บริโภคทั่วไป
การประกาศดังกล่าวมาพร้อมกับงานเปิดตัว Pixel 11 ของ Google ซึ่งบริษัทได้จัดแสดงชุดฟีเจอร์ใหม่ของ Gemini การแปลภาษามือถือเป็นหลักชัยสำคัญในการเข้าถึงได้อย่างชัดเจน โดยเปลี่ยนกล้องหน้าของโทรศัพท์ให้เป็นสะพานเชื่อมระหว่างผู้ใช้หูหนวกกับผู้ที่ไม่รู้ภาษามือ
ภาษามือเป็นข้อความบนอุปกรณ์
ตามข้อมูลของ DeepMind และการรายงานจาก Engadget และ Android Authority SL2T สามารถถอดเสียงภาษามือเป็นข้อความได้โดยตรงบนอุปกรณ์ Pixel 11 ฟีเจอร์นี้เปิดตัวใน Pixel 11 Pro Fold ซึ่งเป็นโทรศัพท์พับรุ่นเรือธงของ Google ซึ่งบริษัทได้วางตำแหน่งให้เป็นเครื่องแสดงความสามารถใหม่
Digital Trends อธิบายว่าการเปิดตัวครั้งนี้เป็น "วิธีใหม่สำหรับผู้ใช้หูหนวกในการสื่อสารกับผู้ที่ไม่รู้ภาษามือ" โดยวางกรอบ SL2T ให้เป็นเครื่องมือที่ใช้งานได้จริงสำหรับการสนทนาในชีวิตประจำวันมากกว่าการสาธิตการทดลองล้วนๆ แนวคิดนี้ตรงไปตรงมาแต่ทรงพลัง ผู้ใช้หูหนวกลงชื่อเข้าใช้โทรศัพท์ โมเดลจะตีความท่าทาง และข้อความที่ได้จะแสดงให้คู่สนทนาที่ได้ยินได้อ่าน
การรันโมเดลบนอุปกรณ์ แทนที่จะส่งวิดีโอไปยังระบบคลาวด์ มีผลกระทบที่มีความหมายทั้งในด้านความเป็นส่วนตัวและความน่าเชื่อถือ การสนทนาภาษามือมีความใกล้ชิดและมักจะมีข้อมูลที่ละเอียดอ่อน และการหลีกเลี่ยงการเดินทางไปกลับบนคลาวด์จะเก็บข้อมูลนั้นไว้ในโทรศัพท์ นอกจากนี้ยังช่วยให้ฟีเจอร์นี้ทำงานได้ในสถานการณ์ที่การเชื่อมต่อไม่ดี
เหตุใดภาษามือจึงเป็นปัญหา AI ที่ยากลำบาก
ภาษามือมีความซับซ้อนมากกว่าการจดจำรูปร่างของมือเพียงอย่างเดียว ภาษามือเต็มรูปแบบ เช่น ภาษามือแบบอเมริกัน (ASL) ใช้ท่าทางมือ การแสดงออกทางสีหน้า ท่าทางร่างกาย และการเคลื่อนไหวในอวกาศเพื่อสื่อความหมาย และมีไวยากรณ์ของตัวเองที่แตกต่างจากภาษาพูด แบบจำลองที่ติดตามเฉพาะเข็มนาฬิกาจะพลาดสิ่งที่ผู้ลงนามพูดไปมาก
นี่คือสาเหตุที่การแปลภาษามือล้าหลังการรู้จำคำพูด การสร้างระบบที่สามารถตีความความสมบูรณ์เต็มรูปแบบของการสื่อสารที่มีลายเซ็นแบบเรียลไทม์บนโทรศัพท์ ภายในงบประมาณด้านพลังงานและหน่วยความจำที่จำกัด ถือเป็นความท้าทายทางวิศวกรรมอย่างแท้จริง DeepMind ยังไม่ได้เผยแพร่รายละเอียดทางเทคนิคทั้งหมดเกี่ยวกับสถาปัตยกรรมของ SL2T หรือประสิทธิภาพการวัดประสิทธิภาพ และบริษัทได้เน้นย้ำถึงประสบการณ์ที่ผู้ใช้เผชิญหน้ามากกว่าตัวชี้วัดดิบในการประกาศ
รายละเอียดสาธารณะที่จำกัดเป็นสิ่งที่น่าสังเกต การตรวจสอบอัตราความถูกต้องแม่นยำ ภาษามือที่รองรับ และเวลาแฝงโดยอิสระจะกำหนดว่า SL2T เป็นเครื่องมือรายวันที่เชื่อถือได้หรือเป็นคุณลักษณะระยะเริ่มต้นที่ยังต้องมีการพัฒนา ในตอนนี้ การยืนยันการประกาศของ DeepMind และสิ่งพิมพ์ด้านเทคโนโลยีหลายฉบับยืนยันว่ามีโมเดลดังกล่าวอยู่และกำลังจัดส่งบนฮาร์ดแวร์สำหรับผู้บริโภค
การเข้าถึงเป็นสมรภูมิ AI
SL2T มาถึงเมื่อฟีเจอร์การช่วยสำหรับการเข้าถึงกลายเป็นเวทีการแข่งขันที่มองเห็นได้ชัดเจนยิ่งขึ้นระหว่างห้องปฏิบัติการ AI และผู้ผลิตอุปกรณ์ คำบรรยายแบบเรียลไทม์ คำอธิบายรูปภาพสำหรับผู้ใช้ที่ตาบอด และการแปลภาษามือไม่ได้ถูกจัดวางในฐานะส่วนเสริมเฉพาะกลุ่ม แต่เป็นความสามารถหัวข้อข่าวที่แสดงให้เห็นถึงคุณค่าเชิงปฏิบัติของ AI บนอุปกรณ์
สำหรับ Google การผูก SL2T กับการเปิดตัว Pixel 11 มีจุดประสงค์สองประการ ช่วยให้ฮาร์ดแวร์ใหม่มีคุณสมบัติที่โดดเด่นซึ่งโทรศัพท์ของคู่แข่งไม่มี และเป็นการตอกย้ำข้อความที่ Gemini ซึ่งเป็นผู้ช่วย AI ของ Google กำลังถูกถักทอเข้ากับระบบปฏิบัติการในระดับพื้นฐาน Pixel 11 Pro Fold ที่มีหน้าจอด้านในที่ใหญ่กว่า ถือเป็นบ้านหลังแรกที่เป็นธรรมชาติสำหรับฟีเจอร์ที่จะแสดงให้คู่สนทนาเห็นบนโต๊ะ
เส้นทางข้างหน้าสำหรับ AI ภาษามือ
คำถามที่ใหญ่กว่าสำหรับคนหูหนวกและคนมีปัญหาในการได้ยินคือ SL2T ขยายไปไกลกว่าอุปกรณ์เครื่องเดียวและชุดภาษามือที่จำกัดหรือไม่ ภาษามือแบบอเมริกันน่าจะเป็นจุดเน้นในการเปิดตัว แต่มีภาษามือหลายร้อยภาษาทั่วโลก แต่ละภาษามีโครงสร้างเป็นของตัวเองและมีความหลากหลายในภูมิภาค แบบจำลองที่ใช้งานได้อย่างสวยงามสำหรับผู้ลงนาม ASL ในสหรัฐอเมริกาอาจมีประโยชน์เพียงเล็กน้อยสำหรับผู้ใช้ภาษามืออังกฤษ, Auslan หรือ LSF
DeepMind มีประวัติในการเริ่มต้นให้แคบลงและขยายขนาด เช่นเดียวกับที่เคยทำกับระบบอย่าง AlphaFold และแบบจำลองสภาพอากาศ หาก SL2T เป็นไปตามรูปแบบดังกล่าว การเปิดตัว Pixel 11 ถือเป็นการเปิดตัวแทนที่จะเป็นผลิตภัณฑ์สำเร็จรูป ความคิดเห็นของชุมชนจากผู้ใช้หูหนวกซึ่งมีตำแหน่งที่ดีที่สุดในการตัดสินว่าคำแปลนั้นถูกต้องและเป็นธรรมชาติหรือไม่ จะเป็นตัวกำหนดสิ่งที่จะเกิดขึ้นต่อไป
ในตอนนี้ การแปลภาษามือบนโทรศัพท์สำหรับตลาดมวลชนถือเป็นก้าวสำคัญ แสดงให้เห็นว่าช่องว่างที่มีมายาวนานระหว่างความสามารถของ AI ในการเข้าใจภาษาพูดและความสามารถในการเข้าใจภาษามืออาจเริ่มปิดลงทีละอุปกรณ์
ติดตามการเปิดตัวโมเดลล่าสุดและการพัฒนา AI ได้ที่ ข่าวด่วนของ AI Buzz Wire
