Jack Dorsey liderliğindeki ödeme şirketi Block, alışılmadık derecede cesur bir iddiayla ses yapay zeka yarışına girdi. Perşembe günü şirketin şirket içi araştırma laboratuvarı, Block'un sıfırdan insan konuşması üzerine eğitildiğini söylediği bir konuşmadan konuşmaya modeli olan Dessa'yı tanıttı; metin yok, transkript yok ve altında önceden eğitilmiş temel modeller yok.
Block, modelin resmi sayfasında "Bildiğimiz kadarıyla Dessa, yalnızca insan konuşmasından eğitilmiş, gerçekçi bir canlı sohbet yapabileceğiniz dünyadaki ilk yapay zekadır" diyor ve bu sürümü "tam çift yönlü bir konuşma modelinin araştırma ön izlemesi" olarak tanımlıyor. Şirket, canlı demo kayıtları yayınlıyor, halka açık bir bekleme listesi açıyor ve küçük bir yapay zeka güvenlik araştırmacısı grubuna erken erişim hakkı veriyor. For more context on this story, see our ongoing artificial intelligence updates.
Dessa Aslında Nedir?
Dessa, araştırmacıların tam çift yönlü konuşma-konuşma modeli dediği şeydir: ses girişi, ses çıkışı, arada hiçbir metin katmanı olmadan. Bu son kısım farklılaştırıcıdır. En büyük sohbet robotlarına eklenen ses modları da dahil olmak üzere hemen hemen her ana ses asistanı, konuşmanızı metne dönüştürür, bunun üzerinde gerekçeler sunar ve yanıt olarak yanıt verir. Block, boru hattının insan sohbetini insani kılan şeylerin çoğunu ortadan kaldırdığını savunuyor.
Şirketin duyurusunda "Mevcut ses yapay zekasıyla etkileşim kurmak tam anlamıyla berbat olabilir" ifadesi yer alıyor. "Sesinizi metne dönüştürüyor ve tek başına metnin taşıyamayacağı inanılmaz miktarda bilgiyi çöpe atıyor. Dünyadaki en güçlü yapay zekalar nasıl hissettiğinizi duyamıyor. Bunun saçma olduğunu, daha kötü bir deneyime yol açacağını ve potansiyel olarak tehlikeli olduğunu düşünüyoruz."
Block, Dessa'nın hiçbir zaman metnin üzerinden geçmemesi nedeniyle, doğal olarak duyguyu, alaycılığı, kahkahayı, hüsrana uğramış bir iç çekmeyi veya üzüntüden çatırdayan bir sesi (metin tabanlı sistemlerin genellikle göz ardı ettiği dil ötesi sinyaller) algıladığını söylüyor.
Tam Çift Yönlü, Sıra Gelen Bir Robot Değil, Bir İnsan Gibi Konuştuğu anlamına gelir
İkinci tanımlayıcı özellik tam çift yönlü işlemdir. Dessa, yanıt vermeden önce algılanan ifadenin sonunu beklemek yerine, insanların yaptığı gibi aynı anda hem dinliyor hem de konuşuyor. Block'a göre model, gerçek konuşmalardan ne zaman araya gireceğini, takip ettiğini göstermek için ne zaman arka kanala geçeceğini ve ne zaman sessiz kalacağını öğrendi.
Şirketin sayfasındaki demolar kimsenin açıkça programlayamadığı davranışları gösteriyor. Bir klipte Dessa, bir şey komik hale geldiğinde cümlenin ortasında gülüyor - "insanların yaptığı gibi" Block, bunu "bitirmenizi bekleyen ve ardından işaret üzerine gülen" geleneksel sesli asistanlarla karşılaştırıyor. Bir diğerinde ise kullanıcı modelden sesini yükseltmesini istiyor ve ses daha da yükseliyor. Şirket, "Kimse ona bunu öğretmedi" diyor. Üçüncüsünde, kişi filmin adını boş bırakıyor ve Dessa onun yerine cümleyi tamamlıyor.
Block ayrıca, Dessa'nın başka bir yapay zeka sistemiyle canlı görüşme yaptığı özellikle dikkat çekici bir demonun kaynağını işaretlemeye de dikkat ediyor. Sayfada "Bu demoda Dessa, üçüncü taraf bir yapay zeka modeli olan GPT-Live-1 ile konuşuyor. Her iki ses de yapay zeka tarafından oluşturuldu" ifadesine yer veriliyor ve GPT-Live-1 geliştiricisinin Block'a bağlı olmadığı ve Dessa'yı incelemediği veya onaylamadığı belirtiliyor.
Neden Atlanan Metni Tamamen Engelle
Hiç metin içermeyen bir modeli eğitmek kasıtlı bir bahistir. Block'un görüşü, konuşmanın dilin etrafındaki kayıplı bir sarmalayıcı olmadığı, birincil ortam olduğu ve ham ses üzerinde büyüyen bir modelin, metinle eğitilmiş sistemlerin sahip olmadığı yetenekler ve hata modları geliştirebileceği yönündedir.
Şirketin kendisi bilimsel gelişmeyi kesinleşmiş sonuçlardan ziyade açık sorular olarak çerçeveliyor: Yalnızca konuşma modelleri, metin eğitimli sistemlerle karşılaştırıldığında dili ve gerçekleri ne kadar verimli öğreniyor? Yeni dilleri ne kadar verimli öğrenebilirler? Ne tür bağlam içi öğrenme gerçekleştirebilirler? Duyuruda "Dessa, derin öğrenme modellerinin sınırlarını ilerletiyor ve araştırmacıların keşfetmesi için tamamen yeni ve ilginç davranışlarla farklı bir kategori yaratıyor" ifadesi yer alıyor.
Sahada gömülü pragmatik bir iddia da var. Block, Dessa'nın çıkarımının gerçek zamandan daha hızlı çalıştığını, dolayısıyla yanıtların sıra tabanlı sesli asistanları rahatsız eden garip duraklamalar olmadan geldiğini ve Unite.AI'nin lansmanla ilgili haberine göre modelin, M4 Max çipi veya daha iyisine sahip bir MacBook Pro kadar yetenekli tüketici donanımında yerel olarak çalıştığını söylüyor. Doğruysa, yerel olarak çalışan tam çift yönlü bir ses modeli, en rekabetçi ses yapay zekasının buluta bağlı kaldığı bir anda dikkate değer olacaktır.
"Konuşma için GPT-3 Anı"
Block'un yapay zeka araştırma laboratuvarını yöneten Ragavan Thurairatnam, Unite.AI'nin duyuruya ilişkin raporuna göre, Dessa'yı tamamen konuşma üzerine eğitim sonrasında gerçekçi bir sohbet gerçekleştirebilen ilk yapay zeka modeli olarak tanımladı ve sürümü "konuşma için bir GPT3 anı" olarak nitelendirdi. Karşılaştırma dikkat çekicidir: GPT-3'ün 2020'de piyasaya sürülmesi hemen yararlı ürünler üretmedi, ancak dil modellerinin neler yapabileceğini yeniden belirledi ve mevcut yatırım döngüsünü başlattı.
Lansmanı haber yapan The Verge, sonucu "seninle garip bir yeni arkadaş gibi konuşan" bir model olarak tanımladı; Dessa'nın bir sürpriz karşısında nefesinin altından "aman tanrım" diye soluduğu veya kişisel haberlere gözyaşı dolu bir minnettarlıkla yanıt verdiği demo kliplerinin çağrıştırıcı bir özeti. Bu tavırların gerçek bir anlayışı mı yoksa karmaşık kalıp yeniden üretimini mi yansıttığı, Block'un araştırma topluluğunun araştırmasını istediği türde bir soru olduğunu söylüyor.
Önce Güvenlik Açısı Geliyor — Bir Kez Daha
Özellikle Block, Dessa'yı doğrudan tüketicilere göndermiyor. Sürüm bir araştırma önizlemesidir: kayıtlar herkese açıktır, bir bekleme listesi açıktır, ancak uygulamalı erken erişim küçük bir yapay zeka güvenlik araştırmacısı grubuyla sınırlıdır. Ses klonlama dolandırıcılıkları ve duygusal açıdan manipülatif yapay zeka yardımcıları hakkında süregelen endişeler göz önüne alındığında, duyguyu ifade edebilen ve muhtemelen ortaya çıkarabilen bir konuşma modeli, tam olarak sistem güvenliği ekiplerinin toplu dağıtımdan önce değerlendirmek istediği türden bir konuşma modelidir.
Block, önümüzdeki günlerde X'te daha fazla kaydın paylaşılacağını söylüyor. Şirket, Square, Cash App veya Bitkey ürünleri için fiyatlandırmayı, API erişimini veya entegrasyon planlarını açıklamadı.
Açık Sorular
Dessa'nın fırlatma aracı kalabalık bir alana iniyor. Artık her büyük yapay zeka laboratuvarı bir ses modu sunuyor ve yeni kurulan şirketler iki yıldır gerçek zamanlı konuşma modellerini geliştiriyor. Dessa'yı diğerlerinden ayıran şey, eğitim tarifi - saf konuşma, sıfır metin - ve cümle ortasında kahkaha gibi ortaya çıkan konuşma davranışlarının açık bir talimat olmadan ortaya çıktığı iddiasıdır.
Şüpheciler bağımsız değerlendirme isteyecektir. Metinden bağımsız bir model gerçekten gerçekleri güvenilir bir şekilde öğrenebilir mi, yoksa yazılı dilin temeli olmadan daha özgürce halüsinasyon mu görür? Transkript olmadan yeni dillere ölçeklenebilir mi? Block'un kendi sayfası tam olarak bu soruları davet ediyor; bu ya bir güvendir ya da Block dahil hiç kimsenin henüz cevapları bilmediğinin samimi bir kabulüdür.
Şimdilik Dessa, bekleme listesi olan bir araştırma ürünü. Ancak yalnızca konuşma eğitiminin metne dayalı işlem hatlarıyla rekabet edebildiği kanıtlanırsa Block, modern yapay zekadaki daha ilginç karşıt iddialardan birini ortaya çıkarmış olabilir: Doğal makine konuşmasına giden en hızlı yol, bizim yaptığımız gibi, yani dinleyerek öğrenen makineler oluşturmaktır.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
