Block, платіжна компанія під керівництвом Джека Дорсі, вступила в гонку голосового штучного інтелекту з надзвичайно сміливою заявою. У четвер внутрішня дослідницька лабораторія компанії представила Dessa, модель мовлення-мовлення, яку, за словами Блока, було навчено з нуля лише на людській розмові — без тексту, без стенограм і без попередньо навчених основних моделей.
«Наскільки нам відомо, Dessa — це перший у світі штучний інтелект, з яким можна вести реалістичну розмову в прямому ефірі, який був навчений лише на основі людської мови», — говорить Блок на офіційній сторінці моделі, який описує випуск як «попередній дослідницький перегляд повнодуплексної моделі мовлення». Компанія публікує живі демонстраційні записи, відкриває публічний список очікування та надає ранній доступ невеликій групі дослідників безпеки ШІ. For more context on this story, see our ongoing latest AI developments.
Що таке Dessa насправді
Dessa — це те, що дослідники називають повнодуплексною моделлю мовлення: аудіовхід, аудіовихід без текстового шару між ними. Ця остання частина є диференціатором. Практично кожен звичайний голосовий помічник — включно з голосовими режимами, підключеними до найбільших чат-ботів — перетворює ваше мовлення на текст, міркує над ним і озвучує відповідь. Блок стверджує, що трубопровід відкидає більшість того, що робить людську розмову людською.
«Взаємодія з нинішнім голосовим штучним інтелектом може бути просто поганою», — йдеться в повідомленні компанії. «Він перетворює ваш голос на текст і викидає неймовірну кількість інформації, яку сам по собі не може перенести текст. Найпотужніший штучний інтелект у світі не може почути, що ви відчуваєте. Ми вважаємо, що це смішно, погіршує досвід і потенційно небезпечно».
Оскільки Dessa ніколи не пропускає крізь текст, Блок каже, що вона вловлює емоції, сарказм, сміх, розчароване зітхання чи голос, що надривається від смутку — паралінгвістичні сигнали, які текстові системи зазвичай відкидають.
Повний дуплекс означає, що він розмовляє як людина, а не як черговий бот
Друга визначальна риса — повнодуплексна робота. Десса слухає і говорить одночасно, як це роблять люди, замість того, щоб чекати, коли буде помічено кінець висловлювання, перш ніж відповісти. За словами Блока, модель навчилася з реальних розмов, коли втручатися, коли повертатися, щоб показати, що слідує, а коли мовчати.
Демонстрації на сторінці компанії ілюструють поведінку, яку ніхто явно не програмував. В одному ролику Десса сміється на півслові, коли щось стає смішним — «як це роблять люди», — зазначає Блок, порівнюючи це зі звичайними голосовими помічниками, які «чекають, поки ви закінчите, а потім сміються за командою». В іншому користувач просить модель висловитися, і вона стає голоснішою. "Ніхто цього не вчив", - кажуть у компанії. У третьому випадку людина пропускає назву фільму, а Десса закінчує речення за них.
Блок також обережно позначає походження однієї особливо привабливої демонстрації, у якій Десса веде живу розмову з іншою системою ШІ. «У цій демонстрації Dessa спілкується з GPT-Live-1, сторонньою моделлю штучного інтелекту. Обидва голоси згенеровані штучним інтелектом», — йдеться на сторінці, зазначаючи, що розробник GPT-Live-1 не пов’язаний з Block і не переглядав і не схвалював Dessa.
Чому повністю блокувати пропущений текст
Навчання моделі без тексту – це свідома ставка. Позиція Блока полягає в тому, що мова не є обгорткою з втратами навколо мови — це основне середовище, і модель, яка виростає на необробленому звукі, може розвинути можливості та режими збоїв, яких немає в системах, навчених текстом.
Сама компанія розглядає наукову сторону як відкриті запитання, а не як остаточні результати: наскільки ефективно моделі, які використовують лише мову, вивчають мову та факти порівняно з системами, які навчаються тексту? Наскільки ефективно вони можуть вивчати нові мови? Які види навчання в контексті вони можуть виконувати? «Dessa просуває межі моделей глибокого навчання та створює іншу категорію з абсолютно новою та цікавою поведінкою, яку дослідники можуть відкрити», — йдеться в повідомленні.
Існує також прагматична претензія, похована в подачі. Блок каже, що висновок Dessa працює швидше, ніж у режимі реального часу, тому відповіді надходять без незручних пауз, які турбують почергові голосові помічники, і, згідно з повідомленням Unite.AI про запуск, що модель працює локально на споживчому апаратному забезпеченні, яке є таким же потужним, як MacBook Pro з чіпом M4 Max або кращим. Якщо це точно, локальна повнодуплексна голосова модель буде помітною в момент, коли більшість конкурентоспроможних голосових штучних інтелектів залишається прив’язаними до хмари.
"Момент для виступу GPT-3"
Рагаван Тхурайратнам, який очолює дослідницьку лабораторію штучного інтелекту Block, описав Dessa як першу модель штучного інтелекту, яка може підтримувати реалістичну розмову після навчання виключно на мовленні, і назвав випуск «моментом GPT3 для мовлення», згідно зі звітом Unite.AI про оголошення. Порівняння вагоме: дебют GPT-3 у 2020 році не відразу створив корисні продукти, але він переосмислив можливості мовних моделей і започаткував поточний інвестиційний цикл.
The Verge, який висвітлював запуск, описав результат як модель, яка «розмовляє з вами, як з незграбним новим другом» — спонукаючий підсумок демонстраційних кліпів, у яких Десса здивовано вигукує «о, боже», або відповідає на особисті новини, що звучить як сльозлива вдячність. Чи ці манери відображають справжнє розуміння чи витончене відтворення шаблону – це саме те питання, яке, за словами Блока, хоче дослідити дослідницьке співтовариство.
Безпека на першому місці — раз
Примітно, що Block не постачає Dessa безпосередньо споживачам. Випуск є попереднім переглядом дослідження: записи є загальнодоступними, список очікування відкритий, але практичний ранній доступ обмежено невеликою групою дослідників безпеки ШІ. Враховуючи постійне занепокоєння щодо шахрайства з клонуванням голосу та емоційно маніпулятивних компаньйонів ШІ, мовна модель, яка може виражати — і, ймовірно, викликати — емоції, є саме тим видом команд безпеки системи, який хочуть оцінити перед масовим розгортанням.
Блок каже, що найближчими днями на X буде опубліковано більше записів. Компанія не оголосила ціни, доступ до API або плани інтеграції для своїх продуктів Square, Cash App або Bitkey.
Відкриті запитання
Катер Dessa приземляється в багатолюдному полі. Кожна велика лабораторія штучного інтелекту зараз постачає голосовий режим, а стартапи просувають моделі мовлення в реальному часі вже два роки. Те, що вирізняє Dessa, це його рецепт навчання — чисте мовлення, нульовий текст — і твердження про те, що розмовна поведінка, як-от сміх на середині речення, виникла без явних інструкцій.
Скептики захочуть незалежної оцінки. Чи може вільна від тексту модель насправді надійно вивчати факти, чи вона галюцинує вільніше без основи письмової мови? Чи можна масштабувати його до нових мов без розшифровок? Власна сторінка Блока пропонує саме ці запитання, що є або впевненістю, або відвертим визнанням того, що ніхто — включно з Блоком — ще не знає відповідей.
Наразі Dessa є дослідницьким артефактом зі списком очікування. Але якщо навчання тільки мовленню виявиться конкурентним конвеєрам, заснованим на тексті, Блок, можливо, виявив одну з найцікавіших протилежних ставок у сучасному штучному інтелекті: що найшвидший шлях до природної машинної розмови — це створити машини, які навчаються так, як це робили ми — слухаючи.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
