بلاک، جیک ڈورسی کی قیادت میں ادائیگیوں کی کمپنی، غیر معمولی طور پر جرات مندانہ دعوے کے ساتھ وائس اے آئی کی دوڑ میں شامل ہوئی ہے۔ جمعرات کو، کمپنی کی اندرون ملک ریسرچ لیب نے ڈیسا کی نقاب کشائی کی، ایک تقریر سے تقریر کا ماڈل جس کے بارے میں بلاک کا کہنا ہے کہ انسانی گفتگو کے علاوہ کسی بھی چیز پر شروع سے تربیت دی گئی تھی - کوئی متن، کوئی نقل نہیں، اور نیچے کوئی پہلے سے تربیت یافتہ فاؤنڈیشن ماڈل نہیں۔
"جہاں تک ہم جانتے ہیں، ڈیسا دنیا کی پہلی AI ہے جس کے ساتھ آپ ایک حقیقت پسندانہ لائیو گفتگو کر سکتے ہیں جس کی تربیت صرف انسانی تقریر سے کی گئی تھی،" بلاک نے ماڈل کے آفیشل پیج پر کہا، جو ریلیز کو "مکمل ڈوپلیکس اسپیچ ماڈل کا تحقیقی جائزہ" کے طور پر بیان کرتا ہے۔ کمپنی لائیو ڈیمو ریکارڈنگ شائع کر رہی ہے، عوامی انتظار کی فہرست کھول رہی ہے، اور AI حفاظتی محققین کے ایک چھوٹے سے گروپ تک جلد رسائی فراہم کر رہی ہے۔ For more context on this story, see our ongoing latest AI developments.
ڈیسا اصل میں کیا ہے؟
ڈیسا وہ ہے جسے محققین فل ڈوپلیکس اسپیچ ٹو اسپیچ ماڈل کہتے ہیں: آڈیو ان، آڈیو آؤٹ، جس کے درمیان کوئی ٹیکسٹ لیئر نہیں ہے۔ وہ آخری حصہ تفریق کرنے والا ہے۔ عملی طور پر ہر مرکزی دھارے کا وائس اسسٹنٹ — بشمول سب سے بڑے چیٹ بوٹس کے ساتھ منسلک صوتی موڈز — آپ کی تقریر کو متن میں تبدیل کرتا ہے، اس کی وجوہات، اور جوابی جواب دیتا ہے۔ بلاک کا استدلال ہے کہ پائپ لائن زیادہ تر پھینک دیتی ہے جو انسانی گفتگو کو انسان بناتی ہے۔
کمپنی کے اعلان میں کہا گیا ہے کہ "موجودہ آواز AI کے ساتھ تعامل کرنا سادہ سی بات ہے۔" "یہ آپ کی آواز کو متن میں بدل دیتا ہے اور معلومات کی ایک ناقابل یقین مقدار کو پھینک دیتا ہے جس کا متن اکیلے نہیں لے سکتا۔ دنیا کے سب سے طاقتور AI نہیں سن سکتے کہ آپ کیسا محسوس کرتے ہیں۔ ہمارے خیال میں یہ مضحکہ خیز ہے، ایک بدتر تجربہ کی طرف جاتا ہے، اور ممکنہ طور پر خطرناک ہے۔"
چونکہ ڈیسا کبھی بھی متن سے نہیں گزرتا، بلاک کا کہنا ہے کہ یہ مقامی طور پر جذبات، طنز، ہنسی، مایوسی کی آہیں، یا اداسی کے ساتھ ٹوٹنے والی آواز پر اثر انداز ہوتا ہے - متوازی زبان کے اشارے جنہیں ٹیکسٹ پر مبنی نظام عام طور پر مسترد کرتے ہیں۔
فل ڈوپلیکس کا مطلب ہے کہ یہ ایک شخص کی طرح بات کرتا ہے نہ کہ ٹرن ٹیکنگ بوٹ
دوسری وضاحتی خصوصیت مکمل ڈوپلیکس آپریشن ہے۔ ڈیسا ایک ہی وقت میں سنتا اور بات کرتا ہے، جس طرح سے لوگ کرتے ہیں، بجائے اس کے کہ جواب دینے سے پہلے کسی بات کا پتہ لگائے جانے کا انتظار کریں۔ بلاک کے مطابق، ماڈل نے حقیقی گفتگو سے سیکھا کہ کب کاٹنا ہے، کب بیک چینل کو یہ دکھانے کے لیے کہ وہ ساتھ چل رہا ہے، اور کب خاموش رہنا ہے۔
کمپنی کے صفحہ پر موجود ڈیمو ان طرز عمل کی وضاحت کرتے ہیں جن کا کسی نے واضح طور پر پروگرام نہیں کیا ہے۔ ایک کلپ میں، ڈیسا جملے کے وسط میں اس لمحے ہنستی ہے جب کچھ مضحکہ خیز ہو جاتا ہے - "لوگ جس طرح سے کرتے ہیں،" بلاک نوٹ کرتے ہیں، روایتی آواز کے معاونین کے ساتھ اس کا مقابلہ کرتے ہیں کہ "آپ کے ختم ہونے کا انتظار کریں، پھر کیو پر ہنسیں۔" ایک اور میں، ایک صارف ماڈل سے بات کرنے کو کہتا ہے اور وہ زور سے ہو جاتا ہے۔ کمپنی کا کہنا ہے کہ "یہ کسی نے نہیں سکھایا۔" تیسرے میں، وہ شخص فلم کے ٹائٹل کو خالی کر دیتا ہے اور ڈیسا ان کے لیے جملہ ختم کرتا ہے۔
بلاک ایک خاص طور پر دلکش ڈیمو کی نشاندہی کرنے میں بھی محتاط ہے، جس میں ڈیسا دوسرے AI سسٹم کے ساتھ براہ راست گفتگو کرتا ہے۔ "اس ڈیمو میں، Dessa GPT-Live-1 کے ساتھ بات کر رہا ہے، ایک تھرڈ پارٹی AI ماڈل۔ دونوں آوازیں AI سے تیار کی گئی ہیں،" صفحہ بیان کرتا ہے کہ GPT-Live-1 کا ڈویلپر بلاک سے وابستہ نہیں ہے اور اس نے ڈیسا کا جائزہ یا تائید نہیں کی ہے۔
کیوں مکمل طور پر چھوڑے گئے ٹیکسٹ کو بلاک کریں۔
بغیر کسی متن کے ماڈل کو تربیت دینا ایک جان بوجھ کر شرط ہے۔ بلاک کی پوزیشن یہ ہے کہ تقریر زبان کے ارد گرد ایک نقصان دہ لپیٹ نہیں ہے - یہ بنیادی ذریعہ ہے، اور ایک ماڈل جو خام آواز پر پروان چڑھتا ہے وہ صلاحیتوں اور ناکامی کے طریقوں کو تیار کر سکتا ہے جو متن کے تربیت یافتہ نظاموں کے پاس نہیں ہے۔
کمپنی خود سائنسی پہلو کو طے شدہ نتائج کے بجائے کھلے سوالات کے طور پر تیار کرتی ہے: ٹیکسٹ ٹرینڈ سسٹمز کے مقابلے میں صرف تقریر کے ماڈلز زبان اور حقائق کو کس حد تک مؤثر طریقے سے سیکھتے ہیں؟ وہ کتنی مؤثر طریقے سے نئی زبانیں سیکھ سکتے ہیں؟ وہ کس قسم کی سیاق و سباق میں سیکھ سکتے ہیں؟ "ڈیسا گہری سیکھنے کے ماڈلز کی سرحد کو آگے بڑھاتا ہے اور محققین کے دریافت کرنے کے لیے بالکل نئے اور دلچسپ طرز عمل کے ساتھ ایک مختلف زمرہ بناتا ہے،" اعلان پڑھتا ہے۔
ایک عملی دعویٰ بھی پچ میں دفن ہے۔ بلاک کا کہنا ہے کہ ڈیسا کا تخمینہ حقیقی وقت سے زیادہ تیزی سے چلتا ہے، اس لیے جوابات عجیب و غریب وقفوں کے بغیر آتے ہیں جو ٹرن پر مبنی صوتی معاونین کو متاثر کرتے ہیں، اور - لانچ کی Unite.AI کی کوریج کے مطابق - کہ ماڈل مقامی طور پر صارفین کے ہارڈ ویئر پر چلتا ہے جیسا کہ M4 Max چپ کے ساتھ MacBook Pro یا اس سے بہتر ہے۔ اگر درست ہے تو، مقامی طور پر چلنے والا فل ڈوپلیکس صوتی ماڈل اس لمحے قابل ذکر ہوگا جب زیادہ تر مسابقتی آواز AI بادل سے منسلک رہتی ہے۔
A "GPT-3 لمحہ برائے تقریر"
Ragavan Thurairatnam، جو بلاک کی AI ریسرچ لیب کی قیادت کرتے ہیں، Dessa کو پہلا AI ماڈل قرار دیا جو تقریر پر مکمل تربیت کے بعد حقیقت پسندانہ گفتگو کر سکتا ہے، اور اعلان پر Unite.AI کی رپورٹ کے مطابق، ریلیز کو "تقریر کے لیے ایک GPT3 لمحہ" قرار دیا۔ موازنہ کی طرف اشارہ کیا گیا ہے: GPT-3 کے 2020 کی پہلی شروعات نے فوری طور پر مفید مصنوعات تیار نہیں کیں، لیکن اس نے اس بات کی اصلاح کی کہ زبان کے ماڈل کیا کر سکتے ہیں اور موجودہ سرمایہ کاری کے دور کو شروع کر دیا۔
The Verge، جس نے لانچ کا احاطہ کیا، اس کے نتیجے کو ایک ایسے ماڈل کے طور پر بیان کیا جو "ایک عجیب نئے دوست کی طرح آپ سے بات کرتا ہے" - ڈیمو کلپس کا ایک اشتعال انگیز خلاصہ جس میں ڈیسا حیرانی کے ساتھ "اوہ مائی گاڈ" سانس کے نیچے ہانپتی ہے، یا ذاتی خبروں کا جواب دیتی ہے جس کے ساتھ تشکر کی آواز آتی ہے۔ چاہے وہ طرز عمل حقیقی فہم کی عکاسی کرتا ہے یا نفیس نمونہ پنروتپادن بالکل اسی قسم کا سوال ہے جو بلاک کا کہنا ہے کہ وہ تحقیقی برادری سے تحقیقات کرنا چاہتا ہے۔
حفاظتی زاویہ پہلے آتا ہے — ایک بار
خاص طور پر، بلاک ڈیسا کو براہ راست صارفین تک نہیں بھیج رہا ہے۔ ریلیز ایک تحقیقی پیش نظارہ ہے: ریکارڈنگ عوامی ہیں، انتظار کی فہرست کھلی ہے، لیکن ابتدائی رسائی AI حفاظتی محققین کے ایک چھوٹے سے گروپ تک محدود ہے۔ صوتی کلوننگ گھوٹالوں اور جذباتی طور پر ہیرا پھیری کرنے والے AI ساتھیوں کے بارے میں جاری تشویش کو دیکھتے ہوئے، ایک تقریری ماڈل جو اظہار کر سکتا ہے — اور ممکنہ طور پر ظاہر ہو سکتا ہے — بالکل وہی ہے جس کا نظام حفاظتی ٹیمیں بڑے پیمانے پر تعیناتی سے پہلے جائزہ لینا چاہتی ہیں۔
بلاک کا کہنا ہے کہ آنے والے دنوں میں X پر مزید ریکارڈنگ شیئر کی جائیں گی۔ کمپنی نے اپنے اسکوائر، کیش ایپ، یا بٹکی مصنوعات کے لیے قیمتوں کا تعین، API تک رسائی، یا انضمام کے منصوبوں کا اعلان نہیں کیا ہے۔
کھلے سوالات
ڈیسا کی لانچ ایک پرہجوم میدان میں اتری۔ ہر بڑی AI لیب اب ایک وائس موڈ بھیجتی ہے، اور سٹارٹ اپس دو سالوں سے ریئل ٹائم اسپیچ ماڈلز کو آگے بڑھا رہے ہیں۔ ڈیسا کو جو چیز ممتاز کرتی ہے وہ اس کا تربیتی نسخہ ہے — خالص تقریر، صفر متن — اور یہ دعویٰ کہ ابھرتے ہوئے بات چیت کا رویہ جیسے کہ وسط جملے کی ہنسی واضح ہدایات کے بغیر پیدا ہوئی۔
شک کرنے والے آزاد تشخیص چاہتے ہیں۔ کیا ٹیکسٹ فری ماڈل حقیقت میں حقائق کو قابل اعتماد طریقے سے سیکھ سکتا ہے، یا کیا یہ تحریری زبان کی بنیاد کے بغیر زیادہ آزادانہ طور پر فریب دیتا ہے؟ کیا یہ ٹرانسکرپٹس کے بغیر نئی زبانوں میں اسکیل کر سکتا ہے؟ بلاک کا اپنا صفحہ بالکل ان سوالات کو مدعو کرتا ہے، جو کہ یا تو اعتماد ہے یا اس بات کا کھلا اعتراف کہ کوئی بھی - بشمول بلاک - ابھی تک جوابات نہیں جانتا ہے۔
ابھی کے لیے، ڈیسا انتظار کی فہرست کے ساتھ ایک تحقیقی نمونہ ہے۔ لیکن اگر صرف تقریر کی تربیت ٹیکسٹ گراؤنڈ پائپ لائنوں کے ساتھ مسابقتی ثابت ہوتی ہے تو، بلاک نے جدید AI میں ایک زیادہ دلچسپ متضاد شرط پیش کی ہو گی: کہ قدرتی مشینی گفتگو کا تیز ترین راستہ ایسی مشینیں بنانا ہے جو ہم نے سیکھنے کا طریقہ سیکھا۔
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
