بلوک، مدل صدای انسانی Dessa را معرفی کرد

بلوک، شرکت فناوری مالی به رهبری جک دورسی، مدل هوش مصنوعی تجربی Dessa را معرفی کرده است که طراحی شده تا تعاملات گفتاری با ماشین‌ها طبیعی‌تر به نظر برسد و احساس شود. با آموزش سیستم به‌طور مستقیم بر اساس گفتار انسانی و نه صرفاً بر اساس پردازش متنی، این شرکت در حال بررسی رویکردی متفاوت برای هوش مصنوعی گفتاری است.

این مدل به خاطر توانایی‌اش در بازتولید عناصر مکالمه‌های روزمره، از جمله مکث‌ها، خنده‌ها، تغییرات در لحن و بیان احساسات متمایز است. نمایش‌هایی که توسط بلوک منتشر شده نشان می‌دهد که Dessa با سطحی از ظرافت صوتی به افراد پاسخ می‌دهد که می‌تواند تعامل را شبیه به مکالمه‌ای میان انسان‌ها کند.

این پروژه نشان‌دهنده تلاشی وسیع‌تر در صنعت فناوری است که فراتر از دستیارهای صوتی می‌رود که پاسخ‌های صیقلی اما اغلب مکانیکی ارائه می‌دهند. برای بلوک، هدف تنها بهبود گفتار مصنوعی نیست، بلکه توسعه سیستم‌هایی است که می‌توانند سیگنال‌های عاطفی و گفتاری را که از طریق صدای انسانی منتقل می‌شوند، بهتر تفسیر کنند.

رویکرد گفتار-محور به هوش مصنوعی

دستیارهای صوتی سنتی معمولاً ورودی گفتاری را به متن تبدیل می‌کنند، کلمات حاصل را پردازش کرده و سپس یک پاسخ صوتی تولید می‌کنند. اگرچه این زنجیره می‌تواند نتایج مفیدی ارائه دهد، اما ممکن است اطلاعاتی درباره وضعیت عاطفی گوینده، زمان‌بندی و شیوه صحبت کردن از دست برود.

Dessa مسیر متفاوتی را در پیش می‌گیرد. این مدل به‌عنوان یک مدل گفتار به گفتار ساخته شده است و به‌طور مستقیم صوت را پردازش می‌کند تا تبادل‌های روان‌تری را پشتیبانی کند. معماری تمام‌دوپلکس آن به آن اجازه می‌دهد در حین صحبت کردن گوش دهد، که ممکن است موجب شود وقفه‌ها و نوبت‌گیری مکالمه کمتر مصنوعی به نظر برسند.

به گفته بلوک، این سیستم از ابتدا با استفاده از گفتار انسانی آموزش دیده است. این شرکت می‌گوید که مدل قابلیت‌های گفتاری خود را از طریق صوت توسعه داده و نه از طریق یک زنجیره آموزشی متنی سنتی.

این تمایز برای پروژه مرکزی است. ارتباط انسانی به معنای لفظی کلمات محدود نمی‌شود: تردید، ریتم، تأکید و احساسات صوتی می‌توانند همگی نحوه درک یک پیام را تغییر دهند.

صداهای واقعی با احساس و تنوع

در نمایش‌هایی که توسط شرکت و محققان آن منتشر شده، Dessa سبک‌های صوتی مختلفی را اتخاذ کرده و تحویل خود را با زمینه مکالمه تنظیم می‌کند. برخی از تبادلات شامل شوخی و بحث‌های غیررسمی است، در حالی که دیگران نشان می‌دهند که سیستم خسته، شگفت‌زده یا تحت تأثیر عاطفی به نظر می‌رسد.

این مثال‌ها ظرفیت مدل را برای تولید گفتار بیانی بدون آنکه هر پاسخ به‌صورت یک اعلامیه برنامه‌ریزی‌شده به نظر برسد، نشان می‌دهند. تحویل آن می‌تواند در طول یک تبادل تغییر کند و احساسی بیشتر خودجوش ایجاد کند.

با این حال، عملکرد صوتی قانع‌کننده به‌طور خودکار ثابت نمی‌کند که یک سیستم هوش مصنوعی احساسات را به همان شیوه‌ای که یک انسان درک می‌کند، درک می‌کند. این نمایش‌ها نمای کلی از قابلیت‌های آن را ارائه می‌دهند، در حالی که آزمایش‌های مستقل برای ارزیابی قابلیت اطمینان آن در میان سخنرانان، موقعیت‌ها و وظایف گفتاری مختلف لازم است.

مدل قدرتمند طراحی شده برای اجرا در محلی

جنبه قابل توجه دیگر Dessa، نیازهای سخت‌افزاری آن است. بلوک می‌گوید این مدل می‌تواند به‌طور محلی بر روی یک کامپیوتر مصرف‌کننده مجهز به مک‌بوک پرو اپل با چیپ M4 Max یا سخت‌افزار مشابه یا قوی‌تر عمل کند.

این شرکت همچنین می‌گوید که سیستم را با استفاده از یک سیستم محاسباتی NVIDIA GB200 NVL72 آموزش داده است. این تنظیم آموزشی با سخت‌افزاری که برای اجرای مدل کامل نیاز است، متفاوت است و این تمایز هنگام ارزیابی دسترسی بالقوه فناوری اهمیت دارد.

اجرا به‌صورت محلی می‌تواند نیاز به ارسال هر تعامل گفتاری به سرورهای از راه دور را کاهش دهد. بسته به نحوه پیاده‌سازی سیستم، این رویکرد ممکن است مزایایی در پاسخ‌دهی، هزینه‌های عملیاتی و کنترل داده‌ها ارائه دهد.

برای توسعه‌دهندگان، اجرای هوش مصنوعی صوتی بر روی سخت‌افزار با درجه مصرف‌کننده همچنین می‌تواند فرصت‌هایی برای ادغام ویژگی‌های گفتاری در برنامه‌ها بدون تکیه کامل بر زیرساخت‌های ابری بزرگ ایجاد کند.

ایمنی هوش مصنوعی به یک سوال مرکزی تبدیل می‌شود

همان ویژگی‌هایی که Dessa را جذاب می‌کند، همچنین سؤالاتی درباره خطرات صدای مصنوعی به‌طور فزاینده واقعی ایجاد می‌کند. اگر یک سیستم هوش مصنوعی بتواند مکث‌های طبیعی، واکنش‌های عاطفی و زمان‌بندی مکالمه را بازتولید کند، مردم ممکن است تشخیص یک سخنران مصنوعی از یک شخص واقعی را دشوارتر بیابند.

این قابلیت ممکن است در تماس‌های تلفنی تقلبی، تلاش‌های جعل هویت یا دیگر اشکال مهندسی اجتماعی مورد سوءاستفاده قرار گیرد. یک صدای قانع‌کننده ممکن است افراد را تشویق کند تا قبل از تأیید هویت تماس‌گیرنده، به او اعتماد کنند.

بلوک می‌گوید می‌خواهد محققان به بررسی پیامدهای ایمنی مدل بپردازند. این شرکت دسترسی زودهنگام را به یک گروه کوچک از محققان ایمنی هوش مصنوعی ارائه می‌دهد و نه اینکه سیستم را به‌طور فوری در دسترس عموم قرار دهد.

این راه‌اندازی کنترل‌شده فرصتی را برای بررسی ضعف‌های بالقوه قبل از گسترش وسیع‌تر فراهم می‌کند. سؤالات مهم شامل این است که مدل چگونه به موقعیت‌های حساس پاسخ می‌دهد، آیا سیگنال‌های عاطفی آن قابل دستکاری هستند و چقدر آسان است که صدای آن برای فریب شنوندگان استفاده شود.

کاربردهای بالقوه برای کسب‌وکارها و مصرف‌کنندگان

Dessa می‌تواند در نهایت از یک سری خدمات مبتنی بر صدا، از پشتیبانی مشتری و دستیارهای تعاملی تا رابط‌های طبیعی‌تر برای نرم‌افزارهای روزمره پشتیبانی کند.

بلوک در حال حاضر کسب‌وکارهایی از جمله Square و Cash App را اداره می‌کند که تجربه‌ای در خدمات مالی و ابزارهای مورد استفاده توسط بازرگانان دارد. فناوری صوتی بیانی و محلی می‌تواند به‌طور بالقوه این فعالیت‌ها را با امکان تعاملات مشتری پاسخگوتر و کاهش وابستگی به زیرساخت‌های پردازش خارجی تکمیل کند.

این فناوری همچنین ممکن است در دسترسی و آموزش کاربردهایی داشته باشد، جایی که تعامل گفتاری می‌تواند جایگزینی برای رابط‌های سنتی ارائه دهد. توانایی آن در پاسخ به نشانه‌های صوتی می‌تواند به‌ویژه در موقعیت‌هایی که لحن و زمینه مکالمه اهمیت دارد، مفید باشد.

با این حال، این احتمالات همچنان در مرحله پیش‌بینی باقی مانده‌اند. بلوک تاریخ انتشار عمومی برای Dessa را اعلام نکرده و در دسترس بودن تجاری گسترده‌تر آن هنوز مشخص نشده است.

یک جهت‌گیری جدید برای هوش مصنوعی گفتاری

Dessa یک تغییر رو به رشد در توسعه هوش مصنوعی را به سمت سیستم‌هایی که گفتار را بیشتر از یک راه برای انتقال کلمات می‌داند، نشان می‌دهد. با تلاش برای حفظ غنای ارتباطات گفتاری، بلوک در حال آزمایش این است که آیا ماشین‌ها می‌توانند تعاملاتی را ارائه دهند که احساس فوری‌تر و کمتر محدود به طراحی دستیار صوتی سنتی داشته باشد.

قابلیت‌های عملیاتی محلی مدل نیز می‌تواند این رویکرد را در خارج از مراکز داده بزرگ عملی‌تر کند، هرچند عملکرد واقعی آن، نیازهای سخت‌افزاری و ویژگی‌های ایمنی هنوز نیاز به ارزیابی وسیع‌تری دارند.

در حال حاضر، Dessa یک پروژه تحقیقاتی است و نه یک محصول مصرفی به‌طور گسترده در دسترس. اهمیت آن در نهایت به این بستگی دارد که آیا مکالمات طبیعی آن به عملکرد قابل اعتماد، کاربردهای مفید و تدابیر ایمنی در برابر سوءاستفاده تبدیل می‌شود یا خیر.