Block של ג'ק דורסי הציגה את Dessa: מודל קולי שלמד לדבר רק משיחות של בני אדם
Block, החברה של ג'ק דורסי, הציגה את Dessa. זה מודל AI קולי שאומן מאפס רק על שיחות אנושיות, והחברה אומרת שהוא רץ מקומית על MacBook Pro. בשיחות לדוגמה שהחברה פרסמה הוא נשמע לעיתים טבעי ולעיתים מוזר ומביך. מכיוון שהדוגמאות נבחרו בידי החברה עצמה, קשה לדעת מהן איך המודל מתפקד בשימוש רגיל.
חברת Block של ג'ק דורסי הכריזה על מודל AI חדש בשם Dessa. לדברי החברה, המודל אומן "מאפס, על שום דבר מלבד שיחה אנושית". כדי להדגים אותו פרסמה Block שיחות שניהל המודל עם בני אדם. רובן זורמות למדי, אבל בחלקן הוא נשמע מגושם ואפילו קצת מוזר.
חבר חדש ומגושם
באחת השיחות, ששיתף ראגאבן ת'ורייראטנאם, מוביל הפרויקט, יש בעיקר דיאלוג טבעי. עם זאת, בתחילתה המודל מתבלבל משום מה וחושב שהדובר הוא מישהו בשם "רונלדו". בסרטון אחר Dessa משחק עם אדם משחק ניחושים בקול.
באתר של Dessa יש עוד כמה דוגמאות. באחת מהן מתנהלת שיחה על הסרטים של כריסטופר נולאן, ופתאום המודל גולש לסרטי סופרמן של בריאן סינגר. בדוגמה אחרת אדם מספר ל-Dessa שהוא לוקח אותו לטיול הפתעה בפריז, ולפי תיאור האתר המודל "עונה במה שנשמע כמו הכרת תודה דומעת". בדוגמה שלישית Dessa משוחח עם GPT-Live-1, מודל הקול של OpenAI, ולפי The Verge הוא נשמע בה טבעי יותר.
חשוב לזכור שאת כל הדוגמאות האלה בחרה החברה עצמה. ככל הנראה הן אמורות להציג את המודל במיטבו, או לפחות במצבים המעניינים ביותר שלו. לכן אי אפשר ללמוד מהן הרבה על התנהגותו בשיחה רגילה ולא מתוכננת.
בלי טקסט באמצע
ההבדל המרכזי לפי Block הוא הארכיטקטורה. הצוות מגדיר את Dessa כמודל "speech-to-speech אמיתי", כלומר מודל שמקבל דיבור ומחזיר דיבור. עוד נכתב ש"כל מה שהוא יודע הגיע מדיבור אנושי". רוב עוזרי הקול היום ממירים את הדיבור לטקסט, מעבדים אותו ב-LLM (מודל שפה גדול) ורק אז ממירים את התשובה בחזרה לקול. בדרך הזאת הולכים לאיבוד חלק מהמידע שבקול, כמו טון, קצב והיסוסים. לפי החברה, המודל רץ מקומית על MacBook Pro עם שבב M4 Max "או חזק יותר".
הצוות נותן שלוש סיבות לפרויקט: סקרנות ("כלומר כיף"), הבנה טובה יותר בין בני אדם ל-AI, ובטיחות. וכך הם כותבים:
> "תינוקות לומדים לדבר בלי לראות אף פעם מילה כתובה. רצינו לבדוק אם גם מודל יכול. הוא יכול. זה פשוט קשה מאוד."
לדבריהם, הדיבור הוא "הממשק הטבעי ביותר לכל אינטליגנציה", ומערכות הקול של היום מבזבזות אותו: הן "משטחות את מה שאנחנו אומרים לטקסט" ולא מצליחות לעמוד בקצב של שיחה אנושית. את טיעון הבטיחות הם מסבירים כך: ה-AI צובר כוח ועצמאות, אבל הוא "עדיין כמעט חירש לרגש שבקולנו". הם מבקשים לדמיין אדם שסובל מכאב חמור בזמן שמערכת קולית ממשיכה לדבר כרגיל בלי להבין שמשהו לא בסדר.
מה הלאה
לפי Block, בשלב ראשון תקבל גישה מוקדמת למודל "קבוצה קטנה של חוקרי בטיחות AI". הדיווח לא מפרט מתי הוא ייפתח לקהל הרחב, אם בכלל, וגם לא מוסר נתונים על גודלו או על ביצועיו במדדים מקובלים.
המשמעות היא ש-Dessa נראה כרגע יותר כמו ניסוי מחקרי מאשר כמו מוצר. השאלה שהוא מעלה מעניינת: האם מודל שלמד רק מדיבור יכול לנהל שיחה טבעית יותר ממודלים שמבוססים על טקסט. מהדוגמאות שפורסמו עולה שהתשובה עדיין חלקית. השיחות נשמעות לעיתים אנושיות, אבל גם לא צפויות. עד שחוקרים מחוץ לחברה יוכלו לבחון את המודל בעצמם, קשה לקבוע אם זה באמת כיוון חדש לממשקי קול, או רק הדגמה מעניינת שהחברה בחרה בקפידה מה להראות ממנה.