Model Dessa: Block pokazał AI, które uczyło się tylko z rozmów

Firma Block, którą kieruje Jack Dorsey, pokazała model Dessa. To głosowa sztuczna inteligencja (AI), którą od zera wytrenowano wyłącznie na ludzkich rozmowach. Nie uczyła się z książek, artykułów ani stron internetowych. Wszystko, co wie, pochodzi z tego, co ludzie mówili na głos. Twórcy nazywają ją „prawdziwym modelem mowa–mowa”. Słucha głosu i od razu odpowiada głosem, bez zamiany wypowiedzi na tekst po drodze.

Na pokaz Block opublikował nagrania rozmów Dessy z ludźmi. Rozmowy toczą się w większości płynnie, ale bywają niezręczne. W jednej z nich, którą udostępnił szef projektu Ragavan Thurairatnam, model na początku bierze rozmówcę za kogoś o imieniu „Ronaldo”. W innej, w rozmowie o filmach Christophera Nolana, Dessa nagle schodzi na filmy o Supermanie w reżyserii Bryana Singera. Gdy ktoś opowiada jej o niespodziewanej wycieczce do Paryża, model odpowiada głosem, który brzmi jak wzruszenie przez łzy. Jest też nagranie, na którym Dessa rozmawia z głosowym modelem GPT-Live-1 od OpenAI. Według serwisu The Verge to Dessa wypada w nim bardziej naturalnie.

Co to znaczy dla Ciebie?

Na razie niewiele zmienia się w praktyce. Block nie udostępnił Dessy wszystkim. Najpierw dostanie ją niewielka grupa badaczy bezpieczeństwa AI. Nie wiadomo, kiedy i czy w ogóle model trafi do zwykłych użytkowników ani czy będzie mówił po polsku.

Warto jednak zwrócić uwagę na kilka rzeczy:

• Działanie na własnym komputerze. Według twórców Dessa działa lokalnie na laptopie MacBook Pro z procesorem M4 Max lub mocniejszym. Rozmowa nie musiałaby więc trafiać na serwery firmy, a to ważne dla prywatności.
• Bardziej naturalna rozmowa. Dzisiejszy asystent głosowy zwykle zamienia Twoje słowa na tekst, analizuje go i dopiero potem odpowiada. Przez to gubi ton głosu i nie nadąża za tempem prawdziwej rozmowy.
• Wyczucie emocji. Model, który słyszy emocje w głosie, mógłby lepiej reagować, gdy ktoś jest zdenerwowany albo potrzebuje pomocy.

Dlaczego Block to zrobił?

Zespół podaje trzy powody: ciekawość („czyli frajdę”), lepsze porozumienie między ludźmi a AI oraz bezpieczeństwo. Punktem wyjścia była obserwacja z życia. Niemowlęta uczą się mówić, choć nigdy nie widziały słowa zapisanego na papierze. Twórcy chcieli sprawdzić, czy maszyna też to potrafi. Ich wniosek: potrafi, ale to bardzo trudne.

Najważniejszy jest argument o bezpieczeństwie. AI staje się coraz potężniejsza i bardziej samodzielna, a mimo to prawie nie słyszy emocji w naszych głosach. Twórcy podają przykład osoby, która cierpi z bólu, podczas gdy głosowa AI niczego nie zauważa i po prostu mówi dalej. Zespół Dessy pisze, że ich model to „krok w stronę rozwiązania” tego problemu. Czy ten kierunek się sprawdzi, pokażą dopiero testy badaczy.