Dessa: Το νέο φωνητικό μοντέλο AI της Block που συνομιλεί σαν πραγματικός άνθρωπος

Μια ριζικά διαφορετική προσέγγιση στην τεχνητή νοημοσύνη παρουσίασε η εταιρεία Block του Τζακ Ντόρσεϊ, αποκαλύπτοντας το Dessa: ένα πρωτοποριακό μοντέλο φωνής που έχει εκπαιδευτεί αποκλειστικά πάνω σε ανθρώπινες συνομιλίες. Σε αντίθεση με τα παραδοσιακά συστήματα που μετατρέπουν τον ήχο σε κείμενο πριν επεξεργαστούν την απάντηση, το Dessa λειτουργεί απευθείας από ομιλία σε ομιλία (speech-to-speech), αποδίδοντας μια εμπειρία διαλόγου που χαρακτηρίζεται από απροσδόκητη φυσικότητα, αυθορμητισμό, αλλά και ορισμένες ανθρώπινες αδεξιότητες.

Εκπαίδευση από το μηδέν με βάση τη φωνή

Η ομάδα ανάπτυξης του συστήματος, υπό την καθοδήγηση του Ραγκαβάν Τουραϊράτναμ, σχεδίασε το μοντέλο μιμούμενη τον τρόπο με τον οποίο μαθαίνουν τα βρέφη. «Τα μωρά μαθαίνουν να μιλάνε χωρίς να έχουν δει ποτέ γραπτή λέξη. Θέλαμε να δούμε αν μπορεί να το κάνει αυτό και ένα μοντέλο», σημείωσαν χαρακτηριστικά οι ερευνητές της Block. Η διαδικασία αυτή επιτρέπει στο Dessa να κατανοεί τον επιτονισμό, τον ρυθμό και τα κενά ανάμεσα στις φράσεις χωρίς να «ισοπεδώνει» την πληροφορία μέσα από τη μετατροπή σε γραπτό κείμενο.

Σύμφωνα με την εταιρεία, η ομιλία αποτελεί τη φυσικότερη διεπαφή επικοινωνίας, την οποία η πλειονότητα των σημερινών εφαρμογών AI υποβαθμίζει. Ένα επιπλέον αξιοσημείωτο τεχνικό στοιχείο είναι ότι το Dessa μπορεί να εκτελεστεί τοπικά σε ισχυρούς φορητούς υπολογιστές, όπως ένας MacBook Pro M4 Max, χωρίς να απαιτείται συνεχής σύνδεση με εξωτερικούς διακομιστές στο cloud.

Αυθορμητισμός, συναίσθημα και ανθρώπινες ατέλειες

Τα δείγματα συνομιλιών που δημοσίευσε η Block αποκαλύπτουν μια συμπεριφορά που θυμίζει έντονα έναν αμήχανο αλλά ευφυή συνομιλητή. Σε δοκιμαστικές ηχογραφήσεις, το μοντέλο παίζει παιχνίδια μαντεψιάς, αναπτύσσει θεωρίες για τις ταινίες του Κρίστοφερ Νόλαν και εκτρέπεται αυθόρμητα στις ταινίες Superman του Μπράιαν Σίνγκερ. Σε άλλο παράδειγμα, όταν ο συνομιλητής του ανακοινώνει ένα υποθετικό ταξίδι-έκπληξη στο Παρίσι, το σύστημα αποκρίνεται με χροιά φωνής που εκφράζει σχεδόν δακρύβρεχτη ευγνωμοσύνη.

Παράλληλα, σε άμεση αντιπαράθεση με το φωνητικό μοντέλο της OpenAI, το Dessa παρουσιάζει σαφώς πιο ρεαλιστικό συγχρονισμό στις παρεμβάσεις του. Ωστόσο, οι ατέλειες δεν λείπουν: σε ορισμένες περιπτώσεις μπερδεύει απρόσμενα το όνομα του ομιλητή, αποδίδοντας την αίσθηση μιας αφιλτράριστης, ανθρώπινης διάδρασης.

Η κρίσιμη παράμετρος της ασφάλειας

Πέρα από τον τομέα του πειραματισμού, η ομάδα της Block υπογραμμίζει πως το έργο έχει βαθύτερες προεκτάσεις ασφαλείας. Τα υφιστάμενα συστήματα τεχνητής νοημοσύνης παραμένουν ουσιαστικά «τυφλά» απέναντι στο συναίσθημα και τη συναισθηματική φόρτιση της φωνής. «Φανταστείτε κάποιον να βρίσκεται σε έντονο πόνο ή κίνδυνο και ένα AI φωνής να μην το αντιλαμβάνεται καθόλου, συνεχίζοντας απλώς τη ροή του. Αυτό είναι ένα ουσιαστικό πρόβλημα ασφάλειας», επισημαίνει η ομάδα.

Το Dessa στοχεύει να γεφυρώσει αυτό το κενό, καθιστώντας τα μελλοντικά συστήματα ικανά να διακρίνουν την αγωνία, τον φόβο ή την ένταση. Προς το παρόν, η Block σκοπεύει να παραχωρήσει πρόωρη πρόσβαση στο εργαλείο αποκλειστικά σε μια περιορισμένη ομάδα ερευνητών ασφάλειας AI, ώστε να μελετηθούν περαιτέρω οι δυνατότητες και οι πιθανοί κίνδυνοι της τεχνολογίας.