Block'un Dessa'sı, tamamen insan konuşmasından sıfırdan eğitilmiş bir speech-to-speech yapay zekâ

Block, Dessa ile yapay zekâ modeli yarışına giriyor

Jack Dorsey ile anılan ödeme şirketi Block, şirketin ifadesiyle sıfırdan, yalnızca insan konuşması kullanılarak eğitilmiş bir konuşma odaklı yapay zekâ modeli olan Dessa'yı duyurdu. Duyuruyu aktaran The Verge'nin haberine göre Block, modeli iş başında göstermek için bir dizi kayıtlı sohbet yayımladı; bu konuşmalar büyük ölçüde doğal görünüyor, ancak belirgin şekilde tuhaf veya yapay anlar da içeriyor.

Demolar neleri gösteriyor

Dessa ekibinin lideri Ragavan Thurairatnam'ın paylaştığı ve The Verge'nin aktardığı bir konuşmada model, bir konuşmacıyla büyük ölçüde akıcı bir diyalog sürdürüyor; ancak başlangıçta kişiyi Ronaldo adında birisi olarak tanımlıyor. Dessa web sitesindeki diğer örnekler arasında Christopher Nolan'ın filmlerine dair, istenmemiş biçimde Bryan Singer'ın Superman filmlerine saparak ilerleyen bir tartışma; bir kullanıcının Paris'e sürpriz bir yolculuğu anlattığı ve modelin sitenin ifadesiyle gözyaşlı bir minnettarlıkla tepki verdiği bir an; ve The Verge'nin de belirttiği gibi Dessa'nın daha doğal konuşmacı olarak ortaya çıktığı, Dessa ile OpenAI'nin GPT-Live-1 sesli modeli arasında geçen bir sohbet yer alıyor.

Yalnızca konuşma üzerine kurulu bir model

Temel teknik iddia, Dessa'nın The Verge'ye aktarılan ekip ifadesiyle bir "gerçek speech-to-speech modeli" olması: bildiği her şey insan konuşmasından geldi, sese dönüştürülmüş metin derlemlerinden değil. Bu, model yanıt vermeden önce konuşulan dilin düz metne dönüştürüldüğü bir ara adımın bulunmadığı anlamına geliyor. Ekip ayrıca modelin bir MacBook Pro M4 Max veya daha iyi bir donanımda yerel olarak çalışabildiğini söylüyor; bu da tam kapsamlı bir konuşma modelini bulut çıkarımına gereksinim duymadan bir tüketici dizüstü bilgisayarına yerleştiriyor.

Block, Dessa'yı neden geliştirdiğini anlatıyor

Dessa ekibi üç motivasyon sıralıyor: merak, insanlarla yapay zekâ arasında daha iyi karşılıklı anlayış ve güvenlik. The Verge'nin aktardığı gibi ekip bunları şöyle açıyor: bebekler tek bir yazılı kelime görmeden konuşmayı öğreniyor; ekip de bir modelin aynısını yapıp yapamayacağını merak etmiş — yapabiliyor, ama çok zor olduğunu söylüyorlar. Ayrıca konuşmanın her tür zekâya en doğal arayüz olduğunu, günümüzün sesli yapay zekâlarının ise bunu, söylenenleri metne indirgeyerek ve insanın ritmine ayak uyduramayarak heba ettiğini savunuyorlar.

Güvenlik argümanı ise en keskin olanı. Ekip, yapay zekâ sistemleri güç ve bağımsızlık kazandıkça insan sesindeki duygulara karşı neredeyse sağır kalmaya devam ediyor diye yazıyor. Örneklerinde, bir sesli asistanın ciddi bir acı içindeki bir kişiyi tamamen habersiz biçimde dinlemeye devam etmesi tasvir ediliyor; ekip Dessa'yı bu boşluğu kapatmaya yönelik bir adım olarak sunuyor. The Verge'nin haberine göre erken erişim, küçük bir grup yapay zekâ güvenliği araştırmacısıyla sınırlı olacak.

Neden önemli

Günümüzde üretimde olan sesli asistanların çoğu birer boru hattı (pipeline): ses yazıya dökülüyor, bir metin modeli yanıt hazırlıyor ve bir sentezleyici bunu geri okuyor. Bu tasarım, prosedür, zamanlama ve duygusal ipuçlarını — tam da Dessa gibi konuşma yerel bir modelin korumak için tasarlandığı bilgileri — bertaraf ediyor. Yaklaşım satıcıların özenle seçtiği demoların ötesinde tutar sağlarsa, her sözü düz metinmiş gibi ele almak yerine tereddüt, sıkıntı ya da heyecanı algılayabilen sesli arayüzlere işaret ediyor.

Bu aynı zamanda kayda değer bir rekabet sinyali. Block öncelikle bir fintech şirketi ve sıfırdan kendi modelini eğitmesi, şimdiye dek daha çok kendini bu işe adamış yapay zekâ laboratuvarlarının domine ettiği bir yarışa girdiği anlamına geliyor. Modelin bir dizüstü bilgisayarda çalıştığı iddiası ise bulut veri merkezlerine gereksinim duymayan yetenekli modellere doğru broader bir kaymaya uyuyor. Uyarılar gerçek — yayımlanan konuşmalar ekip tarafından seçildi, Ronaldo karışıklığı kaba kenarları ortaya koyuyor ve genel erişilebilirlik konusunda henüz bir bilgi yok — ama bir araştırma yönü olarak, yapay zekâyı bebeklerin yaptığı gibi yalnızca konuşma yoluyla dili öğrenmek suretiyle geliştirmek izlemeye değer.