N環球 N GLOBE
فناوری ایالات متحده

بلوک دسا را معرفی کرد، یک مدل گفتاری تمام دوبلکس که تنها در مکالمه آموزش دیده است.

· N GLOBE

آزمایشگاه تحقیقاتی هوش مصنوعی داخلی بلاک Dessa را منتشر کرد، یک مدل گفتار به گفتار تمام دوبلکس که می‌گوید از ابتدا بر روی چیزی جز صدای مکالمه انسانی واقعی آموزش داده شده است - بدون متن، بدون مدل‌های از پیش آموزش‌دیده. دسترسی زودهنگام به گروه کوچکی از محققان ایمنی هوش مصنوعی محدود می شود.

چرا مهم است

امروزه بیشتر هوش مصنوعی صوتی به این صورت عمل می‌کند که ابتدا گفتار شما را به متن تبدیل می‌کند - لحن، احساسات و زمان‌بندی را دور می‌اندازد و به آرامی و سفت پاسخ می‌دهد. دسا، از یک آزمایشگاه کوچک تحقیقاتی هوش مصنوعی در داخل Block، مسیر متفاوتی را در پیش می گیرد: یک مدل گفتار به گفتار تمام دوبلکس واقعی، صدا در داخل و خارج صدا، که به طور همزمان گوش می دهد و مانند یک شخص صحبت می کند. می تواند قطع کند و کانال پشتی ("بله!"، "آن را فهمیدم!")، سریعتر از زمان واقعی اجرا می شود، و می تواند به صورت محلی روی MacBook Pro M4 Max یا بهتر اجرا شود.

بخش قابل توجه نحوه آموزش آن است: بلاک می‌گوید دسا از ابتدا بر روی چیزی جز صدای مکالمه انسانی واقعی - بدون متن، بدون مدل‌های از پیش آموزش‌دیده - آموزش دیده است و آن را احتمالاً اولین هوش مصنوعی در جهان توصیف می‌کند که یاد گرفت یک مکالمه زنده واقعی را صرفاً با گوش دادن انجام دهد. به طور بومی احساسات، طعنه، خنده، آه و صدایی که از غم در می‌آید می‌شنود و تولید می‌کند - دقیقاً همان اطلاعاتی که خطوط لوله‌های صوتی معمولی دور می‌زنند.

گزارش کامل

دسا توسط آزمایشگاه تحقیقاتی هوش مصنوعی بلاک ساخته شد، که توسط اعضای سابق دسا، استارت‌آپ یادگیری عمیق تورنتو تأسیس شد و مستقیماً به جک دورسی، بنیانگذار بلاک، گزارش می‌داد. سرپرست پروژه Ragavan Thurairatnam است. صفحه رسمی دارای ضبط‌های زنده از افرادی است که با دسا صحبت می‌کنند: در لحظه‌ای که چیزی خنده‌دار است، می‌خندد، وقتی سخنران روی عنوان فیلمی خالی می‌گذارد، جمله را تمام می‌کند، و وقتی از او پرسیده می‌شود بلندتر صحبت می‌کند - با استرس‌های بلوک، بدون فرمان انسان.

بلاک می گوید که این مدل بر روی یک NVIDIA GB200 NVL72 آموزش داده شده است که زبان را از صدها بار کمتر از مدل های زبان بزرگ یاد می گیرد (معتقد است که مقایسه کاملاً مشابه نیست، زیرا LLM ها باید چیزهایی مانند زبان های برنامه نویسی را نیز یاد بگیرند). این آزمایشگاه سه انگیزه را ذکر می‌کند: کنجکاوی، درک بهتر بین انسان و هوش مصنوعی، و ایمنی - استدلال می‌کند که هوش مصنوعی صوتی امروزی تقریباً نسبت به احساسات موجود در صدای ما ناشنوا است، که می‌تواند در تنظیماتی مانند مراقبت‌های بهداشتی خطرناک باشد و دسا گامی در جهت رفع آن است.

دسا در حال حاضر یک پیش‌نمایش تحقیقاتی است: بلاک به گروه کوچکی از محققان ایمنی هوش مصنوعی دسترسی زودهنگام به خطرات سطحی را که تیم پیش‌بینی نکرده‌اند، می‌دهد. هیچ قیمت، تاریخ انتشار عمومی یا وزن باز اعلام نشده است. توجه داشته باشید که شرکت تعداد پارامترها، اندازه مجموعه داده یا امتیازات معیار را فاش نکرده است، بنابراین ادعاهای فنی بالا متعلق به Block است و منتظر تأیید مستقل است.

💬 Comments

No comments yet. Be the first!