N環球 
ਬਲਾਕ ਡੇਸਾ ਦਾ ਪਰਦਾਫਾਸ਼ ਕਰਦਾ ਹੈ, ਇੱਕ ਪੂਰਾ-ਡੁਪਲੈਕਸ ਸਪੀਚ ਮਾਡਲ ਇਕੱਲੇ ਗੱਲਬਾਤ 'ਤੇ ਸਿਖਲਾਈ
ਬਲਾਕ ਦੀ ਇਨ-ਹਾਊਸ AI ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੇ ਡੇਸਾ ਨੂੰ ਜਾਰੀ ਕੀਤਾ, ਇੱਕ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਸਪੀਚ-ਟੂ-ਸਪੀਚ ਮਾਡਲ ਜਿਸ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਹੈ ਕਿ ਅਸਲ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਆਡੀਓ ਤੋਂ ਇਲਾਵਾ ਕਿਸੇ ਵੀ ਚੀਜ਼ 'ਤੇ ਸ਼ੁਰੂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ — ਕੋਈ ਟੈਕਸਟ ਨਹੀਂ, ਕੋਈ ਪ੍ਰੀਟ੍ਰੇਂਡ ਮਾਡਲ ਨਹੀਂ। ਸ਼ੁਰੂਆਤੀ ਪਹੁੰਚ AI ਸੁਰੱਖਿਆ ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਤੱਕ ਸੀਮਿਤ ਹੈ।
ਇਹ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦਾ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਵੌਇਸ AI ਅੱਜ ਤੁਹਾਡੇ ਭਾਸ਼ਣ ਨੂੰ ਪਹਿਲਾਂ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ — ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਟੋਨ, ਭਾਵਨਾ ਅਤੇ ਸਮੇਂ ਨੂੰ ਛੱਡ ਕੇ, ਅਤੇ ਹੌਲੀ-ਹੌਲੀ ਅਤੇ ਸਖਤੀ ਨਾਲ ਜਵਾਬ ਦੇਣਾ। ਡੇਸਾ, ਬਲਾਕ ਦੇ ਅੰਦਰ ਇੱਕ ਛੋਟੀ AI ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਤੋਂ, ਇੱਕ ਵੱਖਰਾ ਰਸਤਾ ਲੈਂਦਾ ਹੈ: ਇੱਕ ਸੱਚਾ ਫੁਲ-ਡੁਪਲੈਕਸ ਸਪੀਚ-ਟੂ-ਸਪੀਚ ਮਾਡਲ, ਆਡੀਓ ਇਨ ਅਤੇ ਆਡੀਓ ਆਉਟ, ਜੋ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਤਰ੍ਹਾਂ ਸੁਣਦਾ ਅਤੇ ਗੱਲ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਘਨ ਪਾ ਸਕਦਾ ਹੈ ਅਤੇ ਬੈਕਚੈਨਲ ("ਹਾਂ!", "ਸਮਝ ਗਿਆ!"), ਅਸਲ ਸਮੇਂ ਨਾਲੋਂ ਤੇਜ਼ ਚੱਲ ਸਕਦਾ ਹੈ, ਅਤੇ ਮੈਕਬੁੱਕ ਪ੍ਰੋ M4 ਮੈਕਸ ਜਾਂ ਬਿਹਤਰ 'ਤੇ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚੱਲ ਸਕਦਾ ਹੈ।
ਦਿਲਚਸਪ ਹਿੱਸਾ ਇਹ ਹੈ ਕਿ ਇਸ ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ: ਬਲਾਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਡੇਸਾ ਨੂੰ ਅਸਲ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਆਡੀਓ - ਕੋਈ ਟੈਕਸਟ, ਕੋਈ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ ਤੋਂ ਇਲਾਵਾ ਕੁਝ ਵੀ ਨਹੀਂ - ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ - ਅਤੇ ਇਸਨੂੰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਦੁਨੀਆ ਦੀ ਪਹਿਲੀ AI ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰਦਾ ਹੈ ਜਿਸ ਨੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੁਣ ਕੇ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਲਾਈਵ ਗੱਲਬਾਤ ਕਰਨਾ ਸਿੱਖਿਆ ਹੈ। ਇਹ ਨੇਟਿਵ ਤੌਰ 'ਤੇ ਸੁਣਦਾ ਹੈ ਅਤੇ ਭਾਵਨਾਵਾਂ, ਵਿਅੰਗ, ਹਾਸਾ, ਸਾਹ, ਅਤੇ ਉਦਾਸੀ ਨਾਲ ਕ੍ਰੈਕ ਕਰਨ ਵਾਲੀ ਆਵਾਜ਼ ਪੈਦਾ ਕਰਦਾ ਹੈ - ਬਿਲਕੁਲ ਉਹ ਜਾਣਕਾਰੀ ਜੋ ਰਵਾਇਤੀ ਵੌਇਸ ਪਾਈਪਲਾਈਨਾਂ ਰੱਦ ਕਰ ਦਿੰਦੀਆਂ ਹਨ।
ਪੂਰੀ ਰਿਪੋਰਟ
ਡੇਸਾ ਨੂੰ ਬਲਾਕ ਦੀ ਏਆਈ ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਜਿਸ ਦੀ ਸਥਾਪਨਾ ਡੇਸਾ ਦੇ ਸਾਬਕਾ ਮੈਂਬਰਾਂ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਸੀ, ਟੋਰਾਂਟੋ ਡੀਪ ਲਰਨਿੰਗ ਸਟਾਰਟਅੱਪ, ਅਤੇ ਬਲਾਕ ਦੇ ਸਹਿ-ਸੰਸਥਾਪਕ ਜੈਕ ਡੋਰਸੀ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਰਿਪੋਰਟਿੰਗ। ਪ੍ਰੋਜੈਕਟ ਦੀ ਅਗਵਾਈ ਰਾਗਵਨ ਥੁਰੈਰਤਨਮ ਹੈ। ਅਧਿਕਾਰਤ ਪੰਨਾ ਡੇਸਾ ਨਾਲ ਗੱਲ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਦੀਆਂ ਲਾਈਵ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ: ਇਹ ਉਸ ਪਲ ਹੱਸਦਾ ਹੈ ਜਦੋਂ ਕੋਈ ਮਜ਼ਾਕੀਆ ਹੁੰਦਾ ਹੈ, ਇੱਕ ਵਾਕ ਪੂਰਾ ਕਰਦਾ ਹੈ ਜਦੋਂ ਸਪੀਕਰ ਫਿਲਮ ਦੇ ਸਿਰਲੇਖ 'ਤੇ ਖਾਲੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਉੱਚੀ ਬੋਲਦਾ ਹੈ - ਨਾਲ, ਬਲੌਕ ਤਣਾਅ, ਕੋਈ ਮਨੁੱਖੀ ਸਟੀਅਰਿੰਗ ਨਹੀਂ।
ਬਲਾਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ NVIDIA GB200 NVL72 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਵੱਡੀ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਸੈਂਕੜੇ ਗੁਣਾ ਘੱਟ ਸ਼ਬਦਾਂ ਤੋਂ ਭਾਸ਼ਾ ਸਿੱਖਣਾ (ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਤੁਲਨਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਪਸੰਦ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ LLM ਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਵੀ ਸਿੱਖਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ)। ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਤਿੰਨ ਪ੍ਰੇਰਣਾਵਾਂ ਦਾ ਹਵਾਲਾ ਦਿੰਦੀ ਹੈ: ਉਤਸੁਕਤਾ, ਮਨੁੱਖਾਂ ਅਤੇ ਏਆਈ ਵਿਚਕਾਰ ਬਿਹਤਰ ਸਮਝ, ਅਤੇ ਸੁਰੱਖਿਆ - ਇਹ ਦਲੀਲ ਦਿੰਦੀ ਹੈ ਕਿ ਅੱਜ ਦੀ ਅਵਾਜ਼ ਏਆਈ ਸਾਡੀ ਆਵਾਜ਼ਾਂ ਵਿੱਚ ਭਾਵਨਾਵਾਂ ਲਈ ਲਗਭਗ ਬੋਲ਼ੀ ਹੈ, ਜੋ ਸਿਹਤ ਸੰਭਾਲ ਵਰਗੀਆਂ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਖਤਰਨਾਕ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਡੇਸਾ ਇਸ ਨੂੰ ਠੀਕ ਕਰਨ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ।
ਡੇਸਾ ਵਰਤਮਾਨ ਵਿੱਚ ਇੱਕ ਖੋਜ ਪੂਰਵਦਰਸ਼ਨ ਹੈ: ਬਲਾਕ ਏਆਈ ਸੁਰੱਖਿਆ ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਨੂੰ ਸਤਹ ਦੇ ਜੋਖਮਾਂ ਤੱਕ ਛੇਤੀ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰ ਰਿਹਾ ਹੈ ਜਿਸਦਾ ਟੀਮ ਨੇ ਅਨੁਮਾਨ ਨਹੀਂ ਲਗਾਇਆ ਹੈ। ਕੋਈ ਕੀਮਤ, ਜਨਤਕ ਰੀਲੀਜ਼ ਮਿਤੀ, ਜਾਂ ਖੁੱਲ੍ਹੇ ਵਜ਼ਨ ਦੀ ਘੋਸ਼ਣਾ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ। ਨੋਟ ਕਰੋ ਕਿ ਕੰਪਨੀ ਨੇ ਪੈਰਾਮੀਟਰ ਗਿਣਤੀ, ਡੇਟਾਸੈਟ ਆਕਾਰ, ਜਾਂ ਬੈਂਚਮਾਰਕ ਸਕੋਰਾਂ ਦਾ ਖੁਲਾਸਾ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਇਸਲਈ ਉਪਰੋਕਤ ਤਕਨੀਕੀ ਦਾਅਵੇ ਬਲਾਕ ਦੇ ਆਪਣੇ ਹਨ ਅਤੇ ਸੁਤੰਤਰ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਉਡੀਕ ਕਰਦੇ ਹਨ।
💬 Comments
No comments yet. Be the first!