بلاک نے ڈیسا کی نقاب کشائی کی، ایک مکمل ڈوپلیکس اسپیچ ماڈل جو تنہا گفتگو پر تربیت یافتہ ہے۔

بلاک کی اندرون ملک AI ریسرچ لیب نے ڈیسا کو جاری کیا، ایک مکمل ڈوپلیکس اسپیچ ٹو اسپیچ ماڈل جس کے مطابق اسے شروع سے ہی حقیقی انسانی گفتگو کے آڈیو پر تربیت دی گئی تھی - نہ کوئی متن، نہ پہلے سے تربیت یافتہ ماڈل۔ ابتدائی رسائی AI حفاظتی محققین کے ایک چھوٹے سے گروپ تک محدود ہے۔
یہ کیوں اہمیت رکھتا ہے۔
آج کل زیادہ تر وائس AI آپ کی تقریر کو پہلے متن میں تبدیل کر کے کام کرتی ہے - اس عمل میں لہجے، جذبات اور وقت کو دور کر کے، اور آہستہ اور سختی سے جواب دے کر۔ ڈیسا، بلاک کے اندر ایک چھوٹی اے آئی ریسرچ لیب سے، ایک مختلف راستہ اختیار کرتی ہے: ایک حقیقی فل ڈوپلیکس اسپیچ ٹو اسپیچ ماڈل، آڈیو ان اور آڈیو آؤٹ، جو ایک ہی وقت میں سنتا اور بات کرتا ہے جیسا کہ ایک شخص کرتا ہے۔ یہ مداخلت کر سکتا ہے اور بیک چینل ("ہاں!"، "سمجھا گیا!")، حقیقی وقت سے زیادہ تیزی سے چلتا ہے، اور مقامی طور پر MacBook Pro M4 Max یا اس سے بہتر پر چل سکتا ہے۔
حیرت انگیز حصہ یہ ہے کہ اس کی تربیت کیسے کی گئی: بلاک کا کہنا ہے کہ ڈیسا کو شروع سے ہی حقیقی انسانی گفتگو کے آڈیو کے علاوہ کسی بھی چیز پر تربیت دی گئی تھی - کوئی متن، کوئی پہلے سے تربیت یافتہ ماڈل نہیں - اور اسے ممکنہ طور پر دنیا کی پہلی AI کے طور پر بیان کرتا ہے جس نے خالصتاً سن کر حقیقت پسندانہ لائیو گفتگو کرنا سیکھا۔ یہ مقامی طور پر جذبات، طنز، ہنسی، آہیں، اور اداسی کے ساتھ کریک کرنے والی آواز کو سنتا اور پیدا کرتا ہے — بالکل وہی معلومات جو روایتی آواز کی پائپ لائنوں کو ضائع کر دی جاتی ہے۔
مکمل رپورٹ
ڈیسا کو بلاک کی اے آئی ریسرچ لیب نے بنایا تھا، جس کی بنیاد ڈیسا کے سابق ممبران، ٹورنٹو ڈیپ لرننگ اسٹارٹ اپ، اور بلاک کے کوفاؤنڈر جیک ڈورسی کو براہ راست رپورٹ کرتے تھے۔ پراجیکٹ کا سربراہ راگاون تھوری رتنم ہے۔ آفیشل پیج ڈیسا کے ساتھ بات کرنے والے لوگوں کی لائیو ریکارڈنگ پیش کرتا ہے: یہ اس لمحے ہنستا ہے جب کوئی چیز مضحکہ خیز ہوتی ہے، جب سپیکر کسی فلم کے ٹائٹل پر خالی ہوتا ہے تو ایک جملہ ختم کرتا ہے، اور پوچھے جانے پر اونچی آواز میں بولتا ہے۔
بلاک کا کہنا ہے کہ ماڈل کو ایک NVIDIA GB200 NVL72 پر تربیت دی گئی تھی، جو بڑے لینگویج ماڈلز کے مقابلے میں سینکڑوں گنا کم الفاظ سے زبان سیکھتی ہے (یہ تسلیم کرتا ہے کہ موازنہ مکمل طور پر پسند نہیں ہے، کیونکہ LLMs کو بھی پروگرامنگ لینگویج جیسی چیزیں سیکھنی ہوں گی)۔ لیب نے تین محرکات کا حوالہ دیا: تجسس، انسانوں اور AI کے درمیان بہتر تفہیم، اور حفاظت — یہ دلیل دیتے ہوئے کہ آج کی آواز AI ہماری آوازوں میں موجود جذبات کے لیے تقریباً بہری ہے، جو کہ صحت کی دیکھ بھال جیسی ترتیبات میں خطرناک ہو سکتی ہے، اور یہ کہ ڈیسا اسے ٹھیک کرنے کی طرف ایک قدم ہے۔
ڈیسا فی الحال ایک تحقیقی پیش نظارہ ہے: بلاک AI حفاظتی محققین کے ایک چھوٹے سے گروپ کو سطحی خطرات تک جلد رسائی فراہم کر رہا ہے جس کی ٹیم نے توقع نہیں کی تھی۔ کسی قیمت کا تعین، عوامی ریلیز کی تاریخ، یا کھلے وزن کا اعلان نہیں کیا گیا ہے۔ نوٹ کریں کہ کمپنی نے پیرامیٹر کی تعداد، ڈیٹاسیٹ کے سائز، یا بینچ مارک سکور کا انکشاف نہیں کیا ہے، اس لیے اوپر دیئے گئے تکنیکی دعوے بلاک کے اپنے ہیں اور آزاد تصدیق کے منتظر ہیں۔
N環球 
💬 Comments
No comments yet. Be the first!