آیا مدل دسا می‌تواند بدون متن، مکالمه انسانی را درک کند؟

بلاک (Block) مدل گفتاری دسا (Dessa) را منتشر کرد که بدون هیچ پیش‌آموزش متنی (pretraining)، تنها از روی مکالمه‌های انسانی زبان یاد گرفته است. این مدل به‌صورت کامل‌دو طرفه (full-duplex) روی یک مک‌بوک پرو M4 ماکس (MacBook Pro M4 Max) اجرا می‌شود و لحظه‌به‌لحظه احساسات، خنده و طنز را درک می‌کند.

به گزارش بلاک، دسا نخستین هوش مصنوعی است که می‌تواند مکالمه‌ای واقعی و زنده برقرار کند پس از اینکه فقط از گفتار انسانی آموزش دیده باشد. اعلامیه در ۲۳ اکتبر ۲۰۲۶ منتشر شد و رگاوان توراراتنام (Ragavan Thurairatnam)، رهبر آزمایشگاه هوش مصنوعی بلاک، آن را «لحظه GPT-3 برای گفتار» خواند. در پستی در X، توراراتنام دسا را نخستین مدل هوش مصنوعی توصیف کرد که می‌تواند مکالمه‌ای واقعیست پس از آموزش کاملاً روی گفتار، گفت که روی پردازش‌گرهای گرافیکی مصرف‌کننده اجرا می‌شود، و انتشار را «لحظه GPT-3 برای گفتار» نامید. در صفحه محصول، بلاک می‌نویسد که تا آنجا که شرکت می‌داند، دسا نخستین هوش مصنوعی در جهان است که می‌تواند مکالمه زنده و واقعی برقرار کند پس از اینکه فقط از گفتار انسانی آموزش دیده باشد.

همان‌طور که در تحلیل قبلی ما درباره‌ی معماری‌های متوالی گفتار به متن اشاره کردیم، حذف پروزودی (prosody) و نشانه‌های احساسی از پایهٔ مشکلات صوتیِ فعلی بوده است. هوش مصنوعی گفتار طولانی است که به خط لوله‌های متوالی (cascaded pipelines) تکیه کرده: تشخیص خودکار گفتار به متن، یک مدل زبانی بزرگ برای استدلال، سپس متن به گفتار برای خروجی. آن معماری پروزودی، زمان‌بندی و نشانه‌های احساسی را که فقط در صداهای خام وجود دارند، دور می‌ریزد. رویکرد بلاک پشته را برعکس می‌کند: آموزش مستقیماً روی سیگنال صوتی، همان‌طور که نوزادان زبان یاد می‌گیرند بدون اینکه کلمه‌ای نوشته شده ببینند.

آزمایشگاه، که توسط اعضای سابق استارتاپ یادگیری عمیق تورنتویی دسا (Dessa) تاسیس شده و مستقیماً به جک دورسی (Jack Dorsey) گزارش می‌دهد، می‌گوید این کار را روی یک سیستم انویدیا GB200 NVL72 انجام داده است. محقق ارشد رگاوان توراراتنام در X انتشار را «لحظه GPT-3 برای گفتار» خواند و یادآوری کرد که مدل زبان را از صدها برابر کلمات کمتر نسبت به مدل‌های زبانی مبتنی بر متن یاد گرفته است.

جزئیات فنی و رفتار دسا

دسا (Dessa) به‌صورت کامل‌دو طرفه (full-duplex) عمل می‌کند: هم‌زمان گوش می‌دهد و صحبت می‌کند، تصمیم می‌گیرد کی بک‌چنلینگ (backchanneling) کند، کی مقاطعه کند و کی جمله کاربر را کامل کند. کلیپ‌های دمو زنده نشان می‌دهند:

• دسا در وسط جمله می‌خندد وقتی چیزی خنده‌دار است، نه بعد از تمام شدن حرف طرف مقابل
• صدا بلند می‌کند وقتی ازش خواسته می‌شود بلندتر صحبت کند
• جمله کسی را کامل می‌کند وقتی نام فیلم را فراموش کرده
• زیر لب می‌هیچد با تعجب هنگام شنیدن خبر سالگرد، بعد با تشکر گریان جواب می‌دهد
• یک ضبط طولانی‌تر مشاوره زندگی که واقعاً همدلانه به نظر می‌رسد
• یک مکالمه با GPT-Live-1 (مدل شخص ثالث) که هر دو صدا مصنوعی‌اند

بلاک کلیپ‌هایی منتشر کرده که آن‌ها را ضبط‌های زنده افراد در حال گفتگو با دسا توصیف می‌کند. شرکت می‌گوید در طول این مکالمات هیچ‌کس مدل را هدایت نمی‌کند و دسا خودش انتخاب می‌کند چی بگوید، کی بگوید و چطور بگوید — شامل صدا و شخصیت خودش؛ زیرنویس‌ها بعد از واقعه اضافه شده‌اند. لحظه‌های توصیف‌شده شامل موارد بالا می‌شود. یک ضبط دسا را در حال مکالمه با GPT-Live-1، یک مدل هوش مصنوعی شخص سوم، نشان می‌دهد؛ بلاک توجه می‌دارد که هر دو صدا در آن ضبط مصنوعی‌اند و که توسعه‌دهنده GPT-Live-1 وابسته به بلاک نیست و دسا را بررسی یا تایید نکرده است.

مکانیزم آموزش فقط-گفتاری

کارایی آموزش ادعای مرکزی است. بلاک می‌گوید یک کلمه گفتاری هزاران برابر بایت بیشتر از شکل نوشته اشغال می‌کند، و تأکید کلمه معنا را تغییر می‌دهد — یک جمله نمونه در صفحه معانی متفاوتی می‌گیرد هر بار که کلمه دیگری تأکید شود. تیم سوالات تحقیقاتی باز را مطرح کرده:

• چقدر بهینه این مدل‌ها زبان و حقایق را در مقایسه با مدل‌های متنی یاد می‌گیرند؟
• چقدر بهینه می‌توانند زبان‌های جدید یاد بگیرند؟
• چه نوع یادگیری در بستر (in-context learning) می‌توانند انجام دهند؟

طبق صفحه محصول، دسا از صفر روی صداها آموزش دیده، بدون هیچ متنی یا مدل پیش‌آموزش‌دیده، و یاد گرفته در زمان واقعی مکالمه کند فقط با گوش دادن. بلاک استدلال می‌کند سختی آن کار آسان است که کم‌برآورد شود چون مردم به راحتی یاد می‌گیرند صحبت کنند. داده‌های گفتار هرگز تکرار نمی‌شوند: حتی گفتن یک جمله دو بار به دقیقاً همان روش داده‌های متفاوت تولید می‌کند، در حالی که متن تایپ‌شده یکسان است صرف‌نظر از اینکه کی تایپ کرده باشد. از نظر داده، صفحه می‌گوید، یک کلمه گفتاری هزاران برابر بایت بیشتر از شکل نوشته اشغال می‌کند، و جایگاه تأکید معنا را تغییر می‌دهد؛ یک جمله نمونه در صفحه هر بار که کلمه دیگری تأکید شود معنای متفاوتی می‌گیرد.

بلاک می‌گوید دسا زبان را از صدها برابر کلمات کمتر نسبت به مدل‌های زبانی بزرگ (LLM) یاد گرفته، و تیم روش آموزش آن را روی یک سیستم انویدیا GB200 NVL72 کار کرده است. صفحه سوالات تحقیقاتی باز را که این رویکرد ایجاد می‌کند فهرست می‌کند:

• چقدر بهینه چنین مدل‌هایی زبان و حقایق را در مقایسه با متن یاد می‌گیرند
• چقدر بهینه می‌توانند زبان‌های جدید یاد بگیرند
• چه نوع یادگیری در بستر می‌توانند انجام دهند

استنتاج و اجراهای محلی

استنتاج (inference) سریع‌تر از زمان واقعی روی مک‌بوک پرو M4 ماکس یا بهتر اجرا می‌شود، مکث‌های ناخوشایندِ دستیارهای صوتی ابری را حذف می‌کند. شرکت این را «اصیل‌ترین مدل گفتاری کامل‌دو طرفه تا به حال» توصیف می‌کند و می‌گوید تعامل با آن شبیه گفتگو با انسان است. هیچ هدایت خارجی در دموها رخ نمی‌دهد؛ دسا صدا، شخصیت و زمان‌بندی خودش را انتخاب می‌کند.

بلاک دسا را یک مدل واقعی گفتار به گفتار (speech-to-speech) توصیف می‌کند: صدا ورودی، صدا خروجی. این مدل کامل‌دو طرفه است، بنابراین هم‌زمان گوش می‌دهد و صحبت می‌کند، و شرکت می‌گوید از مکالمه واقعی یاد گرفته کی باید مداخله کند و کی بک‌چنلینگ کند تا نشان دهد که دنبال می‌کند. بلاک می‌گوید مدل به‌صورت بومی احساس، طنز، خنده، نفسِ خشمگین، و صدایِ گره‌خورده با غم را می‌شنود و می‌گوید؛ که استنتاج سریع‌تر از زمان واقعی اجرا می‌شود، بنابراین پاسخ‌ها بدون مکث ناخوشایند می‌آیند؛ و که دسا روی مک‌بوک پرو M4 ماکس یا بهتر به‌صورت محلی اجرا می‌شود. شرکت آن را «اصیل‌ترین مدل گفتاری کامل‌دو طرفه تا به حال» می‌نامد و می‌گوید گفتگو با آن حس گفتگو با انسان را می‌دهد.

ایمنی، دسترسی و تیم

دسترسی ایمنی محدود است: گروهی کوچک از محققان ایمنی هوش مصنوعی از دانشگاه‌ها، شرکت‌ها یا آزمایشگاه‌ها دسترسی زودرس دارند تا ریسک‌های پیش‌بینی‌نشده را بررسی کنند. فرم درخواست نام و یک ایمیل مؤسسه‌ای از دانشگاه، شرکت یا آزمایشگاه می‌خواهد، با یک لینک گوگل اسکالر یا وبلاگ اختیاری. یک لیست انتظار عمومی باز است، و کلیپ‌های بیشتر روی اکانت X توراراتنام به اشتراک گذاشته می‌شود. صفحه می‌گوید لینک‌های راه‌اندازی به زودی می‌آیند.

تیم سه دلیل می‌آورد: کنجکاوی، درک بهتر بین انسان و هوش مصنوعی، و ایمنی. صفحه یادآوری می‌کند که نوزادان یاد می‌گیرند صحبت کنند بدون اینکه کلمه‌ای نوشته شده ببینند و می‌گوید تیم خواسته ببینند آیا یک مدل می‌تواند همان کار را کند. در مورد ایمنی، بلاک استدلال می‌کند که هوش مصنوعی قدرت و استقلال می‌یابد اما ناخوانای احساس در صدا باقی می‌ماند — مثال: کسی در درد شدید در حالی که دستیار صوتی هیچ‌چیز نمی‌فهمد و ادامه می‌دهد. شرکت دسا را گامی به سمت رفع این مشکل توصیف می‌کند، و دستیارهای صوتی فعلی را مقصر می‌داند که گفتار را به متن تقلیل می‌دهند و اطلاعاتی را که فقط صدا می‌برد از دست می‌دهند. نگرانی بلاک از اینکه دستیارهای صوتی در درد شدید فرد ادامه می‌دهند، به ترمز اضطراری برای جلوگیری از خروج مدل‌ها از کنترل اشاره دارد.

بلاک به یک گروه کوچک از محققان ایمنی هوش مصنوعی دسترسی زودرس می‌دهد تا ریسک‌هایی را بیابند که تیم پیش‌بینی نکرده، و فرم درخواستش نام و یک ایمیل مؤسسه‌ای از دانشگاه، شرکت یا آزمایشگاه می‌خواهد، با یک لینک گوگل اسکالر یا وبلاگ اختیاری. یک لیست انتظار عمومی باز است، کلیپ‌های بیشتر روی اکانت X توراراتنام به اشتراک گذاشته می‌شود، و صفحه می‌گوید لینک‌های راه‌اندازی به زودی می‌آیند.

دسا از آنچه بلاک «یک آزمایشگاه بسیار کوچک هوش مصنوعی در داخل شرکت» می‌نامد آمده، که توسط اعضای سابق دسا (Dessa)، استارتاپ یادگیری عمیق تورنتویی، تاسیس شده. تیم می‌گوید از سال ۲۰۱۲ مدل‌های یادگیری عمیق می‌سازد و بیش از هشت سال مدل‌های گفتاری زاینده (generative speech models) داشته، و مستقیماً به جک دورسی (Jack Dorsey)، هم‌بنیان‌گذار، رئیس هیئت و رئیس بلاک گزارش می‌دهد. بیو X توراراتنام بیان می‌کند که او قبلاً دسا را تاسیس و فروخته و در دانشگاه تورنتو تدریس کرده. در کنار او، محققان لوئی هازامی (Louay Hazami)، هاشیم کاظم (Hashiam Kadhim)، کی (الکس) لیو (Qi (Alex) Liu)، رایانه ماما (Rayhane Mama)، آیدین پولات (Aydin Polat)، مارك تایندل (Marc Tyndel)؛ کارآموزان کارا جی (Cara Ji)، جبرائیل اقبال شاه (Jibran Iqbal Shah)، دویر زاگوری-گرینباوم (Dvir Zagury-Grynbaum)؛ و کارآموزان سابق آریان شارما (Aryan Sharma) و اولیویا یان (Olivia Yan) فهرست شده‌اند.

پیامدها برای معماری هوش مصنوعی

پارادایم فقط-گفتاری یک فرض بنیادین را چالش می‌دهد: اینکه متن بستر لازم برای درک زبان است. اگر مدل‌ها بتوانند دستور زبان، استدلال و هوش احساسی را فقط از الگوهای صوتی کسب کنند، حوزه ممکن است باید اولویت معماری‌های مبتنی بر توکن (token-based architecture) را بازبینی کند. اجرای آموزشی بلاک روی یک سیستم واحد همچنین نشان می‌دهد که نیازهای محاسباتی برای مدل‌های بنیادین گفتار می‌تواند بسیار کمتر از خوشه‌های عظیم استفاده شده برای مدل‌های زبانی متنی باشد. چالش فرض بستر متن برای درک زبان، هم‌سو است با استراتژی IBM برای مدیریت جریان‌های کاری صوتی و چت.

اجرا محلی روی سخت‌افزار مصرف‌کننده محاسبه حریم خصوصی و تأخیر را تغییر می‌دهد. دستیارهای صوتی که دستگاه را ترک نمی‌کنند، تأخیر رفت‌وبرگشت ابری و نگرانی خروج داده را حذف می‌کنند. این با روند وسیع‌تر هوش مصنوعی لبه (edge AI) هم‌سو است، هرچند نیاز دسا به M4 ماکس آن را در قلمرو پیشرفته‌محورانه (prosumer) نگه می‌دارد، نه موبایل عمومی.

استدلال ایمنی بر کوربود احساسی دستیارهای صوتی فعلی متمرکز است. بلاک به فردی در درد شدید اشاره می‌کند که دستیار صوتی به‌ش ادامه می‌دهد با خنده — حالت شکست که سیستم‌های فقط-متنی نمی‌توانند تشخیص دهند. با حفظ کل سیگنال صوتی، دسا می‌تواند هوش مصنوعی را امکان‌پذیر کند که به اضطراب، تردد یا فوریت پاسخ دهد بدون نشانه‌های صریح کلامی.

به یافته‌های از گروه محققان ایمنی و اولین انتشارهای لیست انتظار عمومی توجه کنید. آزمایشگاه قصد دارد کلیپ‌های زنده بیشتر به اشتراک بگذارد، و سوالات تحقیقاتی باز درباره کارایی زبان و انتقال چندزبانه احتمالاً موج بعدی کار روی مدل‌های بنیادین گفتار را شکل خواهد داد.

گام بعدی شما

• اگر محقق ایمنی هستید، فرم درخواست دسترسی زودرس را با ایمیل مؤسسه‌ای پر کنید تا ریسک‌های دسا را بررسی کنید
• توسعه‌دهندگان صوتی: تست کنید که اجرای محلی روی M4 ماکس چگونه تأخیر و حریم خصوصی را در محصولات‌تان تغییر می‌دهد
• به لیست انتظار عمومی بپیوندید تا کلیپ‌های زنده بیشتر و لینک‌های راه‌اندازی را دریافت کنید

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های GB200 و مقیاس‌پذیری آموزش گفتاری مراجعه کنید.