ديسا، صوت الذكاء الاصطناعي من بلوك الذي يضحك ويبكي مثل الإنسان

أعلنت شركة بلوك، التي أسسها جاك دورسي، عن شيء يتجاوز مجرد مساعد صوتي عادي. النموذج يسمى ديسا، وقد خرج من مختبرات البحث الخاصة بالشركة ويقوم بشيء لا تستطيع معظم المنافسين فعله: يبدو إنسانياً حقاً. مع الضحكات، والتوقفات، والتنهدات، وحتى نبرة الصوت التي تبدو وكأنها على وشك البكاء، تثير هذه التقنية إعجاباً كبيراً بالإضافة إلى مخاوف جدية بشأن الاحتيال.

تأتي هذه الإضافة في وقت يعيش فيه سوق الذكاء الاصطناعي سباقاً مكثفاً لجعل التفاعلات الصوتية أكثر طبيعية. لكن بينما لا يزال معظم النماذج يقوم بتحويل الكلام إلى نص قبل معالجة الرد، تحاول ديسا شيئاً مختلفاً. وهذا يغير المعادلة بشكل كبير.

كيف تعمل ديسا ولماذا هي مختلفة

تتبع معظم أنظمة الصوت المدعومة بالذكاء الاصطناعي مساراً متوقعاً: تتحدث، يقوم النموذج بتحويل الكلام إلى نص، يعالج المعلومات، يولد رداً نصياً ثم يحوله إلى صوت. إنها سلسلة متعددة الخطوات، وكل واحدة منها تتجاهل الفروق العاطفية. نبرة الإحباط في صوتك، التردد قبل سؤال، السخرية الخفية، كل ذلك يضيع في النسخ.

تعمل ديسا كنموذج مزدوج الاتجاه، مما يعني أنها تتحدث وتستمع في الوقت نفسه، تماماً مثل GPT-Live من OpenAI الذي تم إطلاقه هذا العام. الفرق المركزي الذي تدعيه بلوك هو أن العاطفة لا تُضاف من خلال علامات أو أوامر خارجية. بل هي مضمنة في النموذج نفسه، الذي تم تدريبه بالكامل باستخدام بيانات من كلام إنساني حقيقي.

في العروض التي نشرتها فريق البحث، اتخذ النموذج أصواتاً وإيقاعات وحالات عاطفية مختلفة. في محادثة، قالت ديسا إنها متعبة بعد يوم عمل، وكانت نبرتها تبدو فعلاً مرهقة. في محادثة أخرى، عند الحديث عن شخص يجعلها تشعر بالراحة، كانت صوتها مبحوحاً، وكأنها على وشك البكاء.

تعمل على لابتوب، وليس في مركز بيانات

ربما تكون البيانات الأكثر أهمية لسوق التكنولوجيا هي البنية التحتية المطلوبة. تم تدريب ديسا على رف واحد من وحدات معالجة الرسوميات NVIDIA ويمكن تشغيلها محلياً على جهاز كمبيوتر استهلاكي، مثل MacBook مع شريحة M4 Max أو أعلى. وهذا أمر ملحوظ.

تعتمد معظم نماذج الصوت المتقدمة على خوادم سحابية ثقيلة، مما يؤدي إلى تأخير وتكاليف مرتفعة. نموذج يعمل على الجهاز يفتح إمكانيات للتطبيقات في الوقت الحقيقي، دون الحاجة إلى اتصال دائم بالإنترنت، ومع تكاليف تشغيل أقل بكثير. بالنسبة لشركة مثل بلوك، التي تعمل بالفعل في عالم المدفوعات وحلول الأعمال الصغيرة، فإن الانعكاس العملي مباشر: خدمة عملاء آلية عالية الجودة تعمل على جهاز التاجر نفسه.

تستخدم سكوير، الذراع الخاص ببلوك الموجه للأعمال الصغيرة، بالفعل الذكاء الاصطناعي الصوتي لإدارة الطلبات. مع ديسا، يمكن للشركة رفع هذه التجربة إلى مستوى لا يدرك فيه العميل أنه يتحدث إلى آلة.

مشكلة الواقعية المفرطة

وهنا يكمن المأزق الذي يرافق هذا النوع من التقدم بشكل حتمي. إذا كان الذكاء الاصطناعي يبدو غير قابل للتمييز عن الإنسان، فإن احتمالات استخدامه في الاحتيالات تزداد بنفس النسبة. تخيل أن تتلقى مكالمة بصوت عاطفي لشخص يطلب المساعدة، وهذا الصوت يكون بالكامل اصطناعياً.

تعترف بلوك نفسها بالمخاطر. لم تطلق الشركة الوصول العام إلى ديسا ونشرت دعوة للباحثين في مجال الأمن لاختبار النموذج. الهدف المعلن هو تحديد السيناريوهات التي يمكن أن يخدع فيها وكيل صوت الأشخاص على الجانب الآخر من الخط. إنها خطوة حكيمة، لكنها توضح مدى تقدم التكنولوجيا إلى أراضٍ حساسة.

سوق التزييف العميق للصوت قد تسبب بالفعل في خسائر بمليارات الدولارات. وفقاً للجنة التجارة الفيدرالية في الولايات المتحدة، تسببت الاحتيالات التي تتضمن تقليد الصوت في خسائر تزيد عن 2.7 مليار دولار في عام 2023. نموذج مثل ديسا، الذي يضيف طبقات عاطفية واقعية، يجعل الكشف أكثر صعوبة.

ماذا يعني ذلك لمشهد الذكاء الاصطناعي

تكشف قرار بلوك للدخول في مجال نماذج الصوت عن شيء ما حول اتجاه السوق. لا ترغب شركات التكنولوجيا المالية في الاعتماد على مزودين خارجيين مثل OpenAI أو ElevenLabs أو Google لوظائف خدمة العملاء الحيوية. تطوير نماذج ملكية تعمل محلياً هو استراتيجية لتقليل التكاليف وفي نفس الوقت تمييز تنافسي.

ليست بلوك الأولى التي تسلك هذا الطريق. لكن النهج المتمثل في التدريب حصرياً باستخدام بيانات من الكلام البشري، دون المرور عبر وسيط النص، قد يمثل نقطة تحول للصناعة. إذا وفى النموذج بما يعد به على نطاق واسع، فإن التكامل بين الذكاء الاصطناعي الصوتي والخدمات المالية يدخل مرحلة جديدة.

حتى الآن، لا تزال ديسا مغلقة. لا يوجد موعد للإطلاق العام. لكن حقيقة أن نموذجاً بهذا المستوى من التعبيرية يعمل على لابتوب تخبر بالفعل قصة عن الاتجاه الذي تسير فيه التكنولوجيا. وعن المخاطر التي تأتي معها.

بالنسبة للقطاع المالي، المعادلة واضحة: من سيسيطر على واجهة الصوت المدعومة بالذكاء الاصطناعي سيكون له ميزة كبيرة في الخدمة والتكاليف وتجربة المستخدم. السؤال المتبقي هو ما إذا كانت اللوائح ستتمكن من مواكبة الوتيرة.