Sljedeći put kad zatrebate nešto od vašeg AI chatbota, velike su šanse da to nećete natipkati, nego da ćete tu naredbu izgovoriti - tako barem kalkuliraju u OpenAI-ju, Googleu i Microsoftu, koji su posljednjih tjedana potiho, ali temeljito, prepravili način na koji njihovi glasovni asistenti slušaju i govore.
Njihova oklada, kako piše Financial Times, jednostavna je: razgovor će nadjačati tipkanje kao glavni način na koji ljudi komuniciraju s AI-jem - unatoč društvenoj nelagodi glasnog razgovaranja sa strojem u tramvaju, u redu u banci ili u uredu.
Preskače prevoditelja
Da bi se shvatilo zašto je to veća stvar nego što zvuči, treba znati kako su stari glasovni asistenti radili. Siri, Alexa i njima slični funkcionirali su poput lošeg prevoditelja s tri koraka: prvo bi vaš govor pretvorili u tekst, zatim na taj tekst generirali tekstualni odgovor i tek ga onda naglas pročitali natrag. Svaki od tih koraka unosi određenu količinu "trenja" i gubi kontekst - zato su ti asistenti zvučali kao robot koji čita s ekrana i nisu bili ni blizu prirodnom razgovoru.
Nova generacija modela preskače prevoditelja: obrađuje i proizvodi govor izravno, bez skretanja u tekst i natrag, što - kako navodi FT - smanjuje kašnjenje, nespretan ton i propušteni kontekst zbog kojih su raniji proizvodi djelovali mehanički. Razlika je kao između nekoga tko vašu rečenicu natuca riječ po riječ i nekoga tko vas jednostavno čuje i razumije.
Britanija razmatra zabranu mreža za mlađe od 16 i zatvara rupu za AI chatbotove
"Ljudi obožavaju koristiti glas za postavljanje pitanja... To je jednostavno dobro za tu ljudsku razmjenu. Tekst je isto sjajan, ali tipkanje predstavlja veliki napor", rekao je za FT Atty Eleti, voditelj proizvoda za ChatGPT glas u OpenAI-ju.
Logika iza ove oklade je da će, kako AI sustavi prelaze s pukog odgovaranja na pitanja na obavljanje duljih zadataka koji se sastoje od više koraka, izgovaranje naredbi djelovati prirodnije od kucanja prompta u prozorčić.
Kompanije tvrde da se ponašanje korisnika već mijenja. Google je, prema FT-ju, naveo da mu se glasovna upotreba udvostručila u godini do travnja, pri čemu su glasovni razgovori u prosjeku pet puta dulji od tekstualnih.
Dakle, ljudi stroju govore opuštenije i više nego što mu pišu. U OpenAI-ju pak više od 150 milijuna ljudi tjedno koristi glas unutar ChatGPT-ja.
Zašto tek sada? Paradoksalno, problem nikad nije bio u glasu, nego u pameti. OpenAI priznaje da je glasovnu tehnologiju ranije kočio "zaostatak u inteligenciji" - sve do lansiranja ChatGPT Livea prošloga tjedna, prvog novog glasovnog modela te kompanije u dvije godine, asistent im je bio na meti kritika jer je bio spor i brkao jezike i naglaske. Kad model iza mikrofona konačno razumije što mu govorite, ljudi počnu govoriti više.
Međunarodna strategija
"Ljudi tek počinju više govoriti jer znaju da ih model razumije i sad očekuju da mogu više", rekao je za FT Leland Rechis, koji u Googleu vodi glasovna iskustva. Dodao je da se Google odlučio za "daleko spontaniji konverzacijski stil" nakon što je otkrio da se korisnici opuste čim veliki jezični modeli sjednu - kako je slikovito rekao - "iza mikrofona".
Jedna od najranijih ozbiljnih primjena, pomalo neočekivano, jest programiranje. Zvuči kontraintuitivno - kod se piše, ne izgovara - ali zagovornici tvrde da govor pomaže korisniku da potpunije opiše što zapravo želi. Sarah Bird, direktorica proizvoda za responzivni AI u Microsoftu, rekla je FT-ju da glas "ponovno počinje jačati upravo s ovim dugotrajnim agentima, kojima jednostavno djeluje vrlo prirodno zadavati zadatke glasom", te da često vidi kolege kako, radeći na GitHubu, kodiraju šaljući glasovne naredbe telefonu.
Najzanimljiviji uvid dolazi od Sandra Gianelle iz OpenAI-jeva tima za međunarodnu strategiju, koji je na LinkedInu opisao zašto mu je glas postao ključan dio rada s alatom za kodiranje Codex: "Kad tipkam, često prerano komprimiram problem i skočim ravno na zadatak. Kad govorim, sklon sam objasniti više onog zašto: što, zapravo, pokušavam postići, koja mi je namjera, koja su ograničenja bitna, gdje sam nesiguran i kako bi izgledao dobar ishod".
Drugim riječima, tipkovnica nas tjera na štedljivost, a govor na iskrenost - i ispada da AI-ju treba upravo to drugo.
Pitanje vremena
Kao i uvijek u Silicijskoj dolini, čim se pojavi obećavajući trend, za njim krene lavina novca. Ulaganja fondova rizičnog kapitala u glasovne AI startupe skočila su, prema podacima PitchBooka koje prenosi FT, na 7 milijardi dolara u prvom kvartalu ove godine - u odnosu na tek malo manje od milijardu u istom razdoblju lani. To je sedmerostruki rast u dvanaest mjeseci, znak da tržište u glasu vidi sljedeću veliku paradigmu korisničkih sučelja.
Novac se, međutim, ne troši samo na softver. Startupi ulažu u mikrofone i zvučnu izolaciju ureda kako sustavi ne bi brkali korisnikov glas s pozadinskom bukom - od bubica na reveru do mikrofona skrivenih u cijevima, pa čak i u štitniku za zube. Njujorški Sandbar dizajnirao je prsten nazvan Stream Ring u koji govorite da zadate naredbu ili snimite bilješku, a koji reagira isključivo na glas svojeg vlasnika. Suosnivač Mina Fahmi priznaje da je proizvod razvijen iz čiste nelagode.
"Pokušaj korištenja glasa vikanjem u AirPodse bio je vrlo loš za sve oko mene i vrlo neugodan za mene osobno", navodi.
Investirao je milijune u AI, sada upozorava: ‘Nećemo ga moći obuzdati, mogao bi ubiti puno ljudi‘
I sam OpenAI, prema više izvora bliskih projektu, sljedeće godine priprema prvi u nizu vlastitih uređaja - ambijentalnog glasovnog asistenta s kamerom, mikrofonom i zvučnikom.
Ništa od ovoga ne znači da je bitka dobivena. Zapravo, ista ta jurnjava otvara i stare probleme glasovne tehnologije: kašnjenje, pozadinsku buku i, možda najtvrdokorniji, društvenu nelagodu razgovaranja sa strojem na javnom mjestu. Evan Goldschmidt, tehnički direktor startupa Tolan, priznao je za FT da tehnologija još ima prostora za napredak kad je riječ o buci, pouzdanosti i pogađanju ispravnog emocionalnog tona.
"Penjemo se uz krivulju znatno brže, ali definitivno još postoje one sitne posjekotine koje treba zaliječiti", rekao je - da bi ipak zaključio ono što cijela industrija priželjkuje: "Samo je pitanje vremena kada će glas postati dominantna paradigma interakcije".
Vrijedi zadržati dozu skepse. Silicijska dolina već je jednom, prije desetak godina, proglasila glas budućnošću - i dobili smo Siri koja ne razumije ni kada joj kažete "nazovi mamu". Razlika je ovaj put što je model iza mikrofona konačno dovoljno pametan da razgovor ne bude mučenje. Hoće li to biti dovoljno da nadvlada onu vrlo ljudsku nelagodu glasnog razgovaranja s uređajem pred drugima - ostaje pitanje broj jedan.
Pitanje broj dva za sve nas koji ne govorimo neki od najvećih svjetskih jezika jest koliko će nas dobro te nove generacije chatbotova razumjeti.
Za sudjelovanje u komentarima je potrebna prijava, odnosno registracija ako još nemaš korisnički profil....