„ChatGPT“ mokosi kalbėtis kaip žmogus: naujas balso režimas gali pakeisti tai, kaip bendrausime su dirbtiniu intelektu

Dar visai neseniai pokalbis su dirbtiniu intelektu atrodė gana aiškiai: jūs parašote klausimą, sistema pagalvoja, tada pateikia atsakymą. Net ir tada, kai atsirado balso režimas, bendravimas vis tiek dažnai priminė pokalbį per nematomą raciją. Vienas kalba, kitas laukia, tada atsako. Patogu, bet ne visai taip, kaip žmonės kalbasi tarpusavyje.

Tikrame pokalbyje viskas vyksta kitaip. Mes įsiterpiame, patiksliname, sustojame vidury sakinio, pakeičiame mintį, kartais pasakome „ne, palauk, turėjau omenyje visai ką kita“. Žmogus tai supranta natūraliai. Jis girdi ne tik žodžius, bet ir pauzes, abejonę, toną, skubėjimą, pasimetimą. Būtent šio jausmo dirbtiniam intelektui iki šiol labiausiai trūko.

Dabar „OpenAI“ ruošia vieną svarbiausių „ChatGPT“ balso režimo pokyčių. Naujoji sistema, vadinama „GPT-Live“, turėtų padaryti pokalbį su dirbtiniu intelektu gerokai panašesnį į gyvą dialogą. Ne į komandų davimą programai, ne į klausimų ir atsakymų eilutę, o į pokalbį, kuriame galima pertraukti, pasitaisyti ir nelaukti, kol dirbtinis intelektas baigs ilgą mintį.

Iš pirmo žvilgsnio tai gali atrodyti tik kaip dar vienas techninis atnaujinimas. Tačiau iš tikrųjų tai gali pakeisti labai paprastą dalyką: ar žmogus jausis kalbantis su programa, ar su pašnekovu, kuris bent jau geba laikytis natūralaus pokalbio ritmo.

Kodėl senasis balso režimas kartais erzino?

Balso asistentai jau seniai žada patogumą. Jie turėtų padėti tada, kai rankos užimtos, kai vairuojate, gaminate, tvarkotės namuose ar tiesiog nenorite rašyti ilgos užklausos telefonu. Tačiau daugelis žmonių žino tą keistą jausmą, kai kalbi su technologija ir turi prisitaikyti ne prie savo minties, o prie jos ribotumo.

Pasakai sakinį, sistema pradeda atsakinėti, o jūs staiga suprantate, kad klausimą suformulavote ne taip. Norite pataisyti, bet ji jau kalba. Bandote įsiterpti, tačiau pokalbis tampa nejaukus. Tada laukiate, kol atsakymas baigsis, nors jau po pirmų kelių sekundžių aišku, kad dirbtinis intelektas pasuko ne ta kryptimi.

Toks bendravimas nėra natūralus. Žmonių pokalbyje mes nuolat vieni kitus reguliuojame. Kartais užtenka trumpo „palauk“, „ne taip“, „čia ne apie tai“ arba „paaiškink paprasčiau“. Jei technologija to nesupranta, ji gali būti labai protinga, bet vis tiek jaustis lėta ir svetima.

„GPT-Live“ būtent šią problemą ir bando spręsti.

Ką reiškia, kad dirbtinis intelektas klausosi ir kalba vienu metu?

Svarbiausia naujovė yra vadinamoji „Full-Duplex“ architektūra. Paprastai tariant, tai reiškia, kad sistema gali vienu metu klausytis vartotojo ir formuoti atsakymą. Ji neturi griežtai laukti, kol žmogus visiškai baigs kalbėti, kad pradėtų suprasti situaciją.

Tai labai svarbu, nes gyva kalba retai būna tobula. Žmonės daro pauzes, ieško žodžių, pradeda sakinį vienaip, baigia kitaip, įterpia šalutinių minčių, pasitaiso. Gera pokalbio sistema turi ne tik girdėti žodžius, bet ir suprasti, kada pauzė reiškia minties pabaigą, o kada žmogus tiesiog galvoja.

Jei ši technologija veiks taip, kaip žadama, „ChatGPT“ balso režimas turėtų reaguoti daug švelniau. Jis galės palaukti per trumpą pauzę, nešokti į atsakymą per anksti, suprasti, kad vartotojas pakeitė temą, ir priimti patikslinimą pokalbio viduryje. Tai skamba smulkiai, bet būtent iš tokių smulkmenų susideda tikro pokalbio jausmas.

Pokalbis gali tapti mažiau panašus į komandų davimą

Daug žmonių vis dar bendrauja su dirbtiniu intelektu taip, lyg rašytų užklausą paieškos sistemai. Tiksliai, trumpai, tvarkingai. Tačiau realiame gyvenime taip nekalbame. Mes sakome: „Žinai, man reikia kažko vakarienei, bet nenoriu ilgai gaminti, šaldytuve yra vištiena, bet kažkaip nesinori nieko sunkaus.“ Žmogus tokį sakinį suprastų. Technologijai tai ilgą laiką buvo sudėtingiau.

Naujas balso režimas gali padaryti bendravimą laisvesnį. Vartotojui nebereikės taip stipriai galvoti, kaip suformuluoti komandą. Jis galės tiesiog kalbėti. Pradėti nuo vienos minties, pakeliui ją patikslinti, pasakyti „ne, geriau trumpiau“ arba „palauk, pridėk dar tai“. Tokia smulki laisvė gali padaryti dirbtinį intelektą daug naudingesnį kasdienybėje.

Ypač tai svarbu tiems, kurie nori naudoti „ChatGPT“ ne tik tekstams rašyti, bet ir planuoti dieną, mokytis kalbos, repetuoti pokalbį, ruoštis pristatymui, tvarkyti idėjas ar tiesiog greitai pasitarti. Kuo mažiau reikia galvoti apie pačią sąsają, tuo daugiau dėmesio lieka tikram klausimui.

Dirbtinis intelektas mokosi nepertraukti be reikalo

Viena įdomiausių naujo balso režimo savybių — gebėjimas geriau suprasti pauzes. Žmonių kalboje tyla nebūtinai reiškia, kad mintis baigta. Kartais žmogus tiesiog ieško žodžio. Kartais abejoja. Kartais nori tęsti, bet dar formuluoja sakinį mintyse.

Ankstesnės balso sistemos dažnai tokias pauzes priimdavo kaip signalą atsakyti. Tai erzina, nes žmogus dar kalba, o programa jau pradeda savo monologą. „GPT-Live“ turėtų geriau atskirti trumpą natūralią pauzę nuo tikros sakinio pabaigos.

Tai gali atrodyti kaip nedidelis techninis pataisymas, bet jis labai keičia patirtį. Kai pašnekovas nepertraukia be reikalo, su juo maloniau kalbėti. Kai nereikia skubėti užbaigti minties, pokalbis tampa ramesnis. O kai sistema leidžia žmogui kalbėti natūraliu tempu, ji pradeda mažiau priminti automatą.

Ką tai pakeis kasdieniam vartotojui?

Didžiausias pokytis gali pasijusti ne tada, kai klausiama sudėtingų technologinių dalykų, o labai paprastose situacijose. Pavyzdžiui, kai žmogus eina gatve ir balsu prašo sudaryti pirkinių sąrašą. Kai virtuvėje nori recepto, bet viduryje supranta, kad neturi vieno ingrediento. Kai mokosi užsienio kalbos ir nori būti pataisomas gyvai. Kai vairuodamas nori greitai pasitikslinti maršrutą, bet nenori spaudinėti ekrano.

Tokiose situacijose labai svarbu, kad pokalbis neatrodytų kaip kova su sistema. Jei galima kalbėti laisvai, įsiterpti ir keisti kryptį, dirbtinis intelektas tampa mažiau panašus į įrankį ir labiau panašus į pagalbininką, kuris prisitaiko prie žmogaus ritmo.

Tai nereiškia, kad jis tampa žmogumi. Tačiau vartotojo patirtyje skirtumas gali būti didelis. Technologija, kuri supranta natūralią kalbą, greičiau tampa kasdieniu įpročiu. O tai, tikėtina, ir yra vienas pagrindinių „OpenAI“ tikslų.

Sudėtingesni klausimai keliaus galingesniems modeliams

Nors balso režimas turi būti greitas, ne kiekviena užduotis yra paprasta. Kartais vartotojas kalbėdamas paprašo ne šiaip atsakyti į klausimą, o paskaičiuoti, palyginti, suplanuoti, išanalizuoti ar paaiškinti sudėtingesnę temą. Tokiais atvejais vien greito balso atsakymo nepakanka.

Pranešama, kad „GPT-Live“ galės sudėtingesnius skaičiavimus ar užklausas perduoti galingesniems modeliams. Tai reikštų, kad balso pokalbis išlieka sklandus, bet užkulisiuose gali būti pasitelkiama daugiau „mąstymo“ ten, kur jo reikia.

Jei tai veiks gerai, vartotojas gali gauti geriausią iš abiejų pasaulių: greitą balsinį bendravimą ir sudėtingesnį atsakymą tada, kai klausimas nėra vien paprastas faktas. Tačiau čia bus svarbu, kad sistema aiškiai parodytų, kada ji greitai atsako, o kada jai reikia daugiau laiko.

Balso režimas taps prieinamas plačiau

Skelbiama, kad naujoji technologija palaipsniui pasiekiama pagrindinėse platformose: „iOS“, „Android“ ir internetinėje „ChatGPT“ versijoje. Mokamų planų vartotojams turėtų būti siūlomas pagrindinis „GPT-Live-1“ modelis, o nemokamo plano naudotojams — lengvesnė „GPT-Live-1 mini“ versija.

Toks skirstymas nestebina. Balso modeliai reikalauja daug resursų, ypač jei jie turi veikti realiuoju laiku, suprasti pertraukimus, kalbėti natūraliai ir dar prireikus perduoti sudėtingesnes užduotis kitiems modeliams. Todėl tikėtina, kad patirtis skirtinguose planuose gali skirtis.

Vis dėlto pats faktas, kad balso režimas plečiamas visame pasaulyje, rodo aiškią kryptį: dirbtinio intelekto bendrovės nori, kad pokalbis balsu taptų ne papildoma funkcija, o viena pagrindinių sąveikos formų.

Ne tik pokalbiai, bet ir vaizdiniai duomenys

Atnaujintas balso režimas siejamas ne tik su natūralesniu dialogu. Jis taip pat turėtų geriau veikti situacijose, kur svarbūs dinamiški ar vaizdiniai duomenys: orai, sporto rezultatai, akcijų informacija, finansų rinkos ar kitos temos, kur vartotojui naudinga ne tik išgirsti atsakymą, bet ir matyti papildomą kontekstą.

Tai gali būti svarbus pokytis, nes balsas vienas ne visada yra patogiausias formatas. Kartais norisi paklausti balsu, bet atsakymą matyti ekrane: lentelėje, grafike, kortelėje ar trumpame vizualiniame bloke. Jei sistema sugebės sujungti laisvą pokalbį su aiškiais vaizdiniais atsakymais, ji taps daug praktiškesnė.

Pavyzdžiui, žmogus galėtų balsu paklausti apie savaitgalio orus, paprašyti palyginti kelias dienas, o ekrane matyti prognozę. Arba paklausti apie komandos rungtynes ir iškart gauti ne tik sakinį, bet ir tvarkingą rezultatų vaizdą.

Ko dar nebus iš karto?

Nepaisant didelio atnaujinimo, ne visos funkcijos bus pasiekiamos nuo pirmos dienos. Pranešama, kad paleidimo metu „GPT-Live“ dar nepalaikys vaizdo skambučių ar ekrano bendrinimo. Tai reiškia, kad visiškai „gyvo asistento“, kuris mato jūsų ekraną ir kalba kartu, dar teks palaukti.

Vis dėlto tokia kryptis atrodo gana aiški. Jei dirbtinis intelektas jau mokosi natūraliau kalbėti, kitas žingsnis bus matyti daugiau konteksto: ekraną, dokumentus, vaizdo kamerą, aplinką. Tai gali atverti daug galimybių, bet kartu sukels ir daugiau klausimų dėl privatumo bei saugumo.

Kol kas pagrindinis pokytis yra balsas. Ir būtent nuo jo gali prasidėti naujas etapas.

Saugumas tampa ne mažiau svarbus nei patogumas

Kai dirbtinis intelektas pradeda kalbėti natūraliau, žmonės gali su juo užmegzti stipresnį emocinį ryšį. Tai nėra smulkmena. Balsas veikia kitaip nei tekstas. Jis gali atrodyti artimesnis, šiltesnis, įtikinamesnis. Todėl balso sistemos turi būti kuriamos atsargiai.

„OpenAI“ pabrėžia papildomus saugumo mechanizmus, testavimą, filtrus ir sprendimus, skirtus saugesniam paauglių naudojimui. Tai svarbu, nes kuo natūralesnė tampa technologija, tuo lengviau pamiršti, kad kalbame ne su žmogumi, o su sistema, kuri gali klysti, nesuprasti konteksto ar pateikti netinkamą atsakymą.

Ateityje ši tema tik stiprės. Balso dirbtinis intelektas gali tapti mokytoju, pašnekovu, pagalbininku darbe, vertėju ar net emociniu palydovu. Todėl svarbu ne tik tai, kaip gražiai jis kalba, bet ir tai, kokias ribas jis turi.

Tai gali būti didesnis pokytis, nei atrodo

Kartais technologijų atnaujinimai atrodo kaip dar vienas naujas pavadinimas ir dar viena funkcija meniu. Tačiau balso režimo evoliucija gali būti kitokia. Jei dirbtinis intelektas iš tiesų išmoks kalbėtis natūraliai, daugeliui žmonių nebereikės mokytis, kaip naudotis technologija. Užteks kalbėti.

Tai gali pakeisti tai, kaip žmonės mokosi, dirba, ieško informacijos, planuoja dieną ar tvarko kasdienes užduotis. Klaviatūra niekur nedings, bet ji nebebus vienintelis patogus kelias. Dirbtinis intelektas taps pasiekiamas paprasčiau — per įprastą balsą, įprastą pokalbį, įprastą „palauk, pasakysiu kitaip“.

Ir galbūt būtent čia slypi svarbiausia šio atnaujinimo prasmė. „ChatGPT“ ne tik gauna naują balsą. Jis mokosi pokalbio ritmo, kuris žmonėms yra natūralus nuo vaikystės. Klausytis, nepertraukti, reaguoti, pasitaisyti, tęsti mintį.

Jei tai pavyks, ateityje klausimas gali būti nebe „ką parašyti dirbtiniam intelektui?“, o tiesiog „apie ką su juo pasikalbėti?“