Tavus مدل Griffin را معرفی کرد؛ ۴۸ درصد آن را انسان پنداشتند

آواتار هوش مصنوعی Tavus به نام Griffin در مطالعه‌ای که این شرکت گزارش کرده، برای ۴۸ درصد شرکت‌کنندگان آن‌قدر شبیه یک انسان واقعی به نظر رسید که پس از یک تماس ویدیویی یک‌دقیقه‌ای، طرف گفت‌وگو را انسان پنداشتند. Tavus می‌گوید Griffin را برای فهم و ادامه‌دادن مکالمه‌های رودررو در زمان واقعی ساخته است؛ حوزه‌ای که در آن مدل باید نه‌فقط واژه‌ها، بلکه نشانه‌های دیداری و صوتی گفت‌وگو را هم دریافت و تولید کند. این شرکت در کنار نتیجه مطالعه، از نسخه‌ای محدود به نام Griffin-Lite خبر داده و گفته نسخه توانمندتر را پس از رسیدگی به نگرانی‌های ایمنی عرضه می‌کند.

Griffin؛ مدلی برای مکالمه ویدیویی بلادرنگ

Tavus مدل Griffin را نخستین «مدل تعامل انسانی» یا Human Interaction Model می‌نامد؛ اصطلاحی که خود شرکت برای نوعی مدل طراحی‌شده جهت مکالمه رودررو به کار می‌برد. هدف این سامانه، به گفته Tavus، درک و پیش‌برد گفت‌وگو در تماس ویدیویی زنده است. در چنین تعاملی، مدل فقط به محتوای جمله‌ها توجه نمی‌کند؛ باید نشانه‌هایی را که هنگام مکالمه از صدا و تصویر دریافت می‌شوند نیز پردازش کند.

طبق توضیح شرکت، Griffin گفتار، حالت‌های چهره، لحن صدا، حرکت‌ها و مکث‌ها را هم‌زمان پردازش می‌کند و هم در دریافت و هم در تولید ویدیو نقش دارد. مکث، برای نمونه، بخشی از ریتم مکالمه است و حالت چهره یا لحن می‌تواند اطلاعاتی فراتر از متن واژه‌ها در اختیار سامانه بگذارد. Tavus جزئیات فنی بیشتری درباره شیوه ترکیب این ورودی‌ها در متن گزارش‌شده ارائه نکرده است؛ بنابراین نمی‌توان از اطلاعات موجود درباره معماری مدل یا چگونگی آموزش آن نتیجه‌گیری کرد.

تفاوت این رویکرد با یک دستیار متنی در این است که گفت‌وگو از یک رشته پیام نوشتاری فراتر می‌رود و به تبادل هم‌زمان صدا و تصویر وابسته می‌شود. در تماس زنده، مدل باید هم ورودی‌های طرف مقابل را دنبال کند و هم پاسخی بسازد که در قالب ویدیو ارائه شود. Tavus Griffin را برای همین نوع تعامل معرفی کرده است، اما اعلام شرکت به‌تنهایی نشان نمی‌دهد که سامانه در همه موقعیت‌ها، با همه کاربران یا در تماس‌های طولانی عملکرد یکسانی خواهد داشت.

نتایج مطالعه Tavus و مقایسه با سامانه‌های پیشین

بر اساس مطالعه‌ای که Tavus منتشر کرده، ۴۸ درصد شرکت‌کنندگان پس از یک تماس ویدیویی یک‌دقیقه‌ای با Griffin تصور کردند با یک انسان واقعی صحبت کرده‌اند. این نتیجه به ارزیابی کوتاهی در قالب تماس ویدیویی مربوط است و نباید به‌تنهایی به‌عنوان سنجشی جامع از کیفیت مکالمه یا توانایی مدل در موقعیت‌های مختلف تعبیر شود. متن گزارش‌شده در اینجا تعداد شرکت‌کنندگان یا جزئیات کامل روش اجرای مطالعه را مشخص نمی‌کند.

Tavus می‌گوید سامانه‌های پیشین در این نوع مقایسه حداکثر به دو درصد رسیده بودند. همچنین، شرکت به آزمونی با عنوان آزمون مستقل NVIDIA اشاره می‌کند که در آن میزان انسان‌مانندبودن تجربه گفت‌وگوی مستقیم صوتی‌ـ‌تصویری ارزیابی شده است. طبق ارقامی که Tavus نقل می‌کند، Griffin امتیاز ۳٫۸۳ گرفته؛ امتیاز انسان‌های واقعی ۳٫۹۲ بوده و بهترین مدل هوش مصنوعی پیشین به ۲٫۸۰ رسیده است.

این اعداد به ادعای Tavus درباره طبیعی‌بودن تعامل صوتی و تصویری مربوط‌اند. در اطلاعات منتشرشده در متن حاضر، مقیاس امتیازدهی، شمار ارزیابان و جزئیات دقیق آزمون توضیح داده نشده است؛ ازاین‌رو مقایسه اعداد باید در چارچوب همان آزمون و با توجه به محدودیت اطلاعات روش‌شناختی خوانده شود. نزدیک‌بودن امتیاز Griffin به امتیاز انسان‌ها، به‌خودی‌خود ثابت نمی‌کند که مدل در هر موقعیت گفت‌وگویی از انسان قابل‌تمایز نیست یا می‌تواند جایگزین یک شخص واقعی شود.

پیش‌نمایش محدود و توجه به نگرانی‌های ایمنی

Tavus نسخه‌ای از محصول را با نام Griffin-Lite به‌عنوان پیش‌نمایش پژوهشی در اختیار «آزمایش‌کنندگان منتخب» قرار می‌دهد. بنابراین این نسخه، بنا بر اعلام شرکت، عرضه عمومی برای همه کاربران نیست. Tavus همچنین گفته است نسخه‌ای توانمندتر از Griffin در آینده و پس از رسیدگی به نگرانی‌های ایمنی ارائه خواهد شد؛ شرکت در اطلاعات موجود، زمان مشخصی برای این عرضه اعلام نکرده است.

قرارگرفتن نسخه کامل‌تر در انتظار رسیدگی به مسائل ایمنی، بخشی مهم از معرفی محصول است. آواتاری که می‌تواند در تماس ویدیویی برای گروهی از کاربران شبیه انسان جلوه کند، پرسش‌هایی درباره نحوه معرفی خود، آگاهی طرف مکالمه از مصنوعی‌بودن آن و حدود استفاده از چنین سامانه‌ای پیش می‌کشد. این‌ها ملاحظاتی هستند که با افزایش شباهت یک عامل دیجیتال به انسان اهمیت پیدا می‌کنند؛ بااین‌حال Tavus در اطلاعات ارائه‌شده جزئیات مشخصی از تدابیر ایمنی یا شیوه اطلاع‌رسانی به کاربران منتشر نکرده است.

در نتیجه، Griffin-Lite را باید در چارچوب یک پیش‌نمایش پژوهشی محدود دید، نه محصولی با دسترسی عمومی یا سامانه‌ای که همه مسائل مربوط به استفاده از آواتارهای زنده در آن حل شده باشد. شرکت از نسخه آینده سخن گفته، اما عرضه آن را به رسیدگی به نگرانی‌های ایمنی پیوند داده است. این توضیح نشان می‌دهد که دسترسی زودهنگام و توسعه نسخه کامل‌تر دو مرحله جداگانه در برنامه اعلام‌شده Tavus هستند.

کاربردهای پیشنهادی و مسیر فعالیت Tavus

Tavus از تدریس خصوصی، تمرین گفت‌وگوهای دشوار و پشتیبانی فنی با استفاده از دوربین به‌عنوان کاربردهای بالقوه Griffin نام برده است. این موارد در حال حاضر پیشنهادهای شرکت هستند و اطلاعات منتشرشده نشان نمی‌دهد که همه آن‌ها به خدمات آماده و عمومی تبدیل شده باشند. در یک سناریوی آموزشی، تعامل رودررو می‌تواند شکل ارتباط را تغییر دهد؛ در تمرین مکالمه دشوار نیز کاربر ممکن است با یک آواتار گفت‌وگو کند. برای پشتیبانی فنی مبتنی بر دوربین، تصویر می‌تواند بخشی از زمینه‌ای باشد که در تماس مطرح می‌شود. جزئیات عملی پیاده‌سازی این کاربردها در متن حاضر نیامده است.

این معرفی ادامه مسیری است که Tavus در سال‌های فعالیت خود طی کرده است. این استارتاپ هوش مصنوعی سان‌فرانسیسکو در سال ۲۰۲۰ تأسیس شد و به گفته گزارش، حدود ۶۴ میلیون دلار سرمایه جذب کرده است. شرکت ابتدا روی ویدیوهای شخصی‌سازی‌شده برای فروش و بازاریابی کار می‌کرد و بعد به سمت مکالمه‌های ویدیویی زنده با شخصیت‌های دیجیتال رفت. Griffin در امتداد همین گسترش از تولید ویدیوهای شخصی‌سازی‌شده به تعامل زنده معرفی شده است.

این تغییر مسیر همچنین نشان می‌دهد تمرکز Tavus از ساخت ویدیوهای آماده برای کاربردهای فروش و بازاریابی به ایجاد شخصیت‌های دیجیتال برای گفت‌وگوی زنده گسترش یافته است. بااین‌حال، اعلام چند کاربرد احتمالی و نتایج یک آزمون کوتاه به‌تنهایی درباره میزان پذیرش تجاری یا اثربخشی محصول در محیط‌های واقعی چیزی را ثابت نمی‌کند. مرحله پیش‌نمایش محدود و وعده رسیدگی به ایمنی، دو نکته‌ای هستند که هنگام ارزیابی جایگاه فعلی Griffin باید در نظر گرفته شوند.

این خبر برای چه کسانی اهمیت دارد

معرفی Griffin برای توسعه‌دهندگان و شرکت‌هایی اهمیت دارد که به دنبال ساخت رابط‌های گفت‌وگویی با صدا و تصویر هستند؛ زیرا Tavus مدلی را معرفی کرده که هدفش پردازش هم‌زمان نشانه‌های کلامی و غیرکلامی در تماس زنده است. نتایج اعلام‌شده نیز توجه پژوهشگران و ارزیابان هوش مصنوعی را به روش‌های سنجش انسان‌مانندی جلب می‌کند، هرچند برای تفسیر دقیق آن‌ها به جزئیات کامل آزمون نیاز است.

این خبر برای کاربران و نهادهایی که درباره شفافیت و ایمنی آواتارهای دیجیتال تصمیم می‌گیرند نیز مرتبط است. وقتی بخشی از شرکت‌کنندگان در یک تماس کوتاه، طرف مقابل را انسان می‌پندارند، نحوه معرفی مدل و آگاهی کاربر از ماهیت آن به موضوعی مهم تبدیل می‌شود. Tavus گفته است نسخه کامل‌تر پس از رسیدگی به نگرانی‌های ایمنی ارائه خواهد شد؛ چگونگی این رسیدگی و جزئیات دسترسی عمومی، در اطلاعات فعلی روشن نشده است.