Block của Jack Dorsey ra mắt AI Dessa: trò chuyện tự nhiên như một người bạn mới còn ngượng ngùng

Block, công ty thanh toán do Jack Dorsey sáng lập, vừa công bố một mô hình AI có tên Dessa được huấn luyện "từ con số không, chỉ bằng các cuộc hội thoại của con người". Điểm đặc biệt nằm ở chỗ mô hình này không học từ văn bản như phần lớn các mô hình ngôn ngữ lớn hiện nay, mà học trực tiếp từ giọng nói.

Để minh chứng cho khả năng của Dessa, Block đã chia sẻ một số đoạn hội thoại giữa mô hình và người thật. Những cuộc trò chuyện này có nhịp điệu trao đổi khá tự nhiên, nhưng cũng không thiếu những khoảnh khắc ngượng ngùng và kỳ lạ — đúng như cách một người bạn mới quen còn lúng túng trong lần gặp đầu tiên.

Mô hình AI Dessa của Block được huấn luyện chỉ bằng hội thoại con người

Dessa trò chuyện ra sao?

Một ví dụ được Ragavan Thurairatnam, trưởng nhóm phụ trách Dessa, chia sẻ cho thấy mô hình chơi trò đoán chữ cùng người nói qua giọng nói. Cuộc hội thoại diễn ra qua lại khá tự nhiên, dù ở phần đầu mô hình lại nhầm người đối thoại với ai đó tên là "Ronaldo" — một chi tiết vừa buồn cười vừa cho thấy giới hạn của hệ thống.

Trên website của Dessa còn có thêm vài ví dụ khác đáng chú ý:

• Một cuộc trao đổi về các bộ phim của Christopher Nolan, trong đó Dessa bất ngờ rẽ sang bàn về loạt phim Superman do Bryan Singer đạo diễn.
• Một người kể với Dessa rằng sẽ đưa nó đi du lịch bất ngờ tới Paris, và theo mô tả trên trang web, Dessa "đáp lại bằng giọng như đang rưng rưng biết ơn".
• Một cuộc đối thoại giữa mô hình giọng nói GPT-Live-1 của OpenAI và Dessa, trong đó Dessa được đánh giá là tự nhiên hơn.

Mô hình speech-to-speech thuần túy

Nhóm phát triển Dessa khẳng định đây là một mô hình speech-to-speech thực sự, và toàn bộ kiến thức mà nó có đều đến từ giọng nói của con người. Đáng chú ý hơn, Dessa có thể chạy cục bộ trên một chiếc MacBook Pro M4 Max "hoặc cấu hình mạnh hơn" — điều hiếm thấy với các mô hình AI hội thoại hiện nay, vốn thường phụ thuộc vào hạ tầng đám mây.

Lý do nhóm chọn hướng đi này được giải thích bằng ba lý do: tò mò (tức là để cho vui), hiểu biết tốt hơn giữa con người và AI, và an toàn. Họ cũng đưa ra những lập luận đáng chú ý:

"Em bé học nói mà chưa từng nhìn thấy một chữ nào được viết ra. Chúng tôi muốn xem liệu một mô hình có thể làm được điều tương tự hay không. Nó làm được. Chỉ là rất khó."

"Giọng nói là giao diện tự nhiên nhất với bất kỳ trí tuệ nào, dù siêu việt hay không, và các mô hình AI giọng nói ngày nay đang lãng phí điều đó. Chúng làm phẳng những gì chúng ta nói thành văn bản và không bắt kịp nhịp điệu của con người."

"AI ngày càng mạnh mẽ và độc lập hơn, nhưng nó vẫn gần như điếc trước cảm xúc trong giọng nói của chúng ta. Hãy tưởng tượng bạn đang đau đớn dữ dội mà một AI giọng nói không hề hay biết và cứ tiếp tục nói. Đó là vấn đề an toàn. Dessa là một bước tiến để khắc phục điều đó."

Về vấn đề an toàn, nhóm Dessa cho biết sẽ cấp quyền truy cập sớm cho "một nhóm nhỏ các nhà nghiên cứu an toàn AI" để đánh giá mô hình trước khi mở rộng.

Ý nghĩa với thị trường AI

Động thái của Block cho thấy một hướng đi khác biệt so với cuộc đua mô hình ngôn ngữ lớn hiện nay. Thay vì cạnh tranh về số lượng tham số hay dữ liệu văn bản khổng lồ, Dessa đặt cược vào hội thoại trực tiếp bằng giọng nói — thứ gần gũi với con người hơn và mang tiềm năng ứng dụng lớn trong trợ lý ảo, chăm sóc khách hàng và các thiết bị đeo.

Với người dùng Việt Nam, một mô hình chạy cục bộ trên máy cá nhân mở ra triển vọng về các trợ lý tiếng Việt hoạt động ngoại tuyến, bảo mật hơn và phản hồi theo thời gian thực. Tuy vậy, việc huấn luyện từ dữ liệu giọng nói đặt ra câu hỏi lớn về chất lượng dữ liệu cho các ngôn ngữ ít tài nguyên như tiếng Việt, cũng như các vấn đề quyền riêng tư và đồng thuận khi thu thập giọng nói.

Dù vậy, những cuộc trò chuyện "hơi ngượng" mà Block công bố lại là điểm thu hút: chúng cho thấy một AI không hoàn hảo, đôi khi hiểu nhầm hay bộc lộ cảm xúc thái quá — và chính sự vụng về đó khiến nó trông giống con người hơn.