نموذج ديسا يكسر وساطة النصوص: محادثة صوتية كاملة من الصفر بعتاد تدريب فردي

ظل التفاعل الصوتي مع الذكاء الاصطناعي مقيدًا بتسوية تقنية قديمة: تفريغ نبرات الصوت البشري إلى كلمات نصية مجردة، ثم تغذية النموذج بها قبل إعادة تركيبها صوتيًا، وهي حيلة تسقط العواطف والتردد ونبرات التلميح الساخر. كسر مختبر الذكاء الاصطناعي في شركة «بلوك» هذه الحلقة بتقديم نموذج المحادثة «ديسا»، وهو نظام استدلال مزدوج كامل جرى تدريبه من الصفر على التسجيلات الصوتية للأحاديث البشرية فقط، دون الاعتماد على نصوص مكتوبة أو نماذج مسبقة التدريب.

النموذج الجديد يتعامل مع الصوت كمدخل مباشر ومخرج فوري، متيحًا تبادل الكلام والاستماع في اللحظة نفسها على غرار المحادثة الطبيعية بين البشر. لا ينتظر «ديسا» اكتمال الجملة ليطلق استجابته، بل يمتلك القدرة على المقاطعة العفوية وإطلاق ردود التفاعل اللحظية مثل «أجل» و«فهمتك»، إضافة إلى الضحك في منتصف العبارة فور استشعار النكتة. واللافت في رصدنا لجانب البنية التحتية أن الفريق، الذي يقوده راغافان ثوريراتنام ويتبع مباشرة لجاك دورسي، درّب هذا النموذج بالكامل على رف حوسبة واحد من طراز «إنفيديا جي بي 200 إن في إل 72»، مع إتاحة تشغيل الاستدلال محليًا بسرعة تفوق الوقت الفعلي على حواسيب شخصية تحمل معالجات «إم 4 ماكس».

تكمن المفارقة التقنية في اقتصاديات البيانات؛ فالنماذج اللغوية الضخمة تلتهم مليارات الكلمات النصية وتضطر لتعلم شيفرات البرمجة إلى جانب اللغات الطبيعية، بينما تعلم «ديسا» الحديث بحصيلة مفردات تقل بمئات المرات. يرجع ذلك إلى الكثافة الهائلة التي يحملها الصوت الخام، حيث تشغل الكلمة المنطوقة الواحدة آلاف الأضعاف من البايتات مقارنة بمثيلتها المكتوبة، متضمنة علامات التنفس والتنغيم وسرعة الإلقاء. وتوضح التجربة أن الجملة الواحدة يتبدل معناها كليًا بحسب الكلمة التي يُضغط عليها صوتيًا، وهو بعد تعبيري يمحوه التفريغ النصي تمامًا.

تجاوز الوساطة النصية يمس صلب معايير الأمان وسلامة النظم الذكية؛ فالأنظمة الحالية التي تعتمد على تحويل الصوت إلى نص تصاب بعمى وظيفي تجاه استغاثات الألم أو التبدلات الانفعالية الحادة لدى المتحدث، وتستمر في الرد ببرود نصي متجاهلة حقيقة الموقف الطارئ. دفع هذا التحدي مختبر «بلوك» إلى حصر الوصول المبكر للنموذج في باحثي سلامة الذكاء الاصطناعي لاكتشاف المخاطر غير المتوقعة لنظام يتعلم من الأذن مباشرة، خاصة بعد تجارب قارنت أداءه بنماذج حوارية خارجية مثل «جي بي تي لايف 1» التابع لجهة ثالثة.

حين تدقق في هذا التحول المعماري، تجده يعيد ضبط الحسابات الهندسية والاستثمارية لقطاع الأعمال في الخليج ومصر والشام، وتحديدًا في مراكز الاتصال والخدمات المصرفية والحكومية المؤتمتة. اعتمدت المؤسسات الإقليمية طويلًا على سلاسل تقنية ثلاثية تبدأ بالتعرف على الصوت ثم استدعاء النماذج اللغوية السحابية ثم توليد النطق، مما ضخم زمن الاستجابة وفواتير الحوسبة السحابية، فضلًا عن إضعاف اللهجات المحلية وتجريدها من دفئها التواصلي. تشغيل نماذج الصوت المباشرة محليًا على حواسيب مكتبية متقدمة يتيح للمصارف والجهات الحيوية خفض تكاليف الاشتراكات الشهرية، مع ضمان الامتثال لسيادة البيانات عبر معالجة أصوات العملاء داخل الخوادم المحلية دون تمريرها عبر الحدود.

وعلى الجانب التطويري، تفرض هذه النقلة واقعًا جديدًا على فرق الذكاء الاصطناعي في الرياض ودبي والقاهرة؛ فبناء مساعدات صوتية قادرة على فهم اللهجات العربية لم يعد مرتبطًا بجمع النصوص الرقمية أو رقمنة المقالات، بل بجمع وفهرسة تسجيلات صوتية واقعية تعكس التداخل اللفظي والتنغيم الصوتي ومقاطعات الحوار التلقائية في البيئات العربية اليومية. إن السباق المقبل لمن يصمم أدوات التفاعل الآلي في المنطقة ينتقل تدريجيًا من هندسة الأوامر النصية إلى هندسة الصوت الخام وسياقاته العاطفية الميدانية.