بازگشت قدرت محاسباتی به دستگاه‌های کاربر
در حالی که غول‌های صنعت هوش مصنوعی بساط رقابت برای ساخت مدل‌های عظیم‌الجنس با نیاز به کلان‌مقیاس‌ترین دیتاسنترها را گسترده‌اند، استارتاپی به نام Underdog با رویکردی کاملاً متفاوت وارد عرصه شده است. این شرکت اخیراً دمو نمونه جدیدی از مدل گفتاری خود به نام Woof را منتشر کرده است که با حجمی تنها ۳۲ مگابایت، قابلیت تولید همزمان صدای انسان و موسیقی را دارا می‌شود. این موفقیت نشان‌دهنده ظرفیت بالای مهندسی برای فشرده‌سازی الگوریتم‌های پیچیده без از دست دادن کیفیت خروجی است.
نکته کلیدی در این ماجرا، امکان اجرای این مدل روی دستگاه‌های Edge یا حاشیه‌ای مانند گوشی‌های هوشمند و لپ‌تاپ‌های معمولی است. در گذشته، پردازش صدا توسط هوش مصنوعی نیازمند ارسال داده به سرورهای ابری بود، اما مدل Woof با ابعاد کوچکش می‌تواند کاملاً درون‌دستی و بدون اتصالات اینترنت پرهزینه کار کند. این امر نه تنها سرعت پاسخ‌گویی را افزایش می‌دهد، بلکه نگرانی‌های مربوط به حریم خصوصی کاربران را به شکل چشمگیری کاهش می‌دهد.
یک بازی درون‌برد با تم ضد ابری
برای نمایش توانمدی این مدل، تیم توسعه‌دهنده یک بازی کوچک با تم تکنولوژی دهه ۹۰ طراحی کرده‌اند. بازیکن در اتاقی قرار می‌گیرد که پر از تجهیزات کلاسیک مانند ماشین تایپ، مانیتور CRT و یک لامپ میزی است. کلیک کردن روی سوئیچ لامپ، صدای واقعی و زنده‌ای را از طریق مدل هوش مصنوعی تولید می‌کند. جالب توجه اینجاست که عنوان ورودی بازی استفاده از ابرهای مزاحم (Intrusive Cloud Providers) را در شهر ممنوع اعلام می‌کند.
این تم طراحی بازی، به وضوح نقدی به مدل‌های مبتنی بر ابر است که بر پایه فرستادن داده کاربران به سمت سرورهای دور دایر می‌شوند. توپیک ساخت کوچک بودن مدل به یک فیلسوف عمیق تبدیل می‌شود: چقدر می‌توان هوشمند به دستگاه کاربر گره زد؟ این رویکرد باعث می‌شود زیرساخت‌های سخت‌افزاری ارزان‌تر برای سرگرمی‌ها و دستیاران صوتی آینده در دسترس قرار گیرد.
تأثیر بر آینده اکوسیستم هوش مصنوعی
ورود مدل‌های فشرده مانند Woof به بازار، فشاری بر شرکت‌های بزرگ برای بهینه‌سازی مدل‌های خود وارد می‌کند. اگر یک مدل ۳۲ مگابایتی بتواند تولید صدا و موسیقی قابل قبول داشته باشد، سرنوشت بسیاری از اپلیکیشن‌های فعلی که به اینترنت وابسته‌اند، ممکن است تغییر کند. در این چارچوب، هوش مصنوعی دیگر لزوماً نیازمند سرویس‌های میزبانی گران‌قیمت نخواهد بود و توان پردازشی دستگاه‌های کنش‌پذیر (Edge) محور اصلی نوآوری خواهد شد.
- کاهش شدید هزینه‌های پردازش و پهنای باند برای کاربران نهایی
- امکان اجرای دستیاران صوتی هوشمند به صورت کاملاً آفلاین
- محافظت از حریم خصوصی با عدم ارسال داده‌های صوتی به سرورهای خارجی
پرسش‌های پرتکرار
مدل Woof چه عملکردی دارد؟
این مدل هم صدای انسان را تولید می‌کند و هم موسیقی را، هرچند حجم آن تنها ۳۲ مگابایت است.
آیا این مدل به اینترنت نیاز دارد؟
خیر، این مدل برای اجرا روی دستگاه‌های محلی مانند موبایل و لپ‌تاپ طراحی شده و می‌تواند آفلاین کار کند.
