أليكس سمولا، الشريك المؤسس لشركة Boson AI – سلسلة مقابلات

Alex Smola شريك مؤسس في Boson AI، حيث يعمل على الذكاء الاصطناعي الصوتي الحواري والأنظمة متعددة الوسائط. تمتد مسيرته المهنية من الأبحاث الأكاديمية في Carnegie Mellon University إلى مبادرات الذكاء الاصطناعي واسعة النطاق في AWS. ويجمع في بناء المساعدات بين خبرته البحثية وخبرته في تطوير المنتجات، لتتمكن من فهم إشارات المحادثة والتعامل مع المقاطعات وإنجاز مهام مفيدة.

تطوّر Boson AI نماذج أساسية وأدوات للتفاعل الصوتي والسمعي ومتعدد الوسائط. ويدعم نموذجها Higgs Realtime إجراء محادثات مباشرة من كلام إلى كلام، فيما تشمل منصتها الأوسع توليد الكلام التعبيري والصور الرمزية ووكلاء صوتيين للمؤسسات. في هذه المقابلة، يناقش سمولا الذكاء الحواري والأداء متعدد اللغات واقتصاديات الاستدلال والضمانات اللازمة لإدماج الوكلاء الصوتيين في سير العمل التجاري الفعلي.

انتقلت مسيرتك المهنية من الأبحاث الأكاديمية في Carnegie Mellon University إلى قيادة مبادرات ذكاء اصطناعي واسعة النطاق في AWS، وصولًا إلى المشاركة في تأسيس Boson AI. ما الذي ألهمك للتركيز على الذكاء الاصطناعي الصوتي الحواري، وما القيود الأساسية في التفاعل بين البشر والذكاء الاصطناعي التي تأمل في تجاوزها؟

يتواصل البشر بوسائل تتجاوز الكلمات بكثير. يمكنك أن تسمع التردد في صوت شخص ما، أو أن تلاحظ أنه لم يفهم شرحًا. وقد تخبرك إشارة إقرار بسيطة بأن تواصل الحديث. نلتقط هذه الإشارات من دون تفكير، لكن تعليم الحواسيب التعرّف عليها ما زال عملًا مستمرًا.

وهذا ما يجعل هذا المجال مثيرًا للاهتمام بالنسبة إليّ. لدينا الآن أنظمة تتمتع بذكاء كبير، لكن التواصل معها قد يظل محرجًا. أريد أن يتمكن الناس من شرح ما يحتاجون إليه بكلماتهم، من دون الاضطرار إلى معرفة كيفية التحدث إلى البرنامج.

في AWS، تعلمت أن أولي اهتمامًا وثيقًا لما يحاول العملاء إنجازه، وما إذا كان المنتج يساعدهم على ذلك. وقد نقلنا هذا النهج إلى Boson، مع حرية التحرك بسرعة تواكب تقدم الأبحاث.

يتيح لنا الصوت والفيديو معلومات أكثر نستند إليها. فإذا بدا على أحدهم الارتباك أو التردد، تتاح للمساعد فرصة الاستجابة قبل أن تنحرف المحادثة عن مسارها. ويشكّل تحسين هذه التفاعلات اليومية جزءًا كبيرًا من طموحنا.

قدّمت Boson AI مؤخرًا Higgs Realtime، المصمم لإتاحة تفاعلات طبيعية وفورية من كلام إلى كلام. ما الذي يجعل هذا النهج مختلفًا جوهريًا عن الأنظمة التقليدية التي تجمع بين التعرّف على الكلام ونماذج اللغة وتحويل النص إلى كلام؟ ولماذا يكتسب هذا الاختلاف أهمية لمستقبل المساعدات القائمة على الذكاء الاصطناعي؟

في المسار التقليدي، يحوّل نظام التعرّف على الكلام كلماتك إلى نص، ثم ينشئ نموذج اللغة إجابة، ويقرأها نموذج صوتي بصوت مسموع. وتعتمد كل خطوة على الخطوة التي تسبقها، ما قد يجعل المحادثة بطيئة ومتقطعة.

Higgs Realtime نموذج أصيل صوتيًا يحوّل الكلام إلى كلام، ومصمم للتفاعل المباشر. ويعالج تدريبه السلوك الحواري، بما في ذلك تناوب الأدوار والاستجابة للطلبات المتغيرة. وهذا يختلف كثيرًا عن إضفاء صوت على روبوت محادثة نصي.

تخيّل أنك تطرح على شخص سؤالًا صعبًا. قد يقول: «دعني أبحث عن ذلك»، بينما يعمل على الإجابة. عندها تعرف أنه سمعك ويعمل على طلبك. وينبغي للمساعد المدعوم بالذكاء الاصطناعي أن يفعل الشيء نفسه أثناء استرجاع المعلومات أو استخدام أداة، حتى لا تظل متسائلًا عما إذا كان قد فهمك أم توقف عن العمل.

ويزداد ذلك أهمية في المهام الأطول. فعلى المساعد أن يبقيك على اطلاع أثناء عمله، وأن يستجيب إذا طرحت سؤالًا أو غيّرت رأيك.

من أكبر التحديات في الذكاء الاصطناعي الحواري معرفة متى ينبغي التحدث ومتى ينبغي الإصغاء، وكيفية التعامل مع المقاطعات أو تغيير مسار الحديث. كيف تعالج Boson AI هذه التحديات، وما الإنجازات التقنية التي لا تزال مطلوبة قبل أن تبدو المحادثات مع الذكاء الاصطناعي طبيعية فعلًا؟

قد يبدو الإقرار بالكلام والمقاطعة متشابهين إلى حد كبير، لكن لكل منهما استجابة مختلفة. فإذا قال أحدهم «أجل» بينما تتحدث، فقد يكون قصده أن تواصل كلامك. أما إذا صحح رقمًا في رقم هاتفه، فعليك أن تتوقف وتستخدم الرقم الصحيح. وينبغي للمساعد المدعوم بالذكاء الاصطناعي أن يميّز بين الحالتين.

يستفيد Higgs Realtime من معنى كلام الشخص للمساعدة في تحديد ما إذا كان قد انتهى من الحديث أم أنه يتوقف قليلًا. من المهم أن تكون الاستجابة سريعة، لكن معرفة كيفية الاستجابة مهمة أيضًا.

ولا يزال تحقيق ذلك على نحو متسق أمرًا صعبًا للغاية. فالناس لا يتحدثون في أدوار مرتبة، وقد تعني الكلمات نفسها أشياء مختلفة بحسب سياق المحادثة. وعلى المساعد أن يفهم ما الذي تغيّر وأن يتذكر ما كان يفعله.

طوّرت Boson AI معايير قياس، مثل IHBench، لقياس مدى قدرة الوكلاء الصوتيين على استعادة مسار المحادثة بعد المقاطعات. فما الذي كشفته هذه التقييمات عن نقاط ضعف نماذج الصوت الرائدة اليوم، وكيف ينبغي للقطاع إعادة التفكير في طريقة قياسه للذكاء الحواري؟

أنشأنا IHBench لاختبار ما يحدث عندما يقاطع شخصٌ وكيلًا صوتيًا. فإذا صححتَ معلومة في منتصف عملية حجز، ينبغي للوكيل أن يأخذ التصحيح في الحسبان ويتابع من النقطة المناسبة. ولا ينبغي أن تضطر إلى البدء من جديد أو إلى الاستماع مجددًا إلى معلومات سبق أن قدّمها لك. تباينت النتائج كثيرًا بحسب النموذج ونوع المقاطعة. ومن النتائج التي لم يكن نشرها موضع ترحيب كبير لدينا أن الأنظمة ذات الأوزان المغلقة تعاملت عمومًا مع المقاطعات على نحو أفضل، وصمد أداؤها أكثر كلما وقعت المقاطعة في مرحلة متأخرة من المحادثة.

تلك فجوة حقيقية في منظومة النماذج المفتوحة، ونفضّل قياسها علنًا بدلًا من التظاهر بأنها غير موجودة. وهذا أيضًا السبب الأساسي لوجود هذا المعيار. فلا يمكن سد فجوة لم يتفق أحد على كيفية قياسها. نشرنا ذلك المعيار من دون أن نضمّن فيه أي نموذج لنا. وعندما أضفنا نموذجًا، حصل Higgs Realtime على 71.2 في جودة التعافي، متقدمًا على GPT Realtime 1.5 الذي سجل 65.5، وGPT Realtime 2 الذي سجل 62.4، وGemini 3.1 Flash Live الذي سجل 61.1. إذن، يمكن سد الفجوة، وقد سدّها نموذج مفتوح الأوزان.

أفضل أن أُظهر ذلك من خلال اختبار صممناه ليكون صعبًا، ونشرناه قبل أن يكون لدينا ما نعرضه فيه. وبوجه أعم، أعتقد أن المجال يقيس الأمور الخاطئة. قد يبدو الصوت طبيعيًا تمامًا، ومع ذلك يخفق النظام في أداء المهمة، لأن الاختبار الأهم هو ما إذا كان الوكيل يُتمّ المهمة. وإذا اضطررت إلى مواصلة تذكيره بما كنت تفعله، فلن يعود مدى جودة صوته مهمًا بعد وقت قصير.

هناك فرق كبير بين عرضٍ مبهر للذكاء الاصطناعي الصوتي ووكيل مستقل قادر على التعامل مع تفاعلات العملاء الحقيقية. ما الذي يميز أحدهما عن الآخر، وما القدرات التي ينبغي تحسينها قبل أن تتمكن الشركات من نشر وكلاء صوتيين بثقة في مسارات العمل الحيوية لأعمالها؟

متى كانت آخر مرة استمتعت فيها بالاتصال بشركة الكابل؟ بالنسبة إلى معظم الناس، الجواب هو: لم يحدث قط. يُحوّلونك من موظف إلى آخر، وفي كل مرة تعيد شرح اسمك وتاريخ ميلادك ومشكلتك، ليطلب منك الموظف التالي تكرار كل ذلك من جديد. لنفترض أنك تجري الاتصال الرابع بشأن المشكلة نفسها. ستريد أن يعرف الوكيل ما حدث في الاتصالات الثلاثة الأولى. وإذا لم تنجح إعادة تشغيل جهاز التوجيه، فربما حان وقت إرسال فني، ولا ينبغي أن تضطر إلى تبرير ذلك بنفسك. ولكي يتمكن الوكيل من فعل ذلك، يحتاج إلى سجل حسابك وإلى إمكانية الوصول إلى النظام الذي يحجز الزيارة.

وعليه أيضًا التعامل مع حالات تعذّر الحجز، ومعرفة متى يحوّلك إلى شخص يستطيع حل المشكلة فعلًا. هذه هي الحالات التي ينبغي للشركة اختبارها قبل أن توكل إلى وكيل التعامل مع اتصالات العملاء. ثم هناك تكلفة تشغيله. فقد يكون تشغيل نظام يتعامل مع عرض توضيحي ببراعة باهظًا للغاية عندما يُستخدم لإجراء آلاف المكالمات يوميًا؛ لذا فإن الكفاءة جزء من الجاهزية للأعمال، وليست مسألة منفصلة عنها.

ننفّذ هذا السيناريو نفسه منذ عدة أشهر مع شركة تأمين عالمية. وليس الأمر تجربةً موازية للنظام الفعلي؛ إذ يتعامل النظام مع محادثات حقيقية مع العملاء، الواردة والصادرة، إلى جانب موظفي المبيعات من البشر في مركز الاتصال التابع للشركة. ويتعامل مع آلاف المكالمات المتزامنة بتكلفة تعادل نحو ثلث تكلفة موظف بشري.

وما أجده أكثر إثارة للاهتمام من التكلفة هو أن أداء النظام تحسّن في موقع التشغيل نفسه. فقد قيّم تقييم الشركة الداخلي جودة محادثاتنا بـ30 عند بدء العمل. وبعد خمسة أشهر، بلغ التقييم 80، وهي الدرجة التي تعتمدها الشركة لمسوّق هاتفي بشري مؤهل. أما GPT-4o Realtime فسجّل 55 في التقييم نفسه. ولم نصل إلى تلك النتيجة عبر ضبط النموذج في المختبر؛ بل تحسّن النظام في التعامل مع حركة الاتصالات التي كان يخدمها فعليًا، وهذا وحده نوع التحسّن الذي يهم مركز الاتصال.

مع انتقال الوكلاء الصوتيين من الإجابة عن الأسئلة إلى تنفيذ المهام والوصول إلى معلومات العملاء والتفاعل مع أنظمة المؤسسات، كيف ينبغي للمطورين الموازنة بين الاستقلالية والإشراف البشري؟ وما الضمانات الضرورية لبناء ثقة طويلة الأمد بهذه الأنظمة؟

سأبدأ بالسؤال عمّا تريد أن تثق بالوكيل ليفعله. فالسماح له بالاطلاع على رصيد حساب يختلف كثيرًا عن السماح له بتحويل الأموال أو إلغاء خدمة. وينبغي أن تعكس الأذونات هذا الاختلاف، كما يجب أن تفرض الأنظمة التي يتصل بها تلك الأذونات. ولا يمكن ترك كل ذلك لتوجيه وارد في موجه.

وينبغي أيضًا أن يعرف الناس ما الذي يوافقون عليه. فقبل أن يُجري الوكيل تغييرًا يصعب التراجع عنه، عليه أن يشرح عواقبه ويطلب التأكيد. وبهذه الطريقة، عندما يتعثر، يصبح إشراك شخص أمرًا يسيرًا.

ستظل الأمور تسير على نحو خاطئ أحيانًا. وعندما يحدث ذلك، ينبغي أن تتمكن من معرفة ما فعله الوكيل وأين توقف، حتى يتسنى لشخص ما تصحيح الأمر. وقد يدفعنا الصوت الواثق إلى افتراض أن النظام يعرف ما يفعله، لكن علينا أن نستحق هذه الثقة من خلال مدى موثوقية سلوكه.

يدعم Higgs Realtime أكثر من 100 لغة، بما في ذلك إمكانية التبديل بين اللغات أثناء المحادثة. ما أبرز التحديات التقنية في تقديم ذكاء حواري متسق عبر لغات ولهجات وأساليب تواصل مختلفة، ولا سيما عند فهم السياق العاطفي ومقصد المستخدم؟

قد تبدو تغطية اللغات وكأنها مجرد قائمة، لكنها ليست كذلك. قبل مدة، احتاج أحد العملاء إلى اللغة التايلاندية. كانت تغطيتنا لها جزئية، وأول ما اكتشفناه أننا لا نعرف شيئًا تقريبًا عن اللغة التايلاندية نفسها، بدءًا من حقيقة أن الكتابة التايلاندية لا تستخدم علامات الترقيم تقريبًا. وهذا يخلّ بالافتراضات المتعلقة بحدود الجمل التي تقوم عليها معظم أنظمة التعرّف على الكلام. كان بإمكاننا تأجيل دخول السوق. لكننا عثرنا بدلًا من ذلك على علماء حاسوب يتحدثون التايلاندية، وأعدنا بناء آلية معالجتها على نحو سليم.

بعد نحو ستة أسابيع، كنا في بانكوك لنعرض النظام. خلال العرض التوضيحي، لم أستطع معرفة كيف تسير الأمور — كنت أستمع إلى أشخاص يختبرون نظامًا بلغة لا أتحدثها — لكنهم قالوا بعد ذلك إن التجربة كانت جيدة، وكان ذلك باعثًا كبيرًا على الارتياح. تختلف الأعراف بقدر اختلاف المفردات. ففي اليابانية، يصدر المستمعون إيماءات لفظية بسيطة أثناء حديثك لإظهار أنهم يتابعونك. وإذا توقف المساعد في كل مرة ليفسح المجال للطرف الآخر، فإنه يفسد إيقاع المحادثة.

قد تكون الكلمات مثالية، ومع ذلك تفشل المحادثة. وطريقة قولك للأشياء لا تقل أهمية عن مضمونها. يمكنك استخدام الكلمات نفسها تمامًا بنبرة ودودة أو ساخرة، وعندها يختلف الرد المناسب اختلافًا تامًا. إن الحفاظ على النبرة والسياق مع تغيّر اللغة في منتصف الجملة جزء كبير مما يجعل هذا المجال ممتعًا بالنسبة إليّ.

تستثمر شركات مثل OpenAI وGoogle بكثافة في الذكاء الاصطناعي متعدد الوسائط الآني. كيف تستطيع شركة متخصصة مثل Boson AI منافسة مؤسسات تمتلك موارد حوسبة أكبر بكثير، وأين ترى أكبر فرص التمايز في بنية النماذج وأدائها واقتصاديات الاستدلال؟

امتلاك قدرة حوسبة أكبر لا يعني تلقائيًا أنك تستخدمها بكفاءة. ففي محادثة مباشرة، قد تنفق مبلغًا كبيرًا لتشغيل نموذج قوي جدًا لمجرد معالجة قول شخص ما «ممم» أو «نعم، على الأرجح». وسيستهلك ذلك النموذج قدرًا كبيرًا من ذكائه في الاستماع إلى كلمات الحشو. فالعقول مكلفة وتستهلك قدرًا كبيرًا من الطاقة، وكذلك الاستدلال. وفي نهاية المطاف، يتحمل العميل التكلفة.

يحل البشر هذه المسألة بتوزيع انتباههم. فقد تكون في مقهى تجري محادثة مملة بعض الشيء، فيما يشغل جزء من ذهنك التفكير فيما ستعدّه للعشاء. ويتولى الجزء الواعي من ذهنك متابعة المحادثة. ثم يطرح الشخص الآخر سؤالًا صعبًا حقًا، فتنخرط فيه بالكامل وتكرّس له كل انتباهك. ونحن نبني أنظمة المحادثة بالطريقة نفسها.

يتولى نموذج منخفض التكلفة إدارة الجزء الأول من المحادثة، فيما تُستدعى قدرات الاستدلال الأعلى تكلفةً وأدوات النظام عندما تتطلب المهمة ذلك فعلًا. أما الجانب الآخر من الأمر، فهو أننا اشترينا موارد الحوسبة بدلًا من استئجارها. والحساب بسيط: خذ تكلفة مثيل سحابي بالساعة، واضربها في عدد ساعات السنة، وستصل إلى مبلغ قريب من تكلفة شراء العتاد بالكامل. حسبنا نقطة التعادل لكل مكوّن على حدة، ثم بنينا خطتنا انطلاقًا من ذلك. كان الأمر أصعب مما يوحي به هذا الوصف، ولم تسر الأمور كلها على أكمل وجه. لكنه يستبعد التوسع القائم على القوة الغاشمة، ما يعني أن كل تحسن يجب أن يأتي من بيانات أفضل وبنية أفضل. واتضح أيضًا أن هذا النهج يوفر لنا الحماية: فالمكونات التي عُرضت علينا بأقل من 100,000 دولار كلفت نحو ضعف ذلك بعد ستة أشهر. نستطيع التحرك بسرعة لأننا فريق صغير يعمل على أمر واحد. ويمكن للباحث أن يأخذ فكرة ويختبرها ويدمجها بنفسه في المنتج. ونستفيد من مجتمع الأبحاث المفتوحة ونساهم فيه، ما يتيح لفريق صغير إنجاز ما يفوق بكثير ما قد يوحي به حجمه.

يتناول بحثكم في ProactBench بُعدًا مهمًا من أبعاد الذكاء الحواري: إدراك ما يحتاج إليه المستخدمون حتى عندما لا يطلبونه صراحةً. كيف تتصورون تطور الوكلاء الصوتيين من مساعدين تفاعليين يستجيبون للطلبات إلى شركاء مبادرين، وأين ينبغي أن توضع الحدود بين استباق احتياجات المستخدمين وتجاوزها؟

لنفترض أنك تحجز موعدًا مع طبيب، وذكرت في بداية المحادثة أنك لا تستطيع القيادة. سيتذكر المساعد الجيد ذلك، ويقترح موعدًا عن بُعد أو يساعدك في تدبير وسيلة نقل. فلا ينبغي أن تضطر إلى تكرار هذه المعلومة.

هذا ما ندرسه في ProactBench: هل يستطيع المساعد الاستفادة مما أخبرته به ليستبق احتياجاتك ويقدم لك مساعدة لم تطلبها مباشرة؟

بالطبع، ربما تكون قد رتبت بالفعل وسيلة توصلك إلى موعدك. ينبغي للمساعد أن يعرض عليك الخيار ويترك لك القرار، بدلًا من افتراض أنه يعرف خططك. أود أن تساعد هذه الأنظمة الناس على بذل جهد أقل، مع إبقائهم مسيطرين على ما يحدث.

عند استشراف السنوات الخمس المقبلة، هل تعتقد أن الصوت سيصبح الواجهة الأساسية التي يتفاعل الناس من خلالها مع الذكاء الاصطناعي والبرمجيات؟ وإذا كان الأمر كذلك، فكيف يمكن لهذا التحول أن يعيد تشكيل التطبيقات التقليدية وبرمجيات المؤسسات ودور الشاشات وواجهات المستخدم الرسومية؟

أتوقع أن نتحدث إلى الحواسيب أكثر بكثير، وغالبًا ما سنستخدم الفيديو أيضًا. فعندما ترى شخصًا يبدو عليه الحيرة، تدرك أنك قد تحتاج إلى شرح الأمر بطريقة مختلفة. ويعرض نموذجنا التوضيحي للصوت والفيديو البدايات الأولى لهذا النوع من التفاعل، إذ يستجيب الذكاء الاصطناعي لما يراه، فضلًا عما يسمعه.

ما زلت أفضل استخدام لوحة المفاتيح لكتابة الشيفرة، وإذا كنت أقارن معلومات، فقد أرغب في عرضها على شاشة لأتصفحها بالسرعة التي تناسبني.

بالنسبة إلى برمجيات الأعمال، أستطيع أن أتصور بدء مهمة بشرح ما أحتاج إليه، ثم مراجعة النتيجة على الشاشة وإجراء التعديلات مباشرة. خلال السنوات الخمس المقبلة، أعتقد أن التنقل بين أساليب العمل هذه سيصبح أسهل بكثير. ويمكنك التحدث حين يكون ذلك مناسبًا، واستخدام الشاشة عندما تحتاج إلى الدقة.

شكرًا على هذه المقابلة الرائعة. على القراء الراغبين في استكشاف الذكاء الاصطناعي الصوتي الحواري ووكلاء الصوت للمؤسسات زيارة Boson AI.