Od Siri k ReALM: Appleova cesta k chytřejším hlasovým asistentům

Od uvedení Siri v roce 2011 je Apple (AAPL ) neustále na špici inovace hlasových asistentů, přizpůsobujících se globálním potřebám uživatelů. Uvedení ReALM představuje významný milník na této cestě, nabízející pohled na měnící se roli hlasových asistentů v naší interakci se zařízeními. Tento článek zkoumá dopad ReALM na Siri a potenciální směry pro budoucí hlasové asistentky.

Vzestup hlasových asistentů: Původ Siri

Cesta začala, když Apple integroval Siri, sofistikovaný systém umělé inteligence, do svých zařízení, měnící způsob, jakým interagujeme s naší technologií. Pocházející z technologie vyvinuté SRI International, Siri se stala zlatým standardem pro hlasově aktivované asistentky. Uživatelé mohli provádět úkoly, jako jsou internetové vyhledávání a plánování, pomocí jednoduchých hlasových příkazů, rozšiřujících hranice konverzačních rozhraní a zapalujících soutěž v trhu hlasových asistentů.

Siri 2.0: Nová éra hlasových asistentů

Zatímco Apple připravuje uvedení iOS 18 na Worldwide Developers Conference (WWDC) v červnu 2024, rostou očekávání v technologické komunitě ohledně toho, co se očekává jako významný vývoj Siri. Tato nová fáze, označovaná jako Siri 2.0, slibuje přinést generativní AI pokroky do popředí, potenciálně transformující Siri do ještě sofistikovanějšího virtuálního asistenta. Zatímco exact enhancements zůstávají důvěrné, technologický svět je plný perspektivy, že Siri dosáhne nových výšin v konverzační inteligenci a personalizované uživatelské interakci, využívající sofistikované jazykové učící modely, jako je ChatGPT. V tomto kontextu uvedení ReALM, kompaktního jazykového modelu, naznačuje možné vylepšení, které Siri 2.0 může přinést svým uživatelům. Následující sekce budou diskutovat roli ReALM a jeho potenciální vliv jako důležitý krok vngoingho rozvoje Siri.

Odhalení ReALM

ReALM, který stojí za Reference Resolution As Language Modeling, je specializovaný jazykový model, který je schopen rozluštit kontextové a dvojznačné odkazy během konverzací, jako je “ten jeden” nebo “tento”. Vyniká svou schopností zpracovat konverzační a vizuální odkazy, transformující je do textového formátu. Tato schopnost umožňuje ReALM interpretovat a interagovat se screenovými rozloženími a prvky bezproblémově v rámci dialogu, kritické funkce pro přesné zpracování dotazů ve vizuálně závislých kontextech.

Architektura ReALM sahá od menších verzí, jako je ReALM-80M, po větší, jako ReALM-3B, které jsou optimalizovány pro komputační efektivitu pro integraci do mobilních zařízení. Tato efektivita umožňuje konzistentní výkon s redukovaným spotřebou energie a menší zátěží na procesorových zdrojích, důležité pro prodloužení životnosti baterie a poskytování rychlých odezev na různých zařízeních.

Navíc design ReALM umožňuje modulární aktualizace, usnadňující bezproblémovou integraci nejnovějších pokroků v rozlišení odkazů. Tento modulární přístup nejen zvyšuje adaptabilitu a flexibilitu modelu, ale také zajišťuje jeho dlouhodobou životaschopnost a účinnost, umožňující mu splňovat měnící se potřeby uživatelů a technologické standardy napříč širokým spektrem zařízení.

ReALM vs. Jazykové modely

Zatímco tradiční jazykové modely, jako GPT-3.5,主要ně zpracovávají text, ReALM využívá multimodální cestu, podobně jako modely, jako Gemini, pracující s textem i vizuály. Na rozdíl od širších funkcí GPT-3.5 a Gemini, které zpracovávají úkoly, jako je generování textu, pochopení a tvorba obrázků, ReALM je zaměřen na rozluštit konverzační a vizuální kontexty. Nicméně, na rozdíl od multimodálních modelů, jako Gemini, které přímo zpracovávají vizuální a textová data, ReALM překládá vizuální obsah obrazovek do textu, anotuje entity a jejich prostorové detaily. Tento převod umožňuje ReALM interpretovat obsah obrazovky v textové podobě, usnadňující přesnější identifikaci a pochopení odkazů na obrazovce.

Jak ReALM může transformovat Siri?

ReALM by mohl výrazně vylepšit schopnosti Siri, transformující ji do více intuitivního a kontextově vědomého asistenta. Zde je, jak by to mohlo ovlivnit:

• Lepší kontextové pochopení: ReALM se specializuje na rozluštit dvojznačné odkazy v konverzacích, potenciálně výrazně zlepšující schopnost Siri pochopit kontextově závislé dotazy. To by umožnilo uživatelům interagovat se Siri více přirozeně, protože by mohla pochopit odkazy, jako “přehrajte tu píseň znovu” nebo “zavolejte jí”, bez dalších detailů.
• Vylepšená interakce se screenem: S jeho schopností interpretovat screenová rozložení a prvky v rámci dialogů, ReALM by mohl umožnit Siri integrovat se více fluidně s vizuálním obsahem zařízení. Siri by pak mohla vykonávat příkazy související s položkami na obrazovce, jako “otevřete aplikaci vedle Pošty” nebo “přesuňte se na této stránce”, rozšiřující její užitečnost v různých úkolech.
• Personalizace: Rozluštit předchozí interakce, ReALM by mohl zlepšit schopnost Siri nabízet personalizované a adaptivní odpovědi. Časem by Siri mohla předpovídat potřeby a preference uživatelů, navrhovat nebo iniciovat akce na základě předchozích chování a kontextového pochopení, podobně jako znalý osobní asistent.
• Zlepšená přístupnost: Schopnosti ReALM pro kontextové a referenční pochopení by mohly výrazně prospět přístupnosti, činící technologii více inkluzivní. Siri, poháněná ReALM, by mohla interpretovat vágní nebo neúplné příkazy přesně, usnadňující snadnější a přirozenější používání zařízení pro lidi s fyzickými nebo zrakovými postiženími.

ReALM a Appleova AI strategie

Uvedení ReALM odráží klíčový aspekt Appleovy AI strategie, zaměřující se na inteligenci na zařízení. Tento vývoj se shoduje s širším průmyslovým trendem edge computingu, kde se data zpracovávají místně na zařízeních, snižují latenci, šetří šířku pásma a zajišťují bezpečnost uživatelských dat na zařízení samotném.

Projekt ReALM také představuje Appleovy širší AI cíle, zaměřené nejen na provádění příkazů, ale také na hlubší pochopení a předpověď potřeb uživatelů. ReALM reprezentuje krok směrem k budoucím inovacím, kde zařízení mohou poskytovat více personalizovanou a prediktivní podporu, informovanou hlubokým pochopením uživatelských zvyků a preferencí.

Závěrečné shrnutí

Appleův vývoj od Siri k ReALM zdůrazňuje pokračující evoluci hlasových asistentů, zaměřenou na zlepšení kontextového pochopení a uživatelské interakce. ReALM představuje posun směrem k inteligentnějším, personalizovanějším a soukromějším hlasovým asistentům, shodujícím se s průmyslovým trendem edge computingu pro vylepšenou inteligenci na zařízení a bezpečnost.