Från Siri till ReALM: Apples resa till smartare röstassistenter

Sedan Siris lansering 2011 har Apple konsekvent legat i framkanten av röstassistentinnovation och anpassat sig till globala användarbehov. Introduktionen av ReALM markerar en viktig punkt i denna resa, och ger en inblick i röstassistenternas föränderliga roll i vår interaktion med enheterna. Den här artikeln undersöker effekterna av ReALM på Siri och de potentiella anvisningarna för framtida röstassistenter.

The Rise of Voice Assistants: Siri's Genesis

Resan började när Apple integrerade Siri, ett sofistikerat artificiell intelligenssystem, i sina enheter, och förändrade hur vi interagerar med vår teknik. Kommer från teknik utvecklad av SRI International, blev Siri guldstandarden för röststyrda assistenter. Användare kan utföra uppgifter som internetsökningar och schemaläggning genom enkla röstkommandon, tänja på gränserna för samtalsgränssnitt och starta en konkurrensutsatt kapplöpning på röstassistentmarknaden.

Siri 2.0: En ny era av röstassistenter

Som Apple rustar upp för lanseringen av iOS 18 vid Worldwide Developers Conference (WWDC) i juni 2024 byggs förväntan inom teknikgemenskapen för vad som förväntas bli en betydande utveckling av Siri. Denna nya fas, kallad Siri 2.0, lovar att ta generativa AI-framsteg i framkant, vilket potentiellt förvandlar Siri till en ännu mer sofistikerad virtuell assistent. Även om de exakta förbättringarna förblir konfidentiella, vimlar teknikvärlden av utsikterna att Siri kan nå nya höjder inom konversationsintelligens och personlig användarinteraktion, genom att utnyttja den typ av sofistikerade språkinlärningsmodeller som finns i teknologier som ChatGPT. I detta sammanhang föreslår introduktionen av ReALM, en kompakt språkmodell, möjliga förbättringar som Siri 2.0 kan introducera för sina användare. Följande avsnitt kommer att diskutera ReALM:s roll och dess potentiella inflytande som ett viktigt steg i Siris pågående utveckling.

Avtäckning av ReALM

ReALM, som står för Reference Resolution As Language Modeling, är en specialiserad språkmodell som är skicklig på att dechiffrera kontextuella och tvetydiga referenser under konversationer, som "den där" eller "den här". Den utmärker sig för sin förmåga att bearbeta konversations- och visuella referenser och omvandla dem till ett textformat. Denna förmåga gör det möjligt för ReALM att tolka och interagera med skärmlayouter och element sömlöst i en dialog, en kritisk funktion för att korrekt hantera frågor i visuellt beroende sammanhang.

Arkitekturen för ReALM sträcker sig från mindre versioner som ReALM-80M till större som ReALM-3B, är optimerade för att vara beräkningseffektiva för integration i mobila enheter. Denna effektivitet möjliggör konsekvent prestanda med minskad energianvändning och mindre påfrestning på bearbetningsresurser, viktigt för att förlänga batteritiden och ge snabba svarstider på en mängd olika enheter.

Dessutom rymmer ReALMs design modulära uppdateringar, vilket underlättar sömlös integrering av de senaste framstegen inom referensupplösning. Detta modulära tillvägagångssätt förbättrar inte bara modellens anpassningsförmåga och flexibilitet utan säkerställer också dess långsiktiga livskraft och effektivitet, vilket gör att den kan möta föränderliga användarbehov och tekniska standarder över ett brett spektrum av enheter.

ReALM vs. språkmodeller

Medan traditionella språkmodeller gillar GPT-3.5 huvudsakligen bearbetar text, ReALM tar en multimodal väg, liknande modeller som Gemini, genom att arbeta med både text och bild. Till skillnad från de bredare funktionerna i GPT-3.5 och tvillingarna, som hanterar uppgifter som textgenerering, förståelse och bildskapande, är ReALM särskilt inriktat på att dechiffrera konversations- och visuella sammanhang. Men till skillnad från multimodala modeller som Gemini som direkt bearbetar visuella och textdata, översätter ReALM visuellt innehåll på skärmar till text, annoterande enheter och deras rumsliga detaljer. Denna konvertering tillåter ReALM att tolka skärminnehållet på ett textmässigt sätt, vilket underlättar mer exakt identifiering och förståelse av referenser på skärmen.

Hur kan ReALM förvandla Siri?

ReALM kan avsevärt förbättra Siris kapacitet och förvandla den till en mer intuitiv och sammanhangsmedveten assistent. Så här kan det påverka:

• Bättre kontextuell förståelse: ReALM är specialiserat på att dechiffrera tvetydiga referenser i konversationer, vilket potentiellt förbättrar Siris förmåga att förstå kontextberoende frågor. Detta skulle tillåta användare att interagera med Siri mer naturligt, eftersom det kunde förstå referenser som "spela den låten igen" eller "ringa henne" utan ytterligare detaljer.
• Förbättrad skärminteraktion: Med sin skicklighet i att tolka skärmlayouter och element i dialoger kan ReALM göra det möjligt för Siri att integreras mer flytande med en enhets visuella innehåll. Siri kunde sedan utföra kommandon relaterade till objekt på skärmen, till exempel "öppna appen bredvid Mail" eller "rulla ner på den här sidan" och utöka dess nytta i olika uppgifter.
• personalisering: Genom att lära av tidigare interaktioner kan ReALM förbättra Siris förmåga att erbjuda personliga och adaptiva svar. Med tiden kan Siri förutsäga användarnas behov och preferenser, föreslå eller initiera åtgärder baserat på tidigare beteende och kontextuell förståelse, liknande en kunnig personlig assistent.
• Förbättrad tillgänglighet: Kontext- och referensförståelseförmågan hos ReALM kan avsevärt gynna tillgängligheten och göra tekniken mer inkluderande. Siri, som drivs av ReALM, kunde tolka vaga eller partiella kommandon korrekt, vilket underlättar enklare och mer naturlig enhetsanvändning för personer med fysiska eller synskadade.

ReALM och Apples AI-strategi

ReALMs lansering återspeglar en nyckelaspekt av Apples AI-strategi, med tonvikt på intelligens på enheten. Denna utveckling är i linje med den bredare branschtrenden av edge computing, där data bearbetas lokalt på enheter, vilket minskar latensen, sparar bandbredd och säkrar användardata på själva enheten.

ReALM-projektet visar också upp Apples bredare AI-mål, med fokus inte bara på kommandoexekvering utan också på en djupare förståelse och förutsägelse av användarbehov. ReALM representerar ett steg mot framtida innovationer där enheter kan ge mer personligt och förutsägande stöd, informerat av ett djupgående grepp om användarvanor och preferenser.

The Bottom Line

Apples utveckling från Siri till ReALM belyser en fortsatt utveckling inom röstassistentteknik, med fokus på förbättrad kontextförståelse och användarinteraktion. ReALM innebär en förändring mot mer intelligent, personlig och integritetsmedveten röstassistans, i linje med branschtrenden med edge computing för förbättrad bearbetning och säkerhet på enheten.