Від Siri до ReALM: Подорож Apple до розумніших голосових асистентів

Від часу запуску Siri у 2011 році Apple (AAPL ) постійно була на передовому краї інновацій у сфері голосових асистентів, адаптуючись до глобальних потреб користувачів. Введення ReALM позначає значний етап цієї подорожі, надавши можливість побачити еволюцію ролі голосових асистентів у нашому взаємодії з пристроями. Ця стаття розглядає вплив ReALM на Siri та потенційні напрямки розвитку майбутніх голосових асистентів.

Поява голосових асистентів: походження Siri

Подорож розпочалася, коли Apple інтегрувала Siri, складну систему штучного інтелекту, у свої пристрої, змінивши спосіб нашого взаємодії з технологіями. Походячи з технологій, розроблених у SRI International, Siri стала золотим стандартом для голосових асистентів. Користувачі могли виконувати завдання, такі як пошук в інтернеті та планування, за допомогою простих голосових команд, розширюючи межі розмовних інтерфейсів та розпалюючи конкурентну гонку на ринку голосових асистентів.

Siri 2.0: Нова ера голосових асистентів

Під час підготовки Apple до випуску iOS 18 на Конференції розробників Worldwide Developers Conference (WWDC) у червні 2024 року, у технологічній спільноті зростає очікування щодо очікуваної значної еволюції Siri. Ця нова фаза, відома як Siri 2.0, обіцяє принести генеративні досягнення штучного інтелекту на передній план, потенційно перетворивши Siri у ще більш складний віртуальний асистент. Хоча точні вдосконалення залишаються конфіденційними, технологічний світ розговарює про перспективу того, що Siri досягне нових висот у розмовній інтелекті та персоналізованому взаємодії з користувачем, використовуючи такі ж складні моделі мови, як у технологіях типу ChatGPT. У цьому контексті введення ReALM, компактної моделі мови, припускає можливі вдосконалення, які Siri 2.0 може запропонувати своїм користувачам. Наступні розділи будуть обговорювати роль ReALM та її потенційний вплив як важливий крок у подальшому вдосконаленні Siri.

Представлення ReALM

ReALM, що означає Reference Resolution As Language Modeling, є спеціалізованою мовною моделлю, яка вміє розшифровувати контекстні та двозначні посилання під час розмов, такі як “той” або “це”. Вона виділяється своєю здатністю обробляти розмовні та візуальні посилання, перетворюючи їх у текстовий формат. Ця здатність дозволяє ReALM інтерпретувати та взаємодіяти з елементами екрана та макетами всередині діалогів безперешкодно, що є критичною функцією для точної обробки запитів у візуально залежних контекстах.

Архітектура ReALM варіюється від менших версій, таких як ReALM-80M, до більших, таких як ReALM-3B, які оптимізовані для ефективної інтеграції у мобільні пристрої. Ця ефективність дозволяє забезпечувати стабільну продуктивність з зменшеним енергоспоживанням та меншим навантаженням на ресурси обробки, що важливо для продовження життя батареї та забезпечення швидких часів відповіді на різних пристроях.

Крім того, дизайн ReALM передбачає модульні оновлення, що полегшує безперешкодну інтеграцію останніх досягнень у сфері вирішення посилань. Цей модульний підхід не тільки підвищує адаптивність та гнучкість моделі, але й забезпечує її довгострокову життєздатність та ефективність, дозволяючи їй відповідати змінюваним потребам користувачів та технологічним стандартам на широкому спектрі пристроїв.

ReALM проти мовних моделей

Хоча традиційні мовні моделі, такі як GPT-3.5, в основному обробляють текст, ReALM вибирає багатомодальний шлях, подібний до моделей типу Gemini, працюючи як з текстом, так і з візуальними елементами. На відміну від ширших функцій GPT-3.5 та Gemini, які виконують завдання, такі як генерація тексту, розуміння та створення зображень, ReALM спрямована конкретно на розшифровку контекстних та візуальних контекстів. Однак, на відміну від багатомодальних моделей типу Gemini, які безпосередньо обробляють візуальні та текстові дані, ReALM перекладає візуальний контент екрану у текст, анотуючи сутності та їх просторові деталі. Це перетворення дозволяє ReALM інтерпретувати контент екрана текстовим чином, забезпечуючи більш точне визначення та розуміння посилань на екрані.

Як ReALM може перетворити Siri?

ReALM може суттєво покращити можливості Siri, перетворивши її у більш інтуїтивний та контекстно-чутливий асистент. Ось, як це може вплинути:

• Краще розуміння контексту: ReALM спеціалізується на розшифровці двозначних посилань у розмовах, потенційно суттєво покращуючи здатність Siri розуміти контекстно-залежні запити. Це дозволить користувачам взаємодіяти з Siri більш природнім чином, оскільки вона зможе зрозуміти посилання типу “програти ту пісню ще раз” або “подзвоніть їй” без додаткових деталей.
• Покращена взаємодія з екраном: З її здібністю інтерпретувати макети екрана та елементи всередині діалогів, ReALM може дозволити Siri інтегруватися більш безперешкодно з візуальним контентом пристрою. Siri зможе виконувати команди, пов’язані з елементами на екрані, такими як “відкрити додаток поруч з поштою” або “проскрутіть цю сторінку вниз”, розширюючи її корисність у різних завданнях.
• Персоналізація: Навчившись з попередніх взаємодій, ReALM може покращити здатність Siri надавати персоналізовані та адаптивні відповіді. З часом Siri може передбачати потреби та вподобання користувача, пропонуючи або ініціюючи дії на основі попередньої поведінки та контекстного розуміння, подібно до знаючого особистого асистента.
• Покращена доступність: Способність ReALM до контекстного та посилального розуміння може суттєво виграти у сфері доступності, роблячи технології більш інклюзивними. Siri, підтримувана ReALM, зможе точно інтерпретувати невизначені або часткові команди, полегшуючи легше та більш природнє використання пристроїв для людей з фізичними або візуальними порушеннями.

ReALM та стратегія штучного інтелекту Apple

Введення ReALM відображає ключовий аспект стратегії штучного інтелекту Apple, який підкреслює інтелект на пристрої. Цей розвиток узгоджується з більш широким індустріальним трендом на edge-обчислення, де дані обробляються локально на пристроях, зменшуючи затримку, зберігаючи смугу пропускання та забезпечуючи безпеку даних користувача на самому пристрої.

Проект ReALM також демонструє ширші цілі Apple у сфері штучного інтелекту, зосереджені не тільки на виконанні команд, але й на глибшому розумінні та передбаченні потреб користувача. ReALM представляє крок до майбутніх інновацій, де пристрої зможуть надавати більш персоналізовану та передбачувану підтримку, інформовану глибоким розумінням звичок та вподобань користувача.

Висновок

Розвиток Apple від Siri до ReALM підкреслює подальшу еволюцію технології голосових асистентів, зосереджену на покращенні розуміння контексту та взаємодії з користувачем. ReALM символізує зміщення у бік більш інтелектуальної, персоналізованої та приватної голосової допомоги, узгоджуючись з індустріальним трендом на edge-обчислення для покращення обробки на пристрої та безпеки.