I co najlepsze – pierwsze testy pokazują, że poprawki wcale nie kończą się na braku opóźnień, choć z pierwotnych plotek o „wyczuwaniu emocji” ostało się coś znacznie bardziej praktycznego: genialna architektura, która pozwala maszynie słuchać i mówić w tym samym momencie.
Koniec ze sztywnym czekaniem na swoją kolej
Dotychczasowe systemy głosowe, nawet te nowsze, działały w trybie stricte turowym. Algorytm musiał cierpliwie poczekać na absolutną ciszę z naszej strony, przetworzyć informację i dopiero wtedy wygenerować odpowiedź. Wystarczyło, że na chwilę zająknęliśmy się w trakcie mówienia albo w tle przejechał głośny samochód, a system potrafił brutalnie wejść w słowo w najmniej odpowiednim momencie. Odwrotnie też tak było, nawet westchnienie było czasem traktowane przez AI jako fraza z naszej strony.
GPT-Live całkowicie burzy ten mur dzięki zastosowaniu architektury full-duplex. Bot nieprzerwanie, wiele razy na sekundę, analizuje potok dźwięków i podejmuje błyskawiczne decyzje: czy teraz powinien mówić, czy dalej słuchać, zrobić pauzę, czy może po prostu wtrącić naturalne „mhmm” lub „rozumiem”, żebyśmy wiedzieli, że nadąża za wątkiem. Efekt? Możemy mu bezkarnie przerywać w pół zdania, zadawać dodatkowe pytania, a jeśli poprosimy, by na chwilę zamilkł i dał nam pomyśleć – posłusznie poczeka, odfiltrowując przy tym hałasy otoczenia. To faktycznie działa, zostawiłam go włączonego z serialem i wcześniej już by odpowiadał na to, co słyszy, teraz milczy, dopóki nie zwrócę się do niego bezpośrednio.
Do dyspozycji dostajemy aż dziewięć odświeżonych, znacznie bardziej naturalnych barw głosu, a aplikacja potrafi teraz wyświetlać na ekranie szybkie karty wizualne (np. z pogodą czy wynikami sportowymi), jeśli dana odpowiedź wymaga zilustrowania, by uzyskiwanie informacji przebiegało płynniej, bez przełączania się pomiędzy różnymi trybami.
Potężny mózg ukryty w tle
Największy majstersztyk inżynieryjny kryje się jednak w sposobie, w jaki system radzi sobie z trudnymi zadaniami. OpenAI sprytnie oddzieliło warstwę samej konwersacji od ciężkich operacji myślowych. Gdy podczas luźnej rozmowy poprosimy ChatGPT o rozwiązanie skomplikowanego zadania fizycznego, głębokie rozumowanie naukowe czy przeszukanie zakamarków internetu, GPT-Live deleguje te procesy w tle do najnowszego, pionierskiego modelu GPT-5.5. Co to tak naprawdę oznacza dla nas?
Bot nie zawiesza się na kilkanaście sekund w oczekiwaniu na wynik. Może dalej płynnie żartować i podtrzymywać pogawędkę, a gdy model pomocniczy skończy “myśleć” w tle, asystent bezszelestnie wplecie gotowe wnioski do rozmowy. Użytkownicy mogą zresztą sami wybrać w menu pożądany poziom rozumowania: od błyskawicznego do zaawansowanego. W testach kompetencyjnych (takich jak GPQA czy BrowseComp) nowy tryb dosłownie zmiażdżył starsze rozwiązania, wykazując niesamowite postępy w wyszukiwaniu trudno dostępnych informacji.
A co, gdy rozmowa stanie się bardziej prywatna?
Dobrze wiemy, że sporo użytkowników rozmawia z ChatGPT na różne tematy, również te bardzo osobiste. Rozmowa głosowa, zwłaszcza tak naturalnie brzmiąca, może z kolei dawać niebezpieczną iluzję, że naprawdę po drugiej stronie naprawdę jest człowiek. Dlatego OpenAI zdecydowało się rozszerzyć testy, również na sytuacje typowo ludzkie – kontrolowano m.in. ryzyko budowania zbyt silnych zależności emocjonalnych użytkowników względem AI czy próby manipulacji. System został wyposażony we wbudowane bezpieczniki: gdy wykryje, że rozmowa zmierza w niebezpiecznym kierunku, potrafi płynnie zmienić temat, zaoferować kontakt do infolinii kryzysowych, a w ostateczności – po prostu kulturalnie zakończyć połączenie. Co ważne, zaimplementowano też solidną kontrolę rodzicielską dla nastolatków, a sam model ma surowy zakaz naśladowania głosów prawdziwych, żyjących osób.
Bardzo się cieszę, że gigant podszedł do tego właśnie w ten sposób. Samotność to choroba cywilizacyjna, dotykająca coraz więcej osób. Nic więc dziwnego, że gdy obok nie ma drugiego człowieka, niektórzy sięgają po AI. Dobrze więc, że sztuczna inteligencja zaczyna mieć ograniczenia, by nie podtrzymywać tej bańki i nie wciągać nas w emocjonalne relacje, bo takowe mogą prowadzić jedynie do uzależnienia i w dłuższej perspektywie głębszego osamotnienia. Nie ważne, jak realistycznie brzmią rozmowy z botem, nigdy nie zastąpi on kontaktów z drugim człowiekiem.
Nowy standard dostępny dla każdego
Wdrożenie GPT-Live ruszyło na całym świecie i obejmuje aplikacje na iOS, Androida oraz wersję przeglądarkową. Najlepsza wiadomość jest taka, że OpenAI nie zamknęło nowości wyłącznie za paywallem, jak można było się spodziewać. Flagowy, najpotężniejszy model GPT-Live-1 staje się od teraz domyślnym standardem dla użytkowników płatnych planów Plus, Team i Pro. Z kolei osoby korzystające z całkowicie darmowej wersji otrzymają dostęp do jego mniejszego, ale wciąż niezwykle sprytnego brata – GPT-Live-1 mini.
Na ten moment nowa funkcja nie obsługuje jeszcze analizy wideo i udostępniania ekranu w czasie rzeczywistym (do tego na razie musimy włączać starsze tryby), a w niektórych mniej popularnych językach bot może początkowo mówić z lekko obcym akcentem, ale twórcy intensywnie pracują nad łatkami i te zapewne wkrótce się pojawią.
Tak czy inaczej, interakcje z ChatGPT przestają już sprowadzać się do wydawania komend i tur rodem z gier strategicznych. Bez względu na to, czy wykorzystacie nowego asystenta do szlifowania języków obcych w drodze do pracy, opowiadania dzieciom bajek na dobranoc bez dotykania klawiatury, czy po prostu do przegadania trudnego dnia – GPT-Live daje niesamowitą autonomię i swobodę. Warto jednak podchodzić do tego z rozsądkiem. AI może brzmieć jak człowiek, ale po drugiej stronie ekranu wciąż jest tylko algorytm, coraz lepszy, ale nadal algorytm.
Źródło: OpenAI
