記事のサマリー(TL;DR)
- スタートアップUnderdogが、独自の音声モデル「Woof」(容量32MB、31億ではなく3100万パラメータ)を使ったゲームを公開しました。
- このゲームはレトロな技術をテーマにした部屋を舞台に、タイプライターやチューナーを操作でき、キーボードで入力した文章をゲームが音声で読み上げたり、チューナーを回すことで異なる種類の音楽を生成したりできます。
- モデルはブラウザ内で動作し、Underdogによるとインターネット接続なしで多くのデバイス上で動作可能で、誰でもダウンロードできる形で公開されています。
詳細
世界的な大規模モデル開発競争とは別の方向性
世界各国のAI企業は、より大きく高性能なモデルの開発を競い合っていますが、その全てが大量の処理能力を必要とするという課題があります。一方で、一部の研究者やスタートアップは、スマートフォンやパソコンなどのエッジデバイス上で動作する、より小型のモデルの開発を進めています。
Woofを使ったデモゲームの内容
そうしたスタートアップの一つであるUnderdogは、新しい音声モデル「Woof」を使って構築したゲームを公開しました。このモデルの容量はわずか32MBです。
ゲームはレトロな技術をテーマにした部屋が舞台で、タイプライターとCRTモニターが設置されています。机の上にはデスクランプがあり、スイッチをクリックすると音が鳴ります。ゲーム冒頭では、町にいる「押しつけがましい(intrusive)」クラウドプロバイダーについて注意喚起がなされますが、これはクラウドベースのモデルに対する当てこすりとみられます。
プレイヤーはタイプライターと音楽チューナーを操作できます。キーボードで何かを入力すると、ゲームがそれを音声で読み上げます。また、チューナーを回すことで、異なる種類の音楽を生成することもできます。
これらは全て、Underdogの音声生成モデルによってブラウザ内で動作しており、同社によれば、インターネット接続なしでほとんどのデバイス上で動作可能だということです。このモデルは3100万(31 million)パラメータを持ち、誰でもダウンロードできる形で公開されています。
このような小型モデルが大規模モデルに取って代わることはおそらくないだろうとしつつも、ローカルで動作するアシスタント機能や、パーソナライズされたポッドキャストの作成を実現するには十分な可能性がある、と記事では述べられています。
過去のモデル公開との関係
今回のデモは、Underdogが数週間前に発表した、エッジデバイス上での文字起こしやディクテーション向けに設計された音声認識(speech-to-text)モデル「Bark」(容量167MB)に続くものです。
Underdogの創業者であるSigil Wen氏はTechCrunchに対し、Granolaのようなノートテイカー(議事録作成)アプリを使う代わりに、ユーザーのデバイス上で動作し、ユーザー自身がデータを所有できるAIモデルを備えた独自システムを構築したいと考えたことが、このアプリ開発のきっかけになったと語りました。
Wen氏は自身のマニフェストに触れながら、次のように述べています。「今日最も高性能なモデルのほとんどを、すでに所有しているデバイス上で数カ月以内に動かせるようになると考えています。私たちはただ、米国製で、オープンで、高性能であり、人々がプライベートなAIを持てるような、最良のオープンモデルを訓練したいだけです」
その他のモデル・アプリ展開
上記の2つの音声モデルに加え、Underdogはノートパソコン上で動作可能な270億(27-billion)パラメータのモデルも公開しています。さらに、MuseやInstinctに代わるローカルホスト型の代替手段として位置づけている、ウェイトリスト登録制のアプリも展開しています。