تم تدريب Dessa من Block على الكلام وحده — إليك ما لا تثبته العروض التوضيحية

نشرت Block أكثر من اثني عشر تسجيلًا لمحادثات، ولم تنشر رقمًا واحدًا من نتائج الاختبارات المرجعية. هذه النسبة هي أكثر ما يخبرنا عن Dessa، نموذج الكلام ثنائي الاتجاه الكامل الذي أعلنت عنه شركة جاك دورسي في 23 أكتوبر 2026. دُرِّب Dessa من الصفر على محادثات بشرية، دون نص ودون نماذج مدربة مسبقًا، وهو يفعل شيئًا غير معتاد حقًا: يستمع ويتحدث في الوقت نفسه، صوتًا داخلًا وصوتًا خارجًا، دون خطوة نسخ في المنتصف. وهو أيضًا، اعتبارًا من وقت كتابة هذا النص، معاينة بحثية خلف قائمة انتظار، بلا عدد معلمات، ولا API، ولا سعر، ولا أوزان، ولا تقييم منشور. العروض التوضيحية هي قاعدة الأدلة العامة بأكملها.

هذا لا يجعل الإعلان خاويًا. فنموذج كلامي يتعلّم اللغة دون مدونة نصية يهاجم افتراضًا كفّ معظم القطاع عن التشكيك فيه — وهو أن النص هو المكان الذي تعيش فيه المعرفة، وأن الكلام مجرد واجهة رقيقة فوقها. لكن الفجوة بين «العروض التوضيحية مذهلة» و«نحن نعرف ما يستطيع هذا النموذج فعله» واسعة، وصفحة Block نفسها أكثر صراحةً بشأن هذه الفجوة من معظم منشورات الإطلاق. الجملة التي تحمل أكبر ثقل لا تتجاوز أربع كلمات: «على حد ما نعلم».

ما الذي وضعته Block فعليًا على الصفحة

إذا جرّدنا النص من الصفات، فإن السجل المؤكد قصير. كل ما يلي مستمد من إعلان Block نفسه أو من تصريحات الشركة العلنية؛ ولم يُتحقق من أي شيء هنا بشكل مستقل.

• الإصدار — أُعلن عنه في 23 أكتوبر 2026 كمعاينة بحثية، وليس كمنتج متاح للعموم.

• الشكل — من الكلام إلى الكلام من الطرف إلى الطرف: إدخال صوتي، إخراج صوتي، ازدواجية كاملة، دون وسيط نصي.

• التدريب — من الصفر على المحادثات البشرية فقط. تقول Block إنه لم تُستخدم أي بيانات نصية ولا أي نماذج مدرَّبة مسبقًا.

• الحوسبة — أُجري التدريب على رفّ واحد من NVIDIA GB200 NVL72، وفقًا للشركة.

• الاستدلال المحلي — تدّعي Block أنه يعمل أسرع من الزمن الفعلي على جهاز MacBook Pro M4 Max "أو أفضل".

• الوصول — وصول مبكر لـ"مجموعة صغيرة من باحثي سلامة الذكاء الاصطناعي" الذين يتقدمون ببريد إلكتروني مؤسسي، إضافة إلى قائمة انتظار عامة. وتقول الصفحة إن روابط الإطلاق ستتوفر قريبًا.

• مفقود — عدد المعاملات، وطول السياق، وحجم مجموعة البيانات أو ساعات الصوت، ومدة التدريب، وزمن الاستجابة بالمللي ثانية، ودرجات المعايير المرجعية، والترخيص، والسعر، والأوزان، وأي وثائق لواجهة برمجة التطبيقات.

الفريق عبارة عن مجموعة بحثية صغيرة داخل Block يقودها Ragavan Thurairatnam، وتشكّل حول أعضاء سابقين من شركة Dessa الناشئة في تورونتو التي استحوذت عليها Block في 2020، وهو يرفع تقاريره مباشرة إلى Dorsey. هذا النسب مهم لفهم الإعلان: فهذا مختبر له تاريخ يمتد ثماني سنوات في توليد الكلام، وليس شركة مدفوعات تضيف عرضًا تجريبيًا إلى خارطة طريق منتج. كما يفسر لماذا يبدو الإصدار وكأنه أثر بحثي لا إطلاق منتج — لأنه كذلك بالفعل.

إنّ الازدواج الكامل (Full-duplex) هو الجزء الذي يستحق الفهم.

تعمل معظم المساعدات الصوتية مثل جهاز اتصال لاسلكي. ينتظر النظام حتى تتوقف، ويقرر أنك انتهيت، ثم يفرّغ الكلام نصًا، ويفكر، ويصنّع ردًا، ويشغّله. كل حد من هذه الحدود مسموع. تتعلم أن تنتظر صوت الصفير، بينما لا يتعلم النموذج شيئًا من نصف الثانية التي كنت على وشك الكلام فيها ثم غيّرت رأيك.

«Full-duplex» هو نموذج المكالمة الهاتفية. يستمع النموذج بينما يتحدث، لذا يمكن مقاطعته في منتصف الجملة، ويمكنه أن يقاطع بقول «أجل» أو «فهمت» أثناء حديثك، ويمكنه ضبط توقيته ليتوافق مع توقيتك. تعتمد عروض Block التجريبية على ذلك اعتمادًا كبيرًا: تضحك Dessa في منتصف جملتها، وترفع مستوى صوتها عند الطلب، وتكمل عنوان فيلم نسيه المتحدث، وتشهق عند الكشف عن ذكرى سنوية. وصفت The Verge، التي استمعت إلى المقاطع نفسها، المحادثات بأنها «غريبة بعض الشيء ومقلقة» وأشارت إلى واحدة حيث تنادي Dessa شريك محادثتها باسم «Ronaldo».

يمكن أن يكون كلا ردّي الفعل صحيحًا. فالازدواج الكامل خاصية تفاعل، لا خاصية ذكاء. يمكن أن يتمتع نموذج بتناوب مثالي في الأدوار ولا يكون لديه ما يقوله مثير للاهتمام، أو أن يقدّم إجابة رائعة بتوقيت آلة فاكس. ما تُثبته العروض التوضيحية هو أن Block بنت شيئًا يتصرف كأنه مشارك. وما لا يمكنها إثباته هو عدد المرات التي يتصرف فيها بهذه الطريقة عندما لا يكون أحد يختار المقطع.

ما الذي يوفره التدريب على الكلام وحده، وما تكلفته

حجة التدريب على الكلام وحده هي أن النص يُهدر تقريبًا كل ما يحمله الحوار. فالنص المكتوب لكلمة "بخير" هو كلمة واحدة. أما الصوت فهو تنهيدة، ووقفة، وانخفاض في النبرة، وقرار بشأن ما إذا كان ينبغي السؤال مرة أخرى. ومن هذا ينبع دافع السلامة المعلن لدى Block: فالنظام الصوتي الذي لا يستطيع سماع الضيق أصمّ عن الإشارة التي تهم تحديدًا في مكالمة دعم أو خط أزمات.

التكلفة هيكلية بالقدر نفسه. تستمد النماذج اللغوية الكبيرة تغطيتها الواقعية، وشيفرتها، ومخرجاتها المهيكلة، واستدعاءها للأدوات من النص. النموذج المدرَّب على الكلام فقط ليس لديه واجهة أصلية لملف PDF، أو مخطط JSON، أو استدعاء API. وتعترف Block بالأسئلة المفتوحة على صفحتها الخاصة: ما مدى كفاءة تعلُّم نموذج كلامي فقط للحقائق واللغات مقارنةً بنموذج نصي، وما إذا كان التعلُّم داخل السياق يبقى قائمًا دون تدريب مسبق على النص. هذه ليست هوامش. إنها الفرق بين وكيل محادثة مقنع ومساعد عام الأغراض.

هناك موقف دفاعيّ في المنتصف: لا يحتاج النموذج الأصيل للكلام إلى قراءة جدول البيانات你的 إذا كان مقترنًا بشيء يفعل ذلك. لكن هذه حجة معمارية لم يقدّمها Block بعد، والمعاينة الحالية لا تكشف عن أي واجهة يمكن أن يحدث من خلالها هذا الاقتران.

قاعدة الأدلة هي شريط عرض تجريبي مُنسّق.

تقول Block إن المقاطع تسجيلات حية، وإن لا أحد يوجّه النموذج، وإن الترجمة النصية أُضيفت لاحقًا. هذه ممارسات جيدة، وهي تستبعد أخشن أشكال الاحتيال في العروض التوضيحية. لكنها لا تستبعد الانتقائية. فالفريق الذي يسجل محادثات كثيرة وينشر أفضلها قد أخبرك بأن محادثات جيدة موجودة، وهذا ليس الادعاء نفسه بأن "هذا النموذج موثوق".

ما تحتاجه عملية تقييم مستقلة أمر محدد، ويستحق تدوينه الآن حتى يمكن قياس الإعلان التالي عليه:

• مجموعة محادثات محجوزة للتقييم مع مطالبات منشورة، وليست مقتطفات مختارة.

• زمن استجابة يُقاس من البداية إلى النهاية، بما في ذلك الوقت المستغرق حتى أول تفاعل مسموع، وليس مجرد "أسرع من الزمن الفعلي".

• استعادة بعد الانقطاع: مدى تكرار فقدان النموذج لتسلسل الحديث بعد انقطاعه، ومدى سرعة عودته إليه.

• الوضوح وسط الضوضاء، وهو أول ما تفشل فيه أنظمة الكلام عادةً.

• ميزانية معلنة للحوسبة والبيانات، حتى يمكن التحقق من ادعاء "كلمات أقل بمئات المرات" في مقابل شيء ما.

• قدرٌ من الاحتفاظ بالوقائع، لأن ذلك هو المقايضة الصريحة مقابل إسقاط النص.

لا شيء من هذه موجود بعد. هذا أمر طبيعي بالنسبة لمعاينة، وغير طبيعي بالنسبة لإطلاق، ولهذا فإن التسمية الصحيحة لـ Dessa اليوم هي "نتيجة بحثية بصفحة عرض تجريبية جيدة على نحو غير معتاد".

الادعاء المتعلق بالعتاد هو الادعاء الهادئ

يوجد على الصفحة رقمان متعلقان بالعتاد، ولم يُتحقّق من أيٍّ منهما. الأول هو أن التدريب استخدم وحدة GB200 NVL72 واحدة — رفّ واحد يضم 72 وحدة معالجة رسومية من Blackwell. وإن صحّ ذلك، فهو ادّعاء لافت بشأن كفاءة البيانات: نموذج قادر على إدارة محادثة، دُرِّب على رفّ واحد، في مجال تُدرَّب فيه نماذج النصوص المتقدمة على عشرات الآلاف من المسرّعات. وهو أيضًا من نوع الادّعاءات التي تعتمد كليًا على الحجم: رفّ واحد ولأي مدة، وعلى كم ساعة من الصوت، وبكم من المعاملات؟

الثاني هو أن الاستدلال يعمل أسرع من الزمن الفعلي على MacBook Pro M4 Max. يمتلك الطراز الأعلى من M4 Max ذاكرة موحدة سعتها 128 غيغابايت، لذا فإن نموذجًا يتسع لها بارتياح ليس ضخمًا بالمعايير الحديثة. ذلك استنتاج، وليس إفصاحًا. لم تنشر Block الحجم أو التكميم أو البصمة الذاكرية أو رقم الرموز في الثانية، لذا لا يمكن إعادة إنتاج ادعاء الحاسوب المحمول، بل تكراره فقط.

هذا هو الموضع الذي ينبغي أن يشعر فيه القارئ التقني بالغياب بأشدّ حدة. فكل ما يتصل بعملية النموذج — التكلفة لكل محادثة، وما إذا كان يمكن تشغيله على هاتف، وما إذا كان يمكن أن يكون أي API رخيصًا يومًا ما — ينبع من رقم اختارت Block عدم نشره.

لماذا يكون الوصول مقيّدًا، ولماذا يهم ذلك للتقييم

الأسباب التي أعلنتها Block لبناء Dessa هي الفضول، وفهم أفضل للتفاعل بين الإنسان والذكاء الاصطناعي، والسلامة. وتتوافق البوابة مع السبب الثالث: فالصوت الذي يقرأ المشاعر ويتحادث بشكل مقنع هو أداة جاهزة لانتحال الشخصية، وأسرع طريقة لتجنب عنوان سيئ في الأخبار هي إبقاؤه في غرفة صغيرة.

المقايضة هي أن الوصول المقيّد والتقييم المستقل يدفعان في اتجاهين متعاكسين. وقد تنتج مجموعة صغيرة من باحثي السلامة أكثر نتائج اختبار الفريق الأحمر فائدة، لكن تلك النتائج ستصل وفق الجدول الزمني الخاص بـ Block، وفي معظم الحالات تحت مراجعة Block. وإلى أن تنشر مجموعة خارجية أرقامًا، فإن السجل العام يتكوّن من مقاطع البائع إضافة إلى انطباعات الصحفيين عن مقاطع البائع. وهذا أساس ضعيف لعبارة "تتجاوز أي شيء آخر في التعبير العاطفي"، وهي ادعاء بشأن مقارنة لم يُجرِها أحد.

ما الذي سيحوّل هذا إلى منتج؟

أربعة أشياء، بترتيب تقريبي للأهمية. ملف سعر أو ملف أوزان، لأن أيًّا منهما يخبرك مَن يمكنه استخدامه. واجهة برمجة تطبيقات أو مجموعة أدوات تطوير برمجيات، لأن نموذجًا لا يمكنك استدعاؤه هو مجرد ورقة. معيار تقييم أو تقييم مستقل، لأن «الأكثر أصالة» ليس مقياسًا. ورقم زمن استجابة بالمللي ثانية، لأن القيمة الكاملة للاتصال ثنائي الاتجاه الكامل تكمن في التوقيت، والتوقيت هو الشيء الوحيد الذي لا يستطيع مقطع فيديو إيصاله.

أيٌّ من هذه من شأنه أن يغيّر طريقة قراءة هذا المقال. أما الأربعة جميعًا فمن شأنها أن تجعله إطلاقًا.

إذا كنت بحاجة إلى وكيل صوتي قبل ذلك الحين

لا يزال المكدس العملي لوكيل صوتي إنتاجي هو التعرف على الكلام، ثم نموذج لغوي، ثم تركيب الكلام. كل قفزة تضيف زمن استجابة، وكل مورّد عقد منفصل. OrcaRouter هو الطبقة الوسطى: واجهة API واحدة أمام أكثر من 200 نموذج، بهامش ربح 0% — يُمرَّر سعر قائمة المزوّد كما هو — وتجاوز فشل تلقائي عبر المزوّدين، ولغة DSL للتوجيه قادرة على تركيب عدة نماذج في استدعاء واحد، ودمج النماذج عندما تريد فريقًا من النماذج يجيب معًا. هذا لا يحوّل جهاز اللاسلكي إلى مكالمة هاتفية؛ بل يزيل تكاملًا واحدًا من السلسلة بينما تنضج نماذج الاتصال ثنائي الاتجاه.

لنكون صريحين بشأن ما لا نملكه: Dessa ليس ضمن كتالوج OrcaRouter، ولا ينبغي قراءة أي شيء في هذا المقال على أنه عرض لتقديمه. عندما تُطلق Block واجهة برمجة تطبيقات (API)، فإن طبقة التوجيه هي المكان الذي يستحق فيه نموذج كهذا المقارنة من حيث السعر لكل دقيقة محادثة بدلاً من السعر لكل توكن.

ماذا تشاهد

الادعاء الجدير بأن يُؤخذ بجدية ليس "الأول". بل إن اللغة قد تكون قابلة للتعلّم من الكلام ببيانات أقل بمئات المرات، وأن النموذج الناتج قد يفهم محادثةً على نحو لا تستطيعه أي نسخة مكتوبة. إذا نشرت Block ورقة تتضمن ميزانية البيانات، وعدد المعلمات، وتقييماً على بيانات محجوزة، يصبح ذلك الادعاء قابلاً للاختبار. وإذا كان الإعلان التالي مجموعة أخرى من المقاطع، فسيظل السؤال المثير مفتوحاً — وستظل قائمة الانتظار هي الباب الوحيد.