十月一日,美国一家叫 Tavus 的公司放出一段三十八秒的短片。
画面是一场普通的视频通话。笔记本屏幕里是一位金发女士,对面坐着一位男士。男士问她:所以重点是让人以为自己在跟真人说话,对吧?
她回答:我是 AI。重点不是要瞒着这一点,而是我能足够理解你,让交流自然,做你有用的伙伴。
她叫 Vanessa,是这家公司做出来的数字人。驱动她的,是当天发布的新模型 Griffin。
*
Griffin 跟以前的数字人不太一样。
过去的做法像接力:先把你的话转成文字,交给大模型写回复,再分别生成声音和脸,每交一次棒就慢一点,也丢一点东西,比如你说话的语气、镜头里你在干什么。Griffin 把这些合成了一个模型,边听、边看、边说,每一瞬间都在决定是点头、嗯一声、开口还是等一等。它可以打断你,也能被你打断。
公司放出的演示里,它陪人玩「西蒙说」,只有对方说了「西蒙说」才跟着做动作;看一个人拧魔方,对方停下来想的时候,它就安静等着。按报道的说法,整幅画面是从一张参考照片生成的,连椅子和影子都是;声音大约十秒录音就能克隆。
*
公司给了两个数字。
一个是在英伟达的视频对话评测里,Griffin 拿到 3.83 分,满分 5 分,真人参照是 3.92 分,第二名是 2.80 分。
另一个更抢眼:五十四个人跟它视频聊了一分钟,二十六个人以为对面是真人,也就是百分之四十八。他们上一代系统,四十一个人里只有一个人这么以为。
不过科技媒体 tech-ish 把这个测试拆开看了。参加的人事先被告知,要跟「另一位参与者」聊一分钟「今年最期待什么」,聊完才被问:有没有想过对方可能不是人?然后才被告知真相。超过一半的人,整个通话里压根没往 AI 上想过。
也就是说,没人在找 AI。测试也没有对照组,不知道换成真人坐在对面,会有多少人说「是真人」。样本只有五十四个,真实比例可能在三成五到六成一之间。测试是公司自己做、自己写的,没公开论文和数据。
Griffin 现在也还没开放,只有一个精简版给少数受邀的测试者。公司说,还要先做完安全方面的工作。
*
《史记·滑稽列传》里有个优孟。
楚国宰相孙叔敖死了,家里穷到儿子要上山背柴。优孟是宫里的伶人,他穿上孙叔敖的衣冠,学他说话的神态,一学就是一年多,学到楚庄王和左右的人都分不出真假。
庄王设宴,优孟上前敬酒。庄王大吃一惊,以为孙叔敖复活了,当场要拜他做宰相。
优孟说,容我回家跟妻子商量三天。三天后他回来说:妻子说,楚国的宰相做不得。孙叔敖做宰相,尽忠廉洁,让楚王成了霸主;如今人死了,儿子连插锥子的地方都没有,只能背柴过日子。
庄王听懂了,向优孟道歉,召来孙叔敖的儿子,封了他四百户的封地。
*
两件事放在一起,有意思的地方在于:
优孟学得再像,到了该说话的时候,他是以优孟的身份开口的。他模仿一个人,是为了替那个人说一句真话。
Vanessa 在宣传片里说得也很好:我是 AI,不是要瞒你。可这款产品最拿得出手的成绩,恰恰是「将近一半的人没认出它是 AI」——而那些人,事先被告知的是对面坐着一个人。
公司设想的用途都很温暖:每个学生都有一位能察觉他听不懂的家教,一位耐心用不完的护士,一个会倾听的老人陪伴。这些地方,正是最需要对方说清楚「我是谁」的地方。
像不像真人,已经快不是问题了。问题是它什么时候、由谁来说出那句「我是 AI」。
如果有一天,家里老人每天跟屏幕里的一个人聊天,聊得很开心,你会希望那个人在第一句话就告诉他:我是 AI 吗?