استارتاپ Lemon Slice با معرفی مدل های دیفیوژن جدید به دنبال خلق آواتار واقعی هوش مصنوعی است که بتواند به صورت زنده و تعاملی با کاربران ارتباط برقرار کرده و محدودیت های چت بات های متنی را از بین ببرد.
توسعه دهنده ها و شرکت ها روزبه روز بیشتر از قبل دارن ایجنت های هوش مصنوعی و چت بات ها رو توی برنامه هاشون پیاده سازی می کنن، اما تا الان این موارد بیشتر محدود به متن بوده. شرکت Lemon Slice که در زمینه تولید آواتارهای دیجیتال فعالیت می کنه، داره تلاش می کنه با یه مدل دیفیوژن (انتشار) جدید، یه لایه ویدئویی به این چت ها اضافه کنه که می تونه فقط با یه تصویر، آواتار واقعی هوش مصنوعی بسازه.
این مدل که اسمش Lemon Slice-2 هست، می تونه یک آواتار واقعی هوش مصنوعی بسازه که بر پایه یه پایگاه دانش کار می کنه تا هر نقشی که از اون ایجنت هوش مصنوعی انتظار می ره رو ایفا کنه؛ مثلا پاسخگویی به سوالات مشتری ها، کمک در انجام تکالیف درسی یا حتی فعالیت به عنوان یه ایجنت حمایتی سلامت روان.
آواتار واقعی هوش مصنوعی؛ فراتر از متن و تصویر
«لینا کولوچی»، یکی از بنیان گذارهای این شرکت، می گه: «توی روزهای اول هوش مصنوعی مولد (GenAI)، هم بنیان گذارهای من شروع کردن به کار با مدل های ویدئویی مختلف و برامون روشن شد که ویدئو قراره تعاملی بشه. جذابیت ابزارهایی مثل ChatGPT و چت بات های هوش مصنوعی کاربردی توی تعاملی بودنشون بود و ما هم می خواستیم ویدئو همین لایه رو داشته باشه.»
شرکت Lemon Slice می گه این مدل 20 میلیارد پارامتر داره و می تونه روی یه پردازنده گرافیکی (GPU) تکی، ویدئوها رو با سرعت 20 فریم در ثانیه به صورت زنده پخش کنه. این شرکت مدل خودش رو از طریق یه API و یه ویجت قابل نصب ارائه می ده که شرکت ها می تونن با یه خط کد ساده، اون رو توی سایت های خودشون قرار بدن. بعد از اینکه آواتار واقعی هوش مصنوعی ساخته شد، شما می تونید پس زمینه، استایل و ظاهر کاراکتر رو در هر لحظه تغییر بدید.
علاوه بر آواتارهای شبیه به انسان، این شرکت تمرکزش رو روی ساخت کاراکترهای غیرانسانی هم گذاشته تا نیازهای مختلف رو برطرف کنه. این استارتاپ برای تولید صدای این آواتارها از تکنولوژی ElevenLabs استفاده می کنه.
شرکت Lemon Slice که توسط «لینا کولوچی»، «سیدنی پریماس» و «اندرو ویتز» در سال 1402 (2024 میلادی) تاسیس شده، شرط بسته که استفاده از مدل دیفیوژن اختصاصی خودش (یه نوع مدل مولد که یاد می گیره از داده های آموزشی نویزدار به عقب برگرده تا داده های جدید بسازه) برای ساخت آواتار واقعی هوش مصنوعی، اون رو از بقیه رقبا متمایز می کنه.
کولوچی می گه: «راهکارهای فعلی آواتار که من تا حالا دیدم، ارزش منفی به محصول اضافه می کنن. اونا ترسناک و خشک هستن. برای چند ثانیه خوب به نظر می رسن، اما به محض اینکه باهاشون تعامل برقرار می کنید، حس خیلی عجیب و غریبی (Uncanny) منتقل می کنن و به آدم حس راحتی نمی دن. چیزی که جلوی همه گیر شدن آواتارها رو گرفته، اینه که تا الان به اندازه کافی خوب نبودن.»
برای تامین هزینه های این هدف، شرکت روز سه شنبه اعلام کرد که 10.5 میلیون دلار سرمایه اولیه (Seed funding) از Matrix Partners، Y Combinator، «آرش فردوسی» مدیر فنی Dropbox، «امت شیر» مدیرعامل Twitch و گروه The Chainsmokers جذب کرده.
این شرکت می گه چارچوب های امنیتی لازم رو برای جلوگیری از شبیه سازی غیرمجاز چهره یا صدا در نظر گرفته و از مدل های زبانی بزرگ برای نظارت بر محتوا استفاده می کنه.
شرکت Lemon Slice اسم سازمان هایی که از تکنولوژی ش استفاده می کنن رو فاش نکرد، اما گفت که این مدل برای مواردی مثل آموزش، یادگیری زبان، تجارت الکترونیک و آموزش های شرکتی به کار گرفته می شه.
چالش ها و آینده آواتار واقعی هوش مصنوعی
این استارتاپ با رقابت شدیدی از طرف شرکت های تولید ویدئو مثل D-ID، HeyGen و Synthesia و همچنین بقیه سازنده های آواتار واقعی هوش مصنوعی مثل Genies، Soul Machine، Praktika و AvatarOS روبروئه.
«ایلیا سوخار»، یکی از شرکای Matrix، فکر می کنه که آواتارها توی بخش هایی که ویدئو نقش پررنگی داره، خیلی مفید خواهند بود. مثلا مردم یادگیری از یوتیوب رو به خوندن متن های طولانی ترجیح می دن. اون اشاره کرد که توانایی فنی و تخصص Lemon Slice بهش برتری نسبت به بقیه استارتاپ ها می ده.
اون می گه: «این یه تیم کاملا فنی با سابقه درخشان در ارائه محصولات یادگیری ماشین (ML) هست، نه فقط دموها و تحقیقات. خیلی از بازیگرهای دیگه این حوزه فقط برای سناریوها یا حوزه های خاص کار می کنن، اما Lemon Slice داره از رویکرد تعمیم یافته “درس تلخ” (Bitter Lesson) برای مقیاس پذیری (داده ها و محاسبات) استفاده می کنه که توی بقیه شاخه های هوش مصنوعی هم جواب داده.»
«جرد فریدمن» از Y Combinator معتقده که استفاده از مدل سبک دیفیوژن به Lemon Slice اجازه می ده هر نوع آواتار واقعی هوش مصنوعی بسازه، برخلاف بعضی استارتاپ های دیگه که فقط روی آواتارهای شبیه انسان یا کاراکترهای بازی تمرکز دارن.
اون می گه: «من فکر می کنم Lemon Slice تنها شرکتیه که رویکرد بنیادی یادگیری ماشین رو در پیش گرفته که می تونه در نهایت بر مشکل “دره وهمی” (Uncanny Valley) غلبه کنه و آزمون تورینگ آواتار واقعی هوش مصنوعی رو پشت سر بگذاره. اونا همون نوع مدلی رو آموزش می دن که Veo3 یا Sora دارن: یه ترنسفورمر دیفیوژن ویدئویی.
چون این یه مدل چندمنظوره است که تمام کارها رو از اول تا آخر (End-to-end) انجام می ده، محدودیتی برای اینکه چقدر می تونه خوب بشه نداره؛ در حالی که بقیه مدل ها قبل از رسیدن به واقع گرایی کامل (Photorealistic) متوقف می شن. همچنین این مدل هم برای چهره های انسانی و هم غیرانسانی کاربرد داره و فقط با یه تصویر می تونه یک آواتار واقعی هوش مصنوعی با چهره جدیدی اضافه کنه.»
این استارتاپ در حال حاضر هشت کارمند داره و قصد داره از سرمایه جذب شده برای استخدام نیروهای مهندسی و تیم فروش (Go-to-market) و همچنین پرداخت هزینه های پردازشی برای آموزش مدل هاش استفاده کنه.
تلاش های شرکت هایی مانند Lemon Slice نشان دهنده مسیری است که در آن مرز بین انسان و ماشین در دنیای دیجیتال کم رنگ تر می شود. با رفع چالش های فنی و بهبود واقع گرایی، این آواتارها می توانند در آینده ای نزدیک به بخش جدایی ناپذیری از خدمات مشتریان، آموزش و حتی سرگرمی تبدیل شوند و شیوه تعامل ما با اینترنت را به کلی دگرگون کنند.
Lemon Slice nabs $10.5M from YC and Matrix to build out its digital avatar tech
