Słyszałem, jak Alexa śpiewała na swoim pogrzebie...

Siedzę w salonie. Leniwe sierpniowe popołudnie, a z głośnika Amazon Echo Dot leci playlista ze Spotify. I wtedy, między jednym a drugim utworem… Z głośnika, który jest domem Alexy, dobiega reklama. Delikatny głos opowiada o niesamowitych możliwościach… Gemini od Google.

Zamarłem. To tak, jakby koń pociągowy zachwalał zalety silnika spalinowego. Trochę jak usłyszeć nekrolog kogoś, kto wciąż stoi obok i oddycha. Epoka prostych asystentów głosowych właśnie umierała, a jej schyłek zaanonsował jej największy rywal, korzystając z jej własnego głosu.

Opowiem Wam historię o dojrzewaniu, niespełnionych obietnicach i rewolucji, która nadeszła z zupełnie niespodziewanej strony.

Wiek Niewinności

W 2016 roku narodził się Asystent Google. Miał potencjał, ale jego świat był czarno-biały. Potrafił powiedzieć jaka jest pogoda, nastawić budzik, odpowiedzieć na proste pytanie z Wikipedii. Był posłuszny, ale nie rozumiał niuansów. Swoją drogą - przy całym moim entuzjazmie do głośników - poprzestałem na tych trzech funkcjach.

Alexa Amazonu nie była może super inteligentna, ale jej strategia była genialna. Zamieszkała w naszych domach. Wraz z milionami urządzeń zainstalowanych w większości w amerykańskich domach - wybuchła “gorączka złota” aplikacji głosowych. Deweloperzy rzucili się do tworzenia “skilli” dla Alexy i “akcji” dla Asystenta. Symbolem tego Eldorado stała się historia “Question of the Day”, która została sprzedana firmie Volley za miliony dolarów. Prosty quiz stał się kurą znoszącą złote jaja…

A my w Polsce? Nie pozostawaliśmy bierni. Zainspirowani tym sukcesem, razem z Michal Stanislawek podjęliśmy próbę na naszym podwórku. Odpaliliśmy “Pytanie Dnia”, które bardzo szybko stało się najpopularniejszą aplikacją głosową w Polsce na Asystenta Google. Byliśmy tak pewni nadchodzącego boomu, że wspólnie z wydawnictwem Helion wydaliśmy polskie tłumaczenie - książki Cathy Pearl “Projektowanie interfejsów głosowych”. Odliczaliśmy dni, kiedy klawiatury, które znamy wylądują na śmietniku.

Michał pamięta ten czas następująco: “Obiecywali nam asystentów głosowych jak z filmów sci-fi. ‘Po prostu mów naturalnie’ słyszeliśmy od Alexy, Google Assistanta, czy Siri. ‘To będzie rewolucja,’ mówili. Ale już przy pierwszych próbach te obietnice wpadły w czarną dziurę rzeczywistości, gdzie jedyną odpowiedzią było to kultowe: ‘Sorry, I don’t know that one.’ Oczekiwania vs rzeczywistość były dla przeciętnego użytkownika jak zderzenie z pociągiem. Efekt? Nasze ‘inteligentne’ głośniki zamieniły się w designerskie łapacze kurzu.”

Niestety, zamiast głośnej rewolucji, nadeszła Wielka Cisza. Okazało się, że o ile input głosowy to bajka, tak output to tragedia.

Burza po ciszy

Gdy wydawało się, że rozwój asystentów utknął w martwym punkcie na scenę wkroczyły modele językowe. Jeśli stary Asystent miał do dyspozycji “rozmówki”, to LLM przeczytał całą bibliotekę. Przeskoczyliśmy od dopasowywania wzorców do generowania myśli.

W siedzibie Google musiała wybuchnąć panika. Ich Asystent wyglądał jak parowóz przy odrzutowcu. Pamietam jak Marcin Sawicki mówił swoim spokojnym, telewizyjnym głosem - “…poczekajcie. Zobaczycie, co będzie się działo w Google, jak to wszystko zepną…”

Metamorfoza - narodziny bogini

Google wyrzuciło stary, oparty na sztywnych regułach silnik Asystenta i w jego miejsce wstawiło kreatywny i kontekstowy umysł. Narodziła się Gemini. Różnica jest fundamentalna.

Stary Asystent: Ty: “Jaka jest pogoda?” On: “22 stopnie, słońce.”

Gemini: Ty: “Wygląda na to, że będzie ładna pogoda. Myślałem o wycieczce rowerowej, ale nie mam pomysłu gdzie. Co byś mi doradziła?” Ona/Ono: W Warszawie i okolicach jest wiele malowniczych tras, które idealnie nadają się na weekendową przejażdżkę. Oto kilka propozycji… Wzdłuż Wisły, Kampinoski Park Narodowy, nad Zalew Zegrzyński - podając ciekawostki na temat każdej z tras..

A juz za chwilę może być tak… “Faktycznie, zapowiada się idealny dzień! Biorąc pod uwagę, że ostatnio szukałeś informacji o Puszczy Kampinoskiej, a Twoja ostatnia zapisana trasa miała 30 km, proponuję malowniczą pętlę przez Izabelin. Mogę od razu wyznaczyć trasę w Mapach, omijając ruchliwe drogi, i przygotować energetyczną playlistę na Spotify. Chcesz, żebym sprawdziła też, czy po drodze są jakieś kawiarnie z dobrymi opiniami?”

Piękne imię, piękne wnętrze

Gemini. Po łacinie oznacza “bliźnięta” i łączy dwa światy. Z jednej strony - rozumie logikę, kod, strukturę danych, potrafi analizować i porządkować informacje. Z drugiej - potrafi tworzyć poezję, pisać scenariusze, rozumieć ludzkie emocje i generować obrazy i video. Jest multimodalna, zatem płynnie przechodzi między światem tekstu, obrazu, dźwięku i kodu.

W jakim świecie się obudziliśmy?

Wróćmy do mojego salonu. Stara gwardia asystentów walczyła o dominację w naszych salonach. Umarła. Nowa generacja walczy o coś znacznie cenniejszego - o status systemu operacyjnego naszego życia.

Alexa… Play Stacy Kent. (po co się tym wszystkim denerwować).

Post Mortem. Posłuchajcie sobie ostatniego odcinka The Hardfork - świetna stypa po Alexie+.

Takie rozmowy prowadzę też ze sceny.

Scena Napisz do mnie