Thinking Machinesが対話モデル発表：ターン制を廃止し、200ms単位でリアルタイム協調

最近のAI音声アシスタントを使っていて、少し息を吸って言葉に詰まっただけで勝手に話を遮られたり、AIが延々と喋り続けるのを止めるために画面を慌ててタップしたりした経験はないでしょうか。

現在の大手AIモデルは、基本的にシングルスレッドで動いています。人間が話し終えるまでAIは状況を把握できず、AIが回答を出力している間は周囲の知覚が止まります。まるでトランシーバーで交互に連絡を取り合っているような状態です。元OpenAI最高技術責任者のミラ・ムラティ氏が昨年立ち上げたThinking Machines Labは、この根本的な対話の仕組みを覆そうとしています。

同社は5月11日、外部の制御ツールに頼らず、モデル自体がリアルタイムに対話を処理するインタラクションモデルの研究プレビューを発表しました。

外付けの仕組みを捨て、200ミリ秒のマイクロターンで対話する

これまでの商用音声AIは、発話検知などの外部コンポーネントを外付けして、あたかもリアルタイムで会話しているように見せかけていました。

Thinking Machinesは、モデルそのものに対話処理を組み込みました。入力と出力を200ミリ秒というごく短い時間枠に細かく分割し、音声や映像、テキストを連続的なストリームとして同時に処理する設計を採用しています。

これにより、ユーザーが考え中なのか、言葉を言い直しているのか、あるいはAIに発言を促しているのかをモデル自身が文脈から直接把握できるようになります。コードの誤りを指摘するために途中で割り込んだり、相手の声を聞きながら同時に発話してリアルタイム通訳を行ったりすることも可能です。

さらに、瞬時の応答と高度な推論を両立させるため、デュアル構成をとっています。前面では時間感覚を持つインタラクションモデルが待機して会話を途切れさせず、裏側では非同期で動くバックグラウンドモデルが検索やツール実行、画面生成などの重い処理を担当します。同社によると、小型モデルのTML-Interaction-Smallの応答時間は約0.40秒とされ、人間同士の自然な会話速度に匹敵し、OpenAIやGoogleの既存モデルを上回る速さだといいます。

なぜ重要か

私たちは、今回の試みが現在のAI開発が置き去りにしてきた最大の盲点を突いていると考えています。多くの研究機関はユーザーが指示を出して放置できる自律型エージェントばかりを競っていますが、実際の仕事では最初から完璧な指示を出せるケースは稀であり、途中で修正しながら共同作業できる環境が欠かせません。

外付けの足場を使わずにモデル内部に対話能力を持たせた判断は極めて合理的です。機械学習の歴史が示す通り、複雑な外部制御コードはやがてモデル自体の性能向上に追い抜かれます。対話そのものをモデルの学習対象にすることで、計算資源を増やせば賢さと同時にコミュニケーションの上手さも引き上げられる道が開けます。

ただし、今すぐ誰でも試せるわけではありません。同社は今後数か月以内に限定的な研究プレビューを開始し、一般向けの広い公開は今年後半を見込んでいる段階です。カタログスペックの0.40秒という速度やスムーズな割り込みが、実際の不安定な通信環境や複雑な実務作業でも破綻せずに動くかどうかは、今後の実利用を注視する必要があります。