AIは「黙るべき時」が分かるか 中国MOSI、「空気を読むAI」開発で約240億円調達
人とのコミュニケーションでは、声のトーンや表情、間の取り方などからも相手の意図が伝わってくる。しかし、会話を文字に起こしてAIに送ると、そうした非言語情報は失われてしまう。中国のAIスタートアップ「模思智能（MOSI Intelligence）」は、AIに欠けている非言語コミュニケーション能力を補おうとしている。
同社はこのほど、プレシリーズAで約10億元（約240億円）の資金調達を完了した。出資を主導した華控基金（TH Capital）のほか、国開科創や上海科創基金などが参加した。資金はリアルタイム対話システムの開発や海外展開に充てる方針。
模思智能は2024年末、復旦大学と上海創智学院がオープンソースの対話型AIを共同開発するOpenMOSSチームからスピンオフする形で設立された。創業者兼チーフサイエンティストの邱錫鵬氏は、復旦大学の特任教授で、上海創智学院の副院長も務める。CEOには復旦大学で博士号を取得した李世民氏が就いた。
邱氏は2023年初め、チームを率いてChatGPTに似た大規模言語モデル「MOSS」を発表し、一時は検索ランキングの上位に入るほど注目を集めた。同年に、エンドツーエンドの大規模音声モデル「SpeechGPT」を開発。AIモデルが音声そのものを理解・生成し、そこに含まれる感情や話すスピード、声質などの情報までとらえることを目指して、翌24年にはさまざまな種類の情報を処理できる「AnyGPT」をリリースした。
声色や沈黙から、言葉の先の意図を読むAI
模思智能が長期的な目標として掲げるのは、その場の状況を継続的に理解できるAIの開発だ。誰がそこにいて、何が起きたのか、今はどのような状況で、何をしているのか――、そうした情報をとらえ続けることで、AIはより深く状況を把握できるという。李氏は、例を挙げて説明する。鍵をどこに置いたか思い出せず、AIに「鍵はどこ？」と尋ねても、AIがその瞬間の映像しか見ていなければ、当然答えることはできない。しかし、AIが映像を継続的に受け取っていれば、その情報からユーザーが帰宅後どこに鍵を置いたのかを答えられるというわけだ。
また、AIはユーザーの話す内容だけを認識するのではなく、声の調子や周囲の環境、それまでのやり取りなども踏まえ、相手の意図を読み取る必要がある。例えば、車の中で「ちょっと寒い」と言ったとき、AIは車内の温度やユーザーの好みなどを加味して、それが単なるつぶやきなのか、それともエアコンを調整してほしいという意味なのかを判断する必要がある。ユーザーが突然会話を打ち切った場合も、用件が済んだだけかもしれないし、AIの的外れな回答にうんざりした可能性もある。こうしたサインは、声のトーンや沈黙などに表れることが多く、会話を文字に変換すると失われてしまう。
AIにこのような能力を持たせるには、多くの壁を乗り越えなければならない。音声や映像の継続的な理解、見たり聞いたりしながら会話を続けること、長期記憶、曖昧な反応をモデルの改良につなげるといった課題だ。このため、同社は対話型のAIモデルに焦点を当て、リアルタイムの対話システム「MOSS Live」を発表した。システムの対話モデルが「見る・聞く・話す」を常に担い、別のモデルが推論やツールの呼び出し、タスクの実行を担当する。
端末に応じたモデル展開で実用化を加速
同社はまず、スマートコックピットやAIデバイスを手がける企業向けにサービスを展開し、すでに一部の案件で納入を済ませている。端末側の処理能力や応答速度に限界があるケースでは、ローカルで作動する軽量モデルを提供し、より高度な処理が必要なタスクはクラウドを活用する。
李氏は、エアコン操作や音量の調節といった分かりやすい指示は、既存の車載音声アシスタントでも事足りると指摘する。顧客が求めているのは、車内で複数人が会話しているときに音声アシスタントが誤作動しないことや、考えながら指示している途中で割り込まないこと、車外の風の音やクラクションを指示と誤認しないことといった、細かな部分だ。AIに「応答すべき時」と「黙っているべき時」を理解させることが、目下の重点課題だという。
処理能力の異なる端末にも対応できるよう、同社はさまざまな規模のモデルを開発している。例えば、複数話者に対応した音声認識モデルでは、9億パラメーターの軽量版を用意し、スマホやロボットなどの端末上で利用できるようにした。一方、フラッグシップ版はクラウド上で動作し、長時間の音声の文字起こしや話者の識別が可能になる。同社は改良を重ね、過去半年余りで20種類以上のバージョンをリリースしてきた。それぞれ音声生成や音声理解、視覚情報の理解などに対応しており、一部はオープンソースとして公開している。
李氏は、個別のAIモデルで先行しても、すぐに追いつかれてしまうと指摘。一方で、音声や画像などさまざまな情報に対応したリアルタイムAIには、多岐にわたる技術力が求められるのだという。そのため、他社に差をつけるには、AIモデルを迅速に製品に組み込み、現場で得られたデータを回収して、さらなる学習に生かすことが重要だと語る。最終的には、ユーザーの状況や意図を理解し、自然なやり取りを続けられるAIの実現を目指す考えだ。
＊1元＝約24円で計算しています。
（翻訳・畠中裕子）
関連記事
関連キーワード
日本企業のDXを促進するプラットフォーム「CONNECTO」
無料コンテンツ公開中
