Block Dessa AI 從對話中學習，包括尷尬時刻

Block 推出 Block Dessa AI，並作出一項不尋常的聲稱：它僅從人類對話中學習，但其示範中亦出現明顯尷尬的交流。據報，這個於 2026 年 10 月 23 日公布的模型透過語音回應，並不依賴以文字訓練的基礎模型。它的吸引力來自對話節奏，包括打斷、反應和停頓；而當這種節奏帶有錯誤假設時，其限制亦隨之浮現。

真正值得比較的是直接從對話學習語音，與在開發或運作過程中某處使用文字的系統之間的差異。這項區分需要審慎看待。包括 Kyutai 的 Moshi 在內的早期項目，已探索過同時聆聽和說話。Block 更具體的說法關乎 Dessa 從甚麼中學習，而不只是它能否打斷對話。

對開發者和 AI 使用者而言，這帶來一個有關評估的實際問題。一把聲音可以令人感覺它很專注，卻同時答錯。尷尬的回應可以揭示局限，卻不會否定背後的研究。Dessa 的公布將這些特質放在一起，促使讀者分辨對話的真實感與可靠的理解能力。

Block Dessa AI 實際改變了甚麼

Block 的核心說法關乎模型的學習材料，而非為既有聊天機械人加上一把更具表現力的聲音。

根據 Dessa 發布報道，Block 於 10 月 23 日推出這個項目。Ragavan Thurairatnam 領導這項工作。公司表示，它在沒有書面文字或預訓練模型的情況下，從人類對話訓練 Dessa。

這比起聲稱系統說話像人更狹窄，也更有用。類人語音描述的是一種印象；僅以對話訓練則描述一種可供外部研究人員檢視的研究方法。

Block 將 Dessa 描述為語音對語音模型，即它接收口說音訊並產生口說音訊。它亦稱該模型為全雙工，即它可以一邊說話一邊聆聽。

這些描述涉及系統的不同部分。語音對語音界定輸入與輸出；全雙工描述同步互動。單憑任何一個詞語，都不能證明模型使用了甚麼訓練資料。

將這些區分清楚，可避免這項公布演變成 Block 發明自然語音互動的聲稱。它所提出的貢獻更為具體：據報，Dessa 語音模型無須從經書面語言訓練的模型起步，便能學習對話行為。

這個差異很重要，因為對話包含文字稿未能完全保留的資訊。時機可以表達猶豫；笑聲可以緩和分歧；被打斷的句子可以表示聆聽者已理解重點。

試想有人說自己沒事。單看字詞，存在多種詮釋空間；說話方式則可暗示安撫、不耐煩、無奈，或想結束討論。

直接以聲音訓練的系統，有機會一併學習這些關係。這個機會並不能證明 Dessa 能多準確地詮釋它們，卻說明這個方法值得研究。

這項公布亦改變讀者對示範應有的期待。一次成功交流不只需要連貫的答案，也需要恰當的時機、對另一位說話者的敏感度，以及在對話出現意料之外轉折時的恢復能力。

在隨意聆聽時，這些特質很難分開判斷。一把吸引人的聲音可以令薄弱的答案聽來可以接受；生硬的停頓則可令正確答案顯得較不勝任。

因此，Block Dessa AI 的定位本身就帶有評估挑戰。聆聽者被要求透過最可能影響其判斷的媒介來評價系統。

有用的回應是認真看待這個研究方向，同時保持各項聲稱彼此分明。對話時機、事實知識、情緒詮釋和安全性，各自都需要證據。

一段尷尬交流揭示的，比流暢示範更多

令人印象深刻的錯誤很重要，因為它們揭示出聽來具社交存在感與正確掌握對話之間的距離。

Jay Peters 在報道 Dessa 語音示範 時，形容樣本對話偶爾尷尬且令人感到詭異。在一段交流中，模型起初誤以為對話對象是一名叫 Ronaldo 的人。

其他例子包括一場由 Christopher Nolan 轉向 Bryan Singer 的 Superman 電影討論。另一段則涉及一次前往巴黎的驚喜旅程，以及帶有情緒表達的回應。

這些例子不應取代系統化測試。不過，它們確實顯示為何這次發布引起關注：模型的對話質感與其錯誤一同呈現。

認錯人創造了一個有用的診斷時刻。重要問題不只在於名字是否錯誤；評估者亦應檢視模型在被糾正後的表現。

它會立即接受更正嗎？它之後會否重複犯錯？它會否虛構使用該名字的理由？它的語氣是否流露出對話並不支持的自信？

這些是建議的測試，而非對 Dessa 的既定發現。它們說明一個看似輕微的錯誤，如何揭示多項彼此獨立的能力。

電影話題的岔開帶來相關問題。隨意交談容許話題游移，但助理有時需要保持焦點。同一種行為在娛樂情境中可令人覺得有趣，卻可能在時間緊迫的工作中令人沮喪。

因此，有用的評估應改變對話的目的。自由討論應容許聯想空間；有明確目標的請求則應衡量模型是否尊重該目標。

情緒表達同樣需要審慎對待。一把聽來感激的聲音展示了表達效果，卻不能證明系統有感受、理解一段關係，或能恰當詮釋每一種情緒情境。

聆聽者可以享受這種效果，而無須把它當作內在經驗的證據。產品設計師亦應避免讓情緒表達承載底層系統無法支持的聲稱。

尷尬時刻尤其富有資訊，因為精心修飾的示範往往會鼓勵人形成整體印象。Dessa 語音 AI 值得更細緻的判斷：哪些部分感覺自然，哪些部分實際運作良好？

單一錄音無法回答這個問題在不同使用者或情境中的表現，卻可找出值得在受控條件下測試的行為。

例如，評估者可以在不同說話者、背景噪音程度和更正方式下，重複一次誤解。目標應是穩定地恢復，而不是產生特別娛樂性的回應。

這個角度亦避免不公平的否定。一段奇怪的岔題並不能證明僅靠語音學習已經失敗；它表明對話流暢度和可靠行為值得分開檢視。

僅靠語音訓練加入既有的語音競賽

據報，Dessa 的獨特之處在於其僅靠語音的基礎；同步對話早已有研究歷史。

Kyutai 的 Moshi 研究論文 描述了一個全雙工系統，透過並行串流模擬使用者語音及其自身語音。其方法從文字語言模型開始，並結合語音生成與文字建模。

這令 Moshi 成為一個有用的參考點。兩個項目都處理對話互動，但其所述的學習方法有所不同。模型可以直接處理音訊，同時在開發過程中受益於文字。

因此，應以精確的比較來評估 Block 的表述。問題在於，相較結合語音與文字的方法，僅從口說對話學習能否帶來有用的能力、限制或效率。

現在便宣稱任何一條路線勝出仍言之尚早。不同訓練材料可支援不同優勢；語音介面亦必須滿足預定應用的需要。

Sesame 的對話語音研究提供另一項相關比較。其已發表的 Conversational Speech Model 使用文字和音訊，並以對話歷史協助塑造生成的語音。

Sesame 的評估亦區分孤立的自然度與在對話中是否恰當。其報告結果發現，語境仍揭示出生成語音與人類錄音之間的落差。

這項區分與 Dessa 直接相關。單獨聽來悅耳的聲音，面對的測試與置身於進展中的交流內的回應不同。語境決定停頓、重音或情緒反應是否合適。

這些比較挑戰了真實感語音與文字系統之間任何簡單的二分法。研究人員可透過多種架構追求具語境的表達力；訓練材料只是多個重要變數之一。

對建立對話產品的開發者而言，這項公布帶來更審慎量度互動質素的壓力。以文字稿為本的評估可能忽略助理是否反覆打斷使用者，或以不恰當的熱切語氣回應。

這種壓力並不代表要立即轉用新模型，而是需要檢查現有評估方法是否反映使用者實際體驗。

例如，客戶服務助理應能辨識來電者何時正嘗試更正帳戶資料。若系統持續蓋過更正內容，即使說話流暢也沒有多大益處。

練習對話夥伴面對的優先事項不同。它應留下足夠空間讓使用者回應、適應猶豫，並避免主導交流。

這些是假設性的應用要求，而非已公布的 Dessa 部署案例。它們說明為何 Dessa 語音模型的相關性不止於一系列有趣片段。

更廣泛的競爭問題關乎，直接從對話學習可以帶來多少有用行為。要回答這個問題，需要可比較的工作、可比較的錄音條件，以及明確的成功定義。

在這些比較出現前，對優越自然度的聲稱應維持為對特定樣本的判斷，不應演變成整體能力的排名。

自然時機帶來信任問題

聽來專注的系統需要防護措施，以免使用者將其表達方式誤認為準確性、判斷力或情緒理解。

根據發布報道，Block 將情緒意識視為 Dessa 的部分動機。這個論點可以理解：當說話者聽來苦惱時，助理應作出恰當回應。

但從聲音中偵測到某些訊號，與選擇適當回應是兩個不同問題。系統或可察覺急切，卻誤解其原因；它亦可能錯過以低聲表達的苦惱。

這些可能性屬於評估層面的考慮，而非已記錄的 Dessa 失誤。它們說明，一次在情感上令人信服的示範，無法證明系統安全。

富有表現力的回應亦可能影響使用者如何理解不確定性。平靜而熟悉的聲音，可能令缺乏支持的說法顯得可信。富有同理心的語調，亦可能鼓勵人們透露更多資訊。

這並不代表富有表現力的語音本身有害，而是產品決策必須考慮這種表達所帶來的影響力。

由此可得一項實用的設計原則：模型的行為應與其個性一樣清楚地傳達其限制。當它缺乏資訊時，使用者應能透過語音互動理解其不確定性。

這比在對話開始前加入免責聲明更困難。使用者會在整段對話中持續作出判斷，開首的警告無法彌補之後反覆出現的過度自信。

身份披露亦同樣如此。系統應清楚表明使用者正在與 AI 互動。自然語音應改善溝通，而不應令披露資訊變得難以察覺。

涉及情緒的情境尤其值得審慎測試。評估人員應區分辨識聲音訊號與推斷他人心理狀態；兩者雖然相關，後果卻不同。

例如，提高聲量可能反映憤怒、興奮、背景噪音，或只是為了讓人聽見。將每一次音量增加都視為痛苦訊號，亦會造成自身的失誤。

模型亦需要有合適方式，從錯誤解讀中恢復。它應容許使用者糾正，而不是為臆造出的使用者感受解釋辯護。

這些要求適用於各類語音產品。Dessa 令它們尤其顯眼，因為社交回應能力正是其吸引力的一部分。

根據公告報道，Block 計劃向一小批 AI 安全研究人員提供早期存取權。這是研究這些問題的機會，而非證明問題已獲解決的證據。

有用的研究結果應說明研究人員測試了甚麼、出現了哪些失誤，以及這些失誤出現得有多一致。籠統保證對開發者或潛在使用者的指引作用較小。

本報道的限制亦很重要。公開描述的示範可支持分析公司的主張及特定例子，但並不構成獨立的效能評估。

因此，Block Dessa AI 應從兩條路線評估。其訓練方法值得技術審查，而其對話行為則值得測試使用者理解與錯置的信任。

其中一條路線的進展，不能自動證明另一條路線亦有進展。模型可以變得更有說服力，卻未必更可靠。

一項筆電主張改變了部署問題

本機運作會很有用，但硬件相容性本身無法證明私隱、可及性或日常工作的準備程度。

根據發佈報道，Block 表示 Dessa 可在配備 M4 Max 晶片或更高規格的 MacBook Pro 上本機運行。這是一項具實際意義的具體部署主張。

若能獨立重現，本機運作將提供一個選項，讓對話可在使用者裝置上處理。它亦讓評估人員可檢視效能，而毋須將遠端服務視為唯一交付方式。

然而，受支援的電腦規格仍有多個未解問題。使用者仍需了解記憶體需求、持續效能、電池影響，以及其他應用程式同時運行時的表現。

一次短暫而成功的交流，無法證明模型在較長對話中仍能保持反應迅速，亦無法顯示效能在競爭性工作負載下如何變化。

本機運作亦應與完整私隱政策區分。模型可以在裝置上執行，但周邊應用程式仍可能處理錄音、診斷資料、帳戶或可選的雲端服務。

在作出私隱主張前，產品評估應審視這些周邊系統。音訊在哪裡處理，以及資訊在哪裡保留，是兩個不同問題。

可用性亦有同樣區別。聲稱模型可在消費級硬件上運行，不代表使用者今天便能下載並操作它。

公告報道描述的是有限度的研究存取及等候名單，並未證實已廣泛開放，或已有適合組織部署的完成版應用程式。

對工作場所使用者而言，對話品質只是採購決定的一部分。有用的助理還可能需要存取控制、可驗證來源、可靠檢索，以及清晰的刪除流程。

這些能力都不應從語音示範中推定。能流暢討論某個主題的模型，未必已展示它能查閱文件或保留修正內容。

這個區別對知識工作十分重要。一個人在對話中說出的資訊，日後或需成為可搜尋的記錄。

可靠的個人知識庫需要關注來源、組織、檢索及權限。語音品質處理的是使用者如何與該系統互動，而非證明這些功能已經具備。

這為多種產品方案留下空間。對話模型可成為較大型應用程式中的一個組件，前提是整合方式能支援其預期職責。

這類整合仍屬有待評估的可能性，而非 Dessa 已公布的能力。目前證據不足以將其描述為工作場所助理，或已成熟取代現有工具的方案。

眼前的含意較為狹窄：Block 提出了一項外界最終可測試的硬件主張。可重現的結果，會比另一段精心製作的錄音更令這項主張具參考價值。

三項訊號將令 Dessa 更容易評估

下一步有用的證據，應釐清訓練主張、一致地量度互動，並讓系統接受獨立審視。

第一項訊號是有關訓練的技術披露。在未來數月，一份詳細說明應交代何謂人類對話，以及資料如何準備。

最有力的版本會指出「僅語音」主張的界線。它應釐清哪些組件從零開始訓練，以及任何階段是否使用了源自文字的資訊。

這不需要公開私人錄音，而是需要提供足夠的方法論細節，讓研究人員理解及質疑該主張。

清晰披露會加強 Dessa 代表獨特學習方法的理據。含糊用語則會令外界不清楚它與現有系統實際有何不同。

訓練資訊亦應支援有意義的效率比較。聲稱使用較少資料，需要有明確比較對象、計算方法及可比較的結果。

缺少這些細節，效率仍難以評估。學習具吸引力的對話風格，與匹配另一模型的知識或任務表現，是不同目標。

第二項訊號是可重現的互動評估。有用測試應涵蓋打斷、修正、話題延續、事實準確性，以及對聲音訊號的恰當回應。

這些結果亦應包括失敗案例。平均分數可能掩蓋一個對某些說話者表現良好、對其他人卻表現欠佳的模型。

評估亦應將時機與內容分開。快速回應仍可能出錯，而稍有延遲的回應反而可能更準確地保留使用者意圖。

就本機部署主張而言，獨立報告的硬件條件會增加價值。可重現的設定可讓開發者評估系統是否符合自身限制。

一致結果會強化 Dessa 語音 AI 的實際理據。若結果高度依賴有利條件，適合使用它的情境便會減少。

第三項訊號是外部安全研究人員提供實質回饋。存取權最重要之處，是它能產出其他人可檢視的發現。

有用的報道應描述測試範圍、研究人員可調查的行為，以及對其結論施加的限制。它應區分受邀參與與已完成的評估。

可靠修正、清晰表達不確定性，以及恰當處理敏感情況的證據，將會增強信心。反覆出現的過度自信或具誤導性的情緒行為，則會削弱信心。

這些訊號不要求 Dessa 擊敗每一個競爭系統，而是要求有足夠證據識別它擅長甚麼，以及何處仍宜採用其他方案。

Block 的公告之所以有趣，是因為它將對話本身視為學習環境。當中的不自然之處，正好揭示為何這個選擇值得審慎評估。

叫錯名字與恰到好處的反應可以並存。若將其中任何一刻視為全部故事，便會忽略模型仍需證明的事。

當下一個 Block Dessa AI 版本推出時，請不要只看最容易分享的片段。留意公司是否解釋其訓練方法、發佈可比較結果，並讓外部人士進行有意義的測試。聆聽模型如何處理修正、不確定性及說話者意圖的改變。問問它表面上的專注，是否有助使用者理解其限制。至於工作場所用途，則應檢視周邊產品如何處理記錄、來源及私隱。這些檢查將令公告更容易按其本身價值評估。在將富有表現力的聲音視為可靠助理前，先問問有甚麼證據支持你想賦予它的責任。