Η Google θέλει να δημιουργήσει AI για όλες τις γλώσσες, ξεπερνώντας πλέον την παραδοσιακή μετάφραση κειμένου και επιχειρώντας να κατανοήσει τον τρόπο με τον οποίο οι άνθρωποι πραγματικά μιλούν, με προφορές, συναισθήματα, παύσεις, διαφορετικές διαλέκτους και ακόμη και εναλλαγή γλωσσών μέσα στην ίδια πρόταση.
Σήμερα, οι τεχνολογίες της εταιρείας υποστηρίζουν καθημερινές αλληλεπιδράσεις σε περισσότερες από 300 γλώσσες, καλύπτοντας γλωσσικά περισσότερους από 7 δισεκατομμύρια ανθρώπους. Παρ’ όλα αυτά, χιλιάδες από τις περίπου 7.000 γλώσσες που χρησιμοποιούνται στον κόσμο παραμένουν ελάχιστα εκπροσωπούμενες στο διαδίκτυο και, κατά συνέπεια, στα δεδομένα πάνω στα οποία εκπαιδεύονται τα AI models.
Η Google θέλει τώρα να αλλάξει αυτή την ανισορροπία.
Από τη μετάφραση στην κατανόηση
Όταν εμφανίστηκε το Google Translate το 2006, η βασική πρόκληση ήταν η μετατροπή γραπτού κειμένου από μία γλώσσα σε άλλη. Σήμερα υποστηρίζει περισσότερες από 250 γλώσσες, αλλά η Google θεωρεί ότι αυτό δεν είναι πλέον αρκετό.
Η πραγματική ανθρώπινη επικοινωνία δεν μοιάζει με καθαρό γραπτό κείμενο.
Οι άνθρωποι σταματούν, γελούν, αλλάζουν τόνο, διακόπτουν ο ένας τον άλλον και συχνά χρησιμοποιούν δύο γλώσσες στην ίδια συζήτηση. Παραδείγματα είναι το Spanglish ή το Hinglish, όπου αγγλικά και ισπανικά ή αγγλικά και χίντι συνυπάρχουν φυσικά.
Η νέα στρατηγική για AI για όλες τις γλώσσες βασίζεται επομένως σε μοντέλα που επεξεργάζονται απευθείας τον ήχο αντί να τον μετατρέπουν πρώτα σε κείμενο.
Το Gemini 3.5 Live Translate μπορεί να πραγματοποιεί σχεδόν real-time speech-to-speech translation σε περισσότερες από 70 γλώσσες και πάνω από 2.000 γλωσσικούς συνδυασμούς, διατηρώντας στοιχεία όπως ο ρυθμός, ο τόνος και η συναισθηματική χροιά του ομιλητή.
1.000 γλώσσες στο στόχαστρο
Η φιλοδοξία όμως πηγαίνει πολύ πιο μακριά.
Μέσα από το 1,000 Languages Initiative, η Google θέλει τα AI systems της να καλύψουν τις 1.000 περισσότερο ομιλούμενες γλώσσες του κόσμου.
Το μεγάλο πρόβλημα είναι τα δεδομένα.
Για τα αγγλικά υπάρχουν τεράστιες ποσότητες κειμένου και ήχου online. Για πολλές αφρικανικές, ασιατικές ή τοπικές γλώσσες, το αντίστοιχο ψηφιακό υλικό είναι ελάχιστο.
Η Google προσπαθεί να αντιμετωπίσει το πρόβλημα με cross-lingual transfer learning: ένα μοντέλο μαθαίνει γλωσσικά μοτίβα από γλώσσες με πολλά δεδομένα και χρησιμοποιεί αυτή τη γνώση για να βελτιώσει την κατανόηση γλωσσών με πολύ λιγότερο training material.
Παράλληλα, επενδύει στη συλλογή πραγματικών φωνών.
Δεδομένα από τις ίδιες τις κοινότητες
Το WAXAL είναι χαρακτηριστικό παράδειγμα. Πρόκειται για ανοιχτό dataset που καλύπτει 27 γλώσσες της υποσαχάριας Αφρικής, τις οποίες μιλούν περισσότεροι από 100 εκατομμύρια άνθρωποι σε πάνω από 26 χώρες.
Στην Ινδία, το Project Vaani έχει συγκεντρώσει περισσότερες από 31.000 ώρες αυθεντικού λόγου από περίπου 156.000 ομιλητές και καλύπτει πάνω από 100 γλώσσες και διαλέκτους.
Η λογική πίσω από αυτά τα projects είναι κρίσιμη για το AI για όλες τις γλώσσες: τα μοντέλα δεν πρέπει να μαθαίνουν μόνο τη «σωστή» ή επίσημη εκδοχή μιας γλώσσας, αλλά τον τρόπο με τον οποίο αυτή χρησιμοποιείται πραγματικά σε διαφορετικές περιοχές.
Τοπικές προφορές, ιδιωματισμοί και πολιτισμικές αναφορές μπορούν να αλλάξουν σημαντικά ακόμη και μέσα στην ίδια χώρα.
AI χωρίς internet
Υπάρχει όμως και δεύτερο μεγάλο εμπόδιο: η συνδεσιμότητα.
Περισσότεροι από 3 δισεκατομμύρια άνθρωποι εξακολουθούν να μην έχουν αξιόπιστη πρόσβαση στο internet. Για αυτούς, ένα translation system που εξαρτάται αποκλειστικά από το cloud έχει περιορισμένη χρησιμότητα.
Εδώ μπαίνει το TranslateGemma.
Η οικογένεια lightweight open models της Google έχει σχεδιαστεί για μετάφραση σε 55 γλώσσες και περιλαμβάνει μικρότερες εκδόσεις που μπορούν να λειτουργούν locally σε mobile ή edge hardware.
Ακόμη και αυτό όμως δεν αρκεί σε περιοχές όπου εκατομμύρια άνθρωποι χρησιμοποιούν feature phones.
Γι’ αυτό η Google υποστηρίζει και υπηρεσίες όπως το Ask Viamo Anything, όπου το Gemini μπορεί να παρέχει πληροφορίες μέσω απλών τηλεφωνικών κλήσεων αντί για smartphone apps.
Και η νοηματική γλώσσα
Η έννοια AI για όλες τις γλώσσες δεν περιορίζεται στον προφορικό και γραπτό λόγο.
Το Sign Language-to-Text model της Google έχει εκπαιδευτεί πάνω σε περισσότερες από 50 νοηματικές γλώσσες και χρησιμοποιείται ήδη στα Pixel 11 για μετατροπή American Sign Language σε γραπτά αγγλικά μέσα από το Gboard και το Live Transcribe.
Η τεχνολογία αναλύει όχι μόνο τις κινήσεις των χεριών αλλά και εκφράσεις προσώπου και κινήσεις του σώματος.
Είναι μια σημαντική αλλαγή φιλοσοφίας: αντί να ζητείται από τον άνθρωπο να προσαρμοστεί στον τρόπο που καταλαβαίνει το computer, το computer επιχειρεί να προσαρμοστεί στον τρόπο που επικοινωνεί ο άνθρωπος.
Το επόμενο μεγάλο σύνορο της AI
Για χρόνια, η πρόοδος στην τεχνητή νοημοσύνη μετριόταν κυρίως με το πόσο καλά ένα μοντέλο καταλάβαινε και παρήγαγε αγγλικά.
Αυτό όμως δημιουργεί ένα προφανές πρόβλημα.
Ένα πραγματικά παγκόσμιο AI δεν μπορεί να λειτουργεί εξαιρετικά σε δέκα γλώσσες και μέτρια ή καθόλου σε χιλιάδες άλλες.
Η Google επιχειρεί τώρα να μετατρέψει τη γλωσσική ποικιλομορφία από limitation σε βασικό στοιχείο του σχεδιασμού των μοντέλων της.
Και ίσως αυτή να είναι μία από τις πιο σημαντικές εξελίξεις της επόμενης φάσης της τεχνητής νοημοσύνης.
Όχι ένα AI που απλώς μεταφράζει τι είπες, αλλά ένα AI που καταλαβαίνει πώς το είπες, ποια διάλεκτο χρησιμοποίησες και τι πραγματικά εννοούσες.
