دستیارهای هوش مصنوعی به گوش شما تعلق دارند نه روی صورت شما

صنعت فناوری در چند سال گذشته تلاش کرده است تا ما را متقاعد کند که آینده هوش مصنوعی پشت یک جفت لنز زندگی می کند. متا تاکنون میلیاردها دلار روی آن شرط بندی کرده است، گوگل اندروید XR را عرضه می کند، سامسونگ در حال ورود به روند عینک است، و اسنپ همچنان در تلاش است تا Spectacles را فراگیر کند.

آهنگ همیشه نسخه‌ای از همان فانتزی است: شما در یک کشور خارجی هستید که زبان را نمی‌فهمید. شما به یک منو نگاه می کنید و یک ترجمه درست در میدان دید شما ظاهر می شود. به لباسی که کسی در خیابان پوشیده است نگاه کنید و هوش مصنوعی نام لباس و طراح آن را در گوش شما زمزمه می کند. شما در یک مهمانی هستید و با نام‌ها بسیار بد هستید، اما نگران نباشید، عینک مجهز به هوش مصنوعی شما می‌تواند نام همه افراد را در آنجا نشان دهد تا هیچ گونه تعامل اجتماعی ناخوشایندی نداشته باشید.

این ایده عالی به نظر می رسد، اما در عمل، به یک دلیل واضح به یک فاجعه تبدیل شده است: مردم دوست ندارند بدون رضایت آنها ضبط شود.

Maruchi Kim، دکترای اخیر، شرکت‌ها که مصمم هستند سرمایه‌گذاری‌های سخت‌افزاری خود را نجات دهند، می‌گویند: «بیایید فقط هوش مصنوعی را روی آن بگذاریم». فارغ‌التحصیل دانشگاه واشنگتن که تا اوایل سال جاری روی تیم XR گوگل کار می‌کرد، به Gizmodo می‌گوید: «اما همچنان بدنام زیادی به همراه دارد، زیرا با این دستگاه فیلم‌برداری شروع شد.»

این، در نهایت، مشکل غیرقابل حل عینک‌های هوش مصنوعی است، مهم نیست که اجزای هوش مصنوعی آن‌ها در عمل چقدر توانایی دارند: عینک‌ها هرگز برای هوش مصنوعی مکالمه طراحی نشده‌اند. آنها برای فیلم برداری اول شخص و واقعیت افزوده طراحی شده اند. هوش مصنوعی روی آنها پیچید زیرا آنها محصولاتی بودند که این شرکت ها قبلا داشتند و به تعداد مورد نیازشان نمی فروختند.

در همین حال، پوشیدنی مناسب برای حمل دستیار هوش مصنوعی مکالمه در همه جا، برای یک دهه در گوش شما نشسته است و بی سر و صدا خود را به گونه ای ثابت کرده است که عینک هنوز آن را انجام نداده است.

عینک های هوشمند به دلیل دو قابلیت وجود دارند: آنها می توانند ویدیوی اول شخص ضبط کنند و می توانند اطلاعات را در میدان دید شما قرار دهند. کیم می‌گوید: «فکر می‌کنم اینها هر دو چیزهایی هستند که مردم واقعا آنها را نخواسته‌اند.

فیلمبرداری با دوربینی که روی صورت نصب می‌شود، همیشه ویژگی‌ای بوده است که هیچ‌کس واقعا نمی‌داند با آن چه باید بکند، و مشکلات تنها از روزهای نیمه‌سال 2013 که «چاله‌های شیشه» از نظر اجتماعی طرد می‌شدند بدتر شدند. اکنون، دوربین‌ها بهتر شده‌اند، انتقال داده‌های ویدیویی بسیار سریع‌تر است، و برخلاف نمایه متمایز و بورگ‌مانند Google Glass، عینک‌های هوشمند دوربین‌ها را در عینک‌هایی با ظاهر معمولی مانند Ray-Bans قرار می‌دهند.

یک فرهنگ اینترنتی سمی فزاینده (اتفاقا یکی دیگر از نوآوری های متا) را اضافه کنید و به «عینک منحرف» 2026 می رسیم. مواردی وجود ندارد که مردانی که از عینک Ray-Ban Meta زنان را در خیابان آزار می‌دهند یا پسران نوجوانی در مدرسه که از قلدری آنها فیلمبرداری می‌کنند، بیشتر از دختران جوان، وجود ندارد. مشکل به قدری بد است که دانشگاه ها در مورد مشکل به دانشجویان هشدار می دهند. کافه ها و کلوپ ها در چندین کشور آنها را ممنوع می کنند، و همچنین کل سیستم های دادگاهی.

متا در تلاش بوده است تا راه حلی برای مشکل افرادی که عینک هوشمند خود را تغییر می دهند تا چراغ LED نشانگر را غیرفعال می کنند مهندسی کند، اما حتی زمانی که همه چیز همانطور که در نظر گرفته شده کار می کند، مسئولیت حفظ حریم خصوصی همچنان بر عهده دیگران است تا رفتار اجتماعی کاربر را کنترل کند. یک چراغ LED فعال ممکن است به شما بگوید که کسی در حال ضبط شما است، با فرض اینکه می دانید این نور حتی به این معنی است و آنها در محدوده دید شما هستند. کاری که انجام نمی دهد این است که خزش ها را از ضبط کردن شما باز می دارد.

این رفتار «انحرافی» شامل زیرمجموعه کوچکی از کاربران می‌شود (عینک‌های Ray-Ban Meta میلیون‌ها واحد فروخته‌اند)، و تقریبا همه دارندگان Ray-Ban Meta آن‌ها را می‌خرند تا بتوانند دوچرخه‌سواری یا اسنوبرد خود را ضبط کنند (کاری که دوربین‌های GoPro یک دهه است که انجام می‌دهند) یا ترجمه‌های زنده راحت را در یک روکش در هنگام سفر در یک کشور خارجی دریافت کنند. اینها موارد استفاده قانع‌کننده‌ای هستند، اما هر قدر هم که ممکن است برای بسیاری ناعادلانه باشد، هر کسی که از عینک‌های هوش مصنوعی استفاده می‌کند، مانند بدترین سوء استفاده‌کنندگان از فناوری رنگ آمیزی می‌شود.

و در نهایت، هیچ یک از اینها اصلا در مورد هوش مصنوعی نیست، و این نشان می دهد. ناراحتی مردم در اطراف عینک هوش مصنوعی ربطی به دستیار هوش مصنوعی در پاسخ به یک سوال ندارد. این به معنای ندانستن این است که آیا فردی که روی میز قرار دارد شما را ضبط می کند یا با نمایشگری که فقط او می تواند ببیند حواسش پرت می شود.

ایرتازا شهید، دانشمند کامپیوتر، محقق آکوستیک و هوش مصنوعی و پژوهشگر موسس در شرکت هوش مصنوعی صوتی Hearvana می‌گوید: «دوربین نصب‌شده در نزدیکی چشم‌های شخصی می‌تواند به طور مداوم افراد، صفحه‌های رایانه، اسناد، خانه‌ها یا مکالمات را از منظر اول شخص بسیار طبیعی ثبت کند. افرادی که مشاهده می‌شوند ممکن است ندانند چه چیزی گرفته شده است، ذخیره می‌شود یا یک سیستم هوش مصنوعی آن را تجزیه و تحلیل می‌کند یا خیر. این یک عدم تقارن حریم خصوصی غیرمعمول ایجاد می‌کند: کاربر می‌داند که از یک دستگاه حسگر هوشمند استفاده می‌کند، در حالی که ممکن است اطرافیانش نتوانند.

همه آن‌ها را با هدفون‌های بی‌سیم مقایسه کنید، یک عامل پوشیدنی که قبلا در سخت‌ترین مبارزه در سخت‌افزار مصرف‌کننده موفق بوده است: خود را نامرئی کرد.

کیم توضیح می دهد: "این وسیله ای است که به عنوان فناوری شروع شد. سعی نمی کند یک اکسسوری مد مانند عینک یا آویز یا سنجاق باشد." آنها به عنوان این دستگاه ها برای ما شروع به گوش دادن به موسیقی کردند و سپس یک میکروفون اضافه کردیم و اکنون می توانیم با آنها تماس های تلفنی داشته باشیم.

این همچنین یک عامل شکلی است که از نوعی نفوذ در بازار برخوردار است که عینک های هوشمند فقط می توانند رویای آن را داشته باشند: در سال 2025، 420 میلیون هدفون بی سیم در سراسر جهان فروخته شد، در حالی که تنها 7 میلیون عینک Ray-Ban Meta AI به فروش رسید.

کیم می‌گوید: «آنها فناوری‌ای هستند که ما آن را به عنوان یک جامعه پذیرفته‌ایم، زیرا این فناوری بسیار مفید است. اندازه بزرگ پایه نصب بالقوه هدفون‌های بی‌سیم مجهز به دستیار هوش مصنوعی، چه از طریق برنامه‌های روی گوشی شما و چه از طریق خود هدفون‌ها، بسیار زیاد است.

هوش مصنوعی در گوش شما همچنین باعث نمی‌شود افرادی که روبروی شما می‌نشینند نگران باشند که مانند عینک‌های هوشمند ضبط می‌شوند، و مردم در حال حاضر آنقدر به افرادی عادت کرده‌اند که با استفاده از هدفون‌های بی‌سیم مجهز به میکروفون به موسیقی گوش می‌دهند یا با تلفن صحبت می‌کنند که شما با صحبت کردن یا گوش دادن به پاسخ دستیار هوش مصنوعی حتی ثبت نام نمی‌کنید. مردم در حال حاضر همیشه در مکان های عمومی با سیری صحبت می کنند. معرفی یک دستیار هوش مصنوعی مبتنی بر LLM در این پویا یکپارچه است.

شهید می‌گوید: «گوش مکان بسیار جالبی برای هوش پوشیدنی است، زیرا هدفون‌های هدفون قبلا از نظر اجتماعی پذیرفته شده‌اند، هم به گفتار کاربر و هم به صدای اطراف دسترسی دارند، و صدا می‌تواند مقدار شگفت‌انگیزی از اطلاعات متنی را بدون ثبت تصاویر مداوم از جهان ارائه دهد.»

و در نهایت، پرس و جو از یک LLM، چه تایپ یک درخواست در ChatGPT یا استفاده از یک رابط صوتی برای همان هدف باشد، یک تجربه ذاتی مکالمه است که به طور طبیعی برای رابط صوتی-صوتی که قبلا برای چندین دهه از آن استفاده می کردیم، مناسب است.

Plaud، سازنده دستگاه‌های یادداشت‌برداری هوش مصنوعی مانند Plaud Note و Plaud NotePin، هوش مصنوعی یادداشت‌برداری خود را با Plaud One Explorer Edition، یک جفت هدفون بی‌سیم هوش مصنوعی که می‌تواند جلسات و مکالمات را ضبط کند، استفاده می‌کند، اما همچنین از هوش مصنوعی عاملی استفاده می‌کند که می‌تواند آن مکالمات را بگیرد و یادداشت‌های جلسه، اسناد پیگیری و موارد دیگر را از طریق آن مکالمات ایجاد کند.

ایلگو چا، رئیس طراحی صنعتی در Plaud، به Gizmodo می‌گوید: «مکالمه خام یک پوشیدنی صوتی را به‌ویژه جذاب کرد. "صحبت کردن و گوش دادن از قبل رفتارهای طبیعی انسان هستند. با Plaud One، هدفون ها آنچه را که در تماس ها و مکالمات آنلاین می شنوید و می گویید ضبط می کنند، در حالی که مورد مستقل این قابلیت را به مکالمات حضوری نیز گسترش می دهد. هدف این نیست که افراد واسط دیگری را یاد بگیرند، بلکه اجازه دهیم هوش مصنوعی به طور طبیعی با نحوه برقراری ارتباط و کار افراد تطبیق یابد."

نگرانی آشکار در مورد عینک های هوش مصنوعی قابلیت ضبط ویدیویی آنهاست، اما نگرانی واقعی در مورد ضبط مکالمات افراد بدون اطلاع یا رضایت آنها نیز وجود دارد.

چا می‌گوید: «تراست باید از همان ابتدا در یک ابزار پوشیدنی مانند این طراحی شود. "Plaud One مانند برخی از دستگاه‌های موجود در پس‌زمینه بی‌صدا ضبط نمی‌کند یا "همیشه گوش می‌دهد". ضبط عمدا توسط کاربر آغاز می‌شود و این مورد شامل یک نشانگر قابل مشاهده است که نشان می‌دهد ضبط فعال است. برای تماس‌ها، Plaud یک اعلان ضبط صوتی ارائه می‌کند و ما همیشه کاربران را تشویق می‌کنیم که رضایت بخواهند و قوانین محلی را دنبال کنند تا در صورت لزوم به شرکت‌کنندگان اطلاع دهند."

برخلاف ضبط ویدئویی از افراد در ملاء عام، که معمولا هیچ انتظاری برای حفظ حریم خصوصی وجود ندارد، قوانین و سوابق قانونی زیادی پشت ممنوعیت ضبط محیط‌هایی که طرف آنها نیستید، حتی در مکان‌های عمومی وجود دارد (قوانین رضایت یک طرفه فقط در برخی ایالت‌ها اعمال می‌شود). در بسیاری از حوزه‌های قضایی، انجام این کار یک جنایت محسوب می‌شود، بنابراین یک بازدارندگی گسترده برای ضبط مخفی وجود دارد. همچنین هیچ چیز خاصی در مورد استفاده از یک جفت هدفون بی سیم برای انجام چنین شرارتی وجود ندارد. میکروفون تلفن شما می تواند همین کار را انجام دهد و احتمالا حتی بهتر از هدفون های بی سیم است.

یکی دیگر از جنبه‌های کلیدی در اینجا این است که میکروفون‌ها لزوما نیازی به ساخت سطح بالایی از وضوح صوتی ندارند تا عملکردی داشته باشند، در حالی که ویدیوهای با وضوح پایین‌تر به میزان زیادی هدف عملکردی عینک‌های هوشمند با قابلیت فیلم‌برداری را کاهش می‌دهند. این به طور کامل پتانسیل هدفون‌های هوش مصنوعی را برای نقض حریم خصوصی دیگران از بین نمی‌برد، اما می‌توانید با انتخاب‌های طراحی سخت‌افزار و نرم‌افزار، احتمال نقض حریم خصوصی را تا حد زیادی کاهش دهید.

شهید می گوید: «یک میکروفون همچنین می تواند اطلاعات بسیار حساس، به ویژه مکالمات را ضبط کند. "از برخی جهات، حسگر صوتی می‌تواند حتی کمتر از دوربین برای تماشاگران قابل مشاهده باشد. بنابراین فرصت مهم این است که فقط دوربین‌ها را با میکروفون جایگزین نکنیم، بلکه طراحی هوشمندی پوشیدنی را با حداقل میزان حس لازم برای یک کار انجام دهیم. این سوال حریم خصوصی را از "چگونه از همه چیزهایی که دستگاه ضبط می‌کند محافظت کنیم؟" به "آیا می‌توانیم دستگاه را طوری طراحی کنیم که اطلاعات حساس در ابتدا نیازی به ثبت نداشته باشد" تغییر می‌کند.

البته، چالش در اینجا این است که به شرکت متکی است تا به نفع عمومی، در این مورد، حریم خصوصی تماشاگران رفتار کند. اگر سازندگان هدفون های AI هدف صریح ضبط نامحسوس از شخص دیگری را هدف قرار دهند، مطمئنا زشت خواهد بود. آنها همچنین رقابت بسیار سختی خواهند داشت، زیرا تجهیزات نظارت صوتی برای چندین دهه در بازار وجود داشته است و برای این کار با هزینه کمتر مناسب تر از یک میکروفون با فناوری پیشرفته آویزان از گوش شما است که فقط می تواند صدای واضحی را در چند فوتی شما دریافت کند.

همچنین هوش مصنوعی به جز انجام ترجمه زنده یا رونویسی چیزی به این معادله اضافه نمی کند، که هر دو از قبل در تلفن شما با برنامه هایی مانند Otter و Google Translate وجود دارند. به بیان ساده، موارد استفاده برای یک جفت هدفون هوش مصنوعی ضبط صوت اختصاصی و محتاطانه بسیار کوچک هستند و موارد معدودی که کسی سعی می‌کند آن را انجام دهد به خاطر انجام این کار، خطر زندان را دارد.

قوی ترین استدلال برای عینک AI زمینه بصری است، و مواردی وجود دارد که زمینه بصری برای عملکردهای مختلف هوش مصنوعی ضروری است و یک جفت عینک هوشمند منطقی است. گاهی اوقات یک دستیار هوش مصنوعی واقعا نیاز دارد که ببیند به چه چیزی نگاه می کنید، خواه این تابلوی خیابانی باشد که می خواهید ترجمه کنید یا محصولی که می خواهید شناسایی کنید. مسئله این است که یک دستیار هوش مصنوعی احتمالا برای این کار نیازی به عینک ندارد.

ساختار مجوز اجتماعی موجود در اطراف هدفون‌های بی‌سیم بخشی از این است که چرا کیم VueBuds را با هم توسعه داد، یک سیستم دوربین با وضوح پایین تعبیه‌شده در یک جفت هدفون بی‌سیم سونی که تقریبا تمام مزایای هوش مصنوعی بصری را بدون تمام چمدان‌های مشکل‌ساز مرتبط با عینک‌های هوشمند به شما می‌دهد.

تیم Maruchi در توضیح این پروژه در مقاله خود توضیح می دهد: «ما به صورت تحلیلی و تجربی نشان می دهیم که در حالی که میدان دید هر دوربین تا حدی توسط صورت مسدود شده است، پرسپکتیو ترکیبی دوچشمی پوشش جامع رو به جلو را ارائه می دهد. با ادغام VueBuds با [مدل‌های زبان بصری]، ما یک سیستم سرتاسر برای درک صحنه، ترجمه، استدلال بصری و خواندن متن در زمان واقعی ایجاد می‌کنیم، همه از دوربین‌های تک رنگ با وضوح پایین که کمتر از 5 میلی‌وات را از طریق فعال‌سازی درخواستی طراحی می‌کنند.»

حتی چشمگیرتر، نمونه اولیه VueBuds در طی یک مطالعه با 90 شرکت‌کننده موفق شد عینک‌های Ray-Ban Meta AI را در بیش از ده‌ها کار هوش مصنوعی بصری مانند تشخیص تصویر و ترجمه انجام دهد.

البته، کیم تنها کسی نیست که به فکر جایگزینی برای عینک هوشمند برای هوش مصنوعی بصری است. طبق گزارش‌ها، اپل در حال کار بر روی ادغام دوربین‌ها در AirPods خود برای دقیقا این نوع استفاده است.

یکی از نکات قابل توجه در مورد VueBuds این است که رزولوشن دوربین های تک رنگ تنها 324 x 324 است و هر کدام تنها یک تصویر برای پردازش VLM می گیرند. علاوه بر از بین بردن هرگونه نگرانی بالقوه در مورد حفظ حریم خصوصی در مورد فیلمبرداری از افراد بدون رضایت آنها، این کار همچنین امکان پردازش بر روی یک مدل زبان کوچک را که به صورت محلی روی تلفن شما اجرا می‌شود، فراهم می‌کند و زمان پاسخگویی سریع‌تری نسبت به سیستم مبتنی بر ابر برای اکثر پرسش‌ها به شما می‌دهد.

کیم می‌گوید: «یکی از بینش‌هایی که ما از VueBuds به‌دست آوردیم این است که برای دیدن آنچه می‌بینید و پاسخ منطقی به شما نیازی به داشتن تصویر 1080p برای هوش مصنوعی ندارید.

همچنین دلایل طراحی زیادی برای تمرکز بر ضبط داده‌های با وضوح پایین‌تر وجود دارد، به‌ویژه وقتی صحبت از پردازش روی دستگاه و عمر باتری به میان می‌آید.

شهید می‌گوید: «به نظر من سؤال جالب تحقیق این نیست که آیا هدفون‌های هدفون می‌توانند هر کاری را که عینک هوشمند انجام می‌دهند انجام دهد یا خیر». این موضوع این است که آیا می‌توانیم هوش محیطی مفیدی بسازیم که عمدا کمتر را حس کند - داده‌های کمتر، با وضوح پایین‌تر، با پردازش بیشتر روی دستگاه - و همچنان قابلیت‌هایی را که کاربر واقعا به آن نیاز دارد، بدهد.

در همین حال، برخی از سازندگان عینک‌های هوشمند به بدبختی‌های متا نگاه می‌کنند و طراحی‌های خود را برای حذف کامل دوربین‌ها - از جمله خود متا - تطبیق می‌دهند.

کیم می‌گوید: «اکنون تمام این شرکت‌های شیشه‌های هوشمند دیگر را می‌بینید که سعی می‌کنند زیرمجموعه‌ای از کارهایی که Ray-Ban Meta انجام می‌دهد، به دلیل پیامدهای حفظ حریم خصوصی انجام دهند. "اینها عینک هایی هستند که شاید دوربین نداشته باشند و فقط از میکروفون استفاده می کنند، درست است؟ موضع من شخصا این است که ما یک دوربین کاملا با قابلیت و یک صفحه نمایش از قبل در تلفن خود داریم، از قبل در جیب ما. دلیلی وجود ندارد که ما یک دوربین روی صورت خود داشته باشیم."

البته، هیچ یک از اینها مانع از این نمی شود که عینک یک فرم فاکتور مفید برای هوش مصنوعی باشد، تا زمانی که فاکتور فرم با هدف مطابقت داشته باشد.

چا می‌گوید: «عوامل شکل‌های مختلف نیز به‌طور طبیعی خود را به انواع مختلفی از زمینه‌ها وامی دارند. زمانی که زمینه بصری یا خروجی بصری در مرکز تجربه باشد، عینک می تواند قانع کننده باشد. پوشیدنی های صوتی مخصوصا برای مکالمه مناسب هستند. ما لزوما معتقد نیستیم که برای هر برنامه هوش مصنوعی نیازی به یک فرم پوشیدنی جهانی واحد وجود داشته باشد. فرم باید از زمینه و کاری که هوش مصنوعی از آن خواسته می شود پیروی کند.

البته صنعت فناوری عاشق یک فاکتور شکل جدید است، چه سنجاق، آویز، عینک یا هدست، و دیگر هیچ چیز هیجان انگیزی در مورد هدفون های بی سیم وجود ندارد. در واقع، آنها کاملا آشنا هستند. همچنین به همین دلیل است که آنها برای دستیاران هوش مصنوعی عامل بسیار مناسب هستند.

چا می گوید: «امروزه هوش مصنوعی هنوز تا حد زیادی منفعل است. "شما یک برنامه را باز می کنید، یک اعلان ایجاد می کنید، زمینه را ارائه می دهید و به آن می گویید که چه کاری انجام دهد. ما معتقدیم که فرصت طولانی مدت رابطی است که از طریق آن افراد می توانند به سادگی صحبت کنند؛ هوش مصنوعی می تواند زمینه مربوطه را درک کند، به پیشبرد کار کمک کند، و زمانی که نیاز به قضاوت یا ورودی انسانی است، به کاربر بازگردد.

"ایربادها به ویژه در این زمینه جالب هستند زیرا صحبت کردن و گوش دادن از قبل رفتارهای طبیعی هستند."

برای اکثر کارهای هوش مصنوعی که در آن زمینه بصری مورد نیاز است، این قابلیت را می توان به صورت انتخابی و بدون مشکلاتی که ضبط ویدیو با وضوح بالا ایجاد می کند، اضافه کرد، خواه از طریق دوربین های موجود در هدفون های بی سیم شما یا حتی استفاده از تلفن خود برای ارائه زمینه بصری مورد نیاز دستیار هوش مصنوعی.

چا می‌گوید: «سوال مهم‌تر این است که آیا این رابط به AI زمینه و هدف کافی برای مفید بودن واقعی و در عین حال طبیعی، قابل اعتماد و از نظر اجتماعی قابل قبول باقی می‌ماند یا خیر.

نتیجه از یک پوشش بصری همیشه روشن مانند آنچه در داستان‌های علمی تخیلی می‌بینید، کمتر سینمایی و «فناوری» است، اما به‌عنوان چیزی که کسی در تمام طول روز می‌پوشد بدون اینکه هر تعامل اجتماعی به مذاکره بر سر دوربین تبدیل شود، بسیار قابل قبول‌تر است. دستیاران هوش مصنوعی آینده نیازی ندارند به هر کسی که می‌بینید خیره شوند. آنها باید وقتی از آنها خواسته می شود گوش کنند و پس از اتمام کار، پاسخ یا تأییدیه را بدهند. معلوم شد که ما قبلا یک پوشیدنی برای آن داریم.