شاهدتُ ذكاءً اصطناعيًا في نافذة الطلب من السيارة يقاطع شخصًا يتلعثم. فبنيتُ شيئًا مختلفًا.
هناك مقطع فيديو ينتشر على Reddit. امرأة عند نافذة الطلب من السيارة في مطعم Wendy's تحاول طلب ساندويتش Baconator. تتلعثم — تحدث لديها حُبسة عند حرف الـ"b" — فيقاطعها الذكاء الاصطناعي في منتصف الكلمة، ويقترح عليها بمرح مشروب Frosty. تحاول مجددًا. يفسّر النظام تكرارها على أنه طلب جديد. وبعد ثلاث محاولات، تصرخ "موظف!" في وجه صندوق مكبّر صوت لا يكترث.
شاهدتُ ذلك الفيديو ربما ثلاثين مرة. ليس لأنه مضحك — فهو ليس كذلك — بل لأن كل إخفاق في ذلك التفاعل ينعكس بدقة على قرار معماري اتخذه أحدهم في قاعة اجتماعات، وربما بينما كان ينظر إلى شريحة عرض كُتب عليها "معدل نجاح 86%".
تلك النسبة المتبقية البالغة 14%؟ أولئك أشخاص حقيقيون. وأزعم أن البنية المعمارية لم تُبنَ من أجلهم من الأساس.
هذه قصة السبب الذي دفع فريقي في Veriprajna إلى قضاء الجزء الأكبر من عامين في رفض أسرع طريق إلى السوق في مجال الذكاء الاصطناعي الصوتي — وما بنيناه بدلًا من ذلك.
ماذا يعني "الذكاء الاصطناعي الصوتي على مستوى المؤسسات" فعليًا؟
تفعل معظم الشركات في مجالنا شيئًا بسيطًا إلى حدٍّ لافت: توصّل ميكروفونًا بواجهة برمجة تطبيقات (API). OpenAI أو Google أو Anthropic — اختر نموذجك اللغوي الكبير المفضّل، ومرِّر الصوت إليه، واحصل على النص، وولّد استجابة. ثم أطلِقه.
أسمّي هذا نهج غلاف API، وهو يعمل ببراعة في العرض التوضيحي. غرفة هادئة، ومتحدث واضح، وطلب بسيط. العرض التوضيحي ينجح دائمًا.
العرض التوضيحي ينجح دائمًا. أما نافذة الطلب من السيارة عند الساعة 11:47 مساءً وخلفك شاحنة ديزل تعمل بالحد الأدنى وطفل صغير يصرخ في المقعد الخلفي — فهناك تكون البنية المعمارية مهمة فعلًا.
نظام FreshAI من Wendy's — المبني على Vertex AI من Google Cloud — هو على الأرجح أبرز مثال على هذا النهج على نطاق واسع. وتجارب العملاء المُبلَّغ عنها تخبرك بكل ما تحتاج معرفته عن حدوده: عملاء يحتاجون إلى ثلاث محاولات أو أكثر لطلبات بسيطة، ونظام يقاطع الناس في منتصف الجملة ليقترح أصنافًا لم يطلبوها، وتجربة وُصفت بأنها "غير قابلة للاستخدام" لأي شخص يعاني من اضطراب في طلاقة الكلام.
ومع ذلك، توسّع Wendy's النظام ليشمل 500-600 موقع. والسبب حساب بسيط — فالنظام يزيد متوسط قيمة الفاتورة عبر البيع الإضافي، وأرقام كفاءة العمالة تبدو جيدة في مكالمة الأرباح الفصلية. إذا كنت تُحسّن من أجل المتوسط، فالبنية المعمارية نجاح. أما إذا كنت الشخص الذي لا تعمل معه، فالبنية المعمارية معطوبة.
استكشفتُ هذا التوتر بعمق في النسخة التفاعلية من بحثنا. لكن الحجة الجوهرية هي حجة أريد أن أطرحها بنفسي، لأنها شكّلت طريقتنا في بناء كل شيء.
الليلة التي أدركنا فيها أن الميكروفون كان النقطة الخاطئة للبدء
كانت الساعة نحو التاسعة مساءً في يوم خميس من أواخر الربيع. أنا وشريكي المؤسس ومهندسان نقف في موقف سيارات فرع Taco Bell مغلق حصلنا على إذن باستخدامه للاختبار. كان نموذجنا الأولي مثبتًا على عمود — مكبّر صوت وميكروفون وبعض شريط لاصق يمسك كل شيء معًا. كنا نشغّله في المختبر منذ أسابيع بدقة تبلغ نحو 95%. شعرنا بأننا جاهزون.
كانت أول سيارة توقفت لامرأة في سيارة Honda Civic ونافذتها مفتوحة إلى المنتصف. قالت "أريد الوجبة رقم ثلاثة" بوضوح كافٍ. لكن النظام سمع "island numb recon bowl". نظرتُ إلى شريكي المؤسس. نظر هو إلى الأرض.
لم تكن الدقة سيئة فحسب — بل غير قابلة للاستخدام. وقفنا في ذلك الموقف لساعتين إضافيتين، نجري اختبارًا تلو الآخر، ولم تزدد الأرقام إلا سوءًا مع تزايد حركة المرور المسائية. أتذكّر اللحظة الدقيقة التي توقفتُ فيها عن الشعور بالإحباط وبدأتُ أشعر بشيء أقرب إلى الرعب: لم تكن هذه مشكلة ضبط. كان نهجنا بأكمله خاطئًا.
لم تكن المشكلة في النموذج اللغوي. كان النموذج جيدًا. كانت المشكلة في كل ما حدث قبل وصول الصوت إلى النموذج. ضجيج الرياح. هدير المحرك. الأزيز الميكانيكي لوحدة تكييف على بُعد عشرين قدمًا. بوق سيارة على بُعد ثلاثة مربّعات سكنية. لم يستطع نظامنا التمييز بين صوت بشري ومحرك ديزل لأن أحدًا لم يعلّمه ذلك على مستوى الإشارة.
كانت تلك اللحظة التي فهمتُ فيها شيئًا أعتقد أن معظم الناس في هذا المجال لم يستوعبوه بعد: الذكاء الاصطناعي الصوتي ليس مشكلة معالجة لغة طبيعية (NLP). إنه مشكلة معالجة إشارات أولًا، ومشكلة لسانيات ثانيًا، ومشكلة معالجة لغة طبيعية ثالثًا. إذا كانت طبقتك الأولى معطوبة، فلا شيء في المراحل اللاحقة يمكن أن ينقذك.
لماذا يستمر الذكاء الاصطناعي في نوافذ الطلب من السيارة في مقاطعة الناس؟
السبب هو شيء يُسمى كشف النشاط الصوتي — VAD. إنه النظام الذي يقرر متى بدأت الكلام ومتى توقفت. في معظم حلول الأغلفة، يكون عتبة طاقة بسيطة: يرتفع الصوت فوق خط معيّن فيبدأ التسجيل، وينخفض الصوت تحت الخط فيتوقف التسجيل.
فكّر في ذلك عند نافذة الطلب من السيارة. تتوقف نصف ثانية لتلقي نظرة على لوحة القائمة. تنخفض الطاقة. يقرر كاشف النشاط الصوتي أنك انتهيت. يرسل جزءًا من الجملة إلى النموذج، فيهلوس النموذج باستجابة لسؤال لم تُكمل طرحه أصلًا، وها أنت الآن تتجادل مع صندوق مكبّر صوت.
أعدنا بناء كاشف النشاط الصوتي لدينا من الصفر. فبدلًا من عتبات الطاقة، نستخدم نماذج عصبية — Silero وCobra — تُخرِج درجة احتمالية لوجود كلام بشري عبر ترددات متنوعة. وبدلًا من تشغيل/إيقاف ثنائي، يمنح نظامنا مستوى ثقة. وبدلًا من تحمّل توقف ثابت مدته 500 ميلي ثانية، نستخدم نافذة ديناميكية من 600 إلى 1000 ميلي ثانية تتكيّف بناءً على سياق المحادثة.
لكن الحيلة التي أحدثت الفارق الأكبر كانت ما نسميه النسخ التخميني. يبدأ النظام في معالجة الصوت عند 250 ميلي ثانية لكنه لا يلتزم بنقطة نهاية حتى مرور 600 ميلي ثانية من الصمت المؤكد. وهذا التداخل يقلّل زمن الاستجابة المُدرَك بمقدار 350 إلى 600 ميلي ثانية بينما يقضي في الوقت نفسه على المقاطعات المبكرة.
جادل شريكي المؤسس لأسابيع بأن نافذة التوقف الديناميكية مبالغ في هندستها. كنا في المكتب في وقت متأخر من إحدى الليالي — قهوة باردة، ولوحات بيضاء مغطاة بمخططات زمن الاستجابة — فأرجع كرسيه إلى الخلف وقال: "نحن نُنفق ثلاثة أسابيع هندسية على ميزة توفّر نصف ثانية. لا أحد يتوقف لثانية كاملة عند نافذة الطلب من السيارة. هذه مشكلة تفاخر." قلتُ شيئًا مثل: "وإذا كنت مخطئًا، فسنكون قد بنينا نظامًا يقاطع كل عميل يحتاج إلى التفكير." لم نتحدث بقية الليلة. غادر قرابة منتصف الليل. بقيتُ أنا وواصلتُ تشغيل المحاكاة.
ثم اختبرناه مع عملاء حقيقيين. واتضح أن الناس يتوقفون باستمرار — ينظرون إلى القائمة، ويلتفتون ليسألوا راكبًا عمّا يريده، ويفكرون فيما إذا كانوا يحتاجون البطاطس المقلية حقًا. ثانية كاملة من التوقف الطبيعي ليست صمتًا. إنها تفكير. أرسل لي شريكي المؤسس رسالة من سطر واحد بعد أن رأى نتائج الاختبار: "كنت محقًا. آسف بشأن الكرسي."
عندما تُحسّن من أجل السرعة على حساب الصبر، فإنك تبني نظامًا لا يعمل إلا مع الأشخاص الذين يعرفون بالفعل ما يريدون.
80 مليون شخص
يصيب التلعثم أكثر من 80 مليون شخص حول العالم. وقد وقع ذلك الرقم عليّ وقعًا مختلفًا بعد ما جرى في موقف السيارات.
ويظهر على هيئة تكرارات ("b-b-b-baconator")، وإطالات ("mmmmilk")، وحُبسات — توقفات صامتة في منتصف الكلمة يعجز فيها الشخص جسديًا عن إصدار صوت.
الآن فكّر فيما يفعله كاشف نشاط صوتي عادي مع الحُبسة. يتوقف الشخص عن إصدار الصوت في منتصف الكلمة. يفسّر النظام الصمت على أنه اكتمال للدور. فيستجيب لنصف كلمة. يحاول الشخص مجددًا. يتعامل النظام مع التكرار على أنه طلب جديد. وفي غضون عشر ثوانٍ، يصبح لديك ذكاء اصطناعي مشوش، وإنسان محبَط، وطابور من السيارات يتراكم خلفه.
هذه ليست حالة هامشية. إنها خيار تصميمي. عندما تدرّب نموذج تعرّف تلقائي على الكلام (ASR) بشكل شبه حصري على الإنجليزية الأمريكية "القياسية" — واضحة النطق، بأقل قدر من التوقفات — فأنت تتخذ قرارًا بشأن مَن يخدمه نظامك. تُظهر الأبحاث أن نماذج ASR القائمة على Conformer (بنية عصبية تجمع بين الالتفاف والانتباه الذاتي لمعالجة الصوت)، وهي العمود الفقري لمعظم الأنظمة الحديثة، يتدهور أداؤها بشدة بالغة على الكلام المضطرب لدرجة أن بعضها يُعيد درجات سالبة للتشابه الدلالي. ليست غير دقيقة فحسب — مقلوبة دلاليًا.
عندما يُعيد نموذج الذكاء الاصطناعي لديك درجات دلالية سالبة على الكلام المضطرب، فأنت لم تبنِ نظامًا يتعثر في الحالات الهامشية. لقد بنيتَ نظامًا لم يُصمَّم قط ليسمع شريحة كبيرة من البشرية.
قال لي مستثمر ذات مرة بصراحة تامة: "استخدم واجهة برمجة التطبيقات (API) فحسب واضبطها لاحقًا. أنت تستنزف رأس مالك على مشكلة تؤثر في نسبة صغيرة من العملاء." استحضرتُ الأرقام على هاتفي — 80 مليون شخص يعانون من التلعثم وحده، قبل أن تحسب اللهجات، والمتحدثين بالإنجليزية كلغة ثانية (ESL)، والعملاء المسنّين، وأي شخص يطلب في سيارة مليئة بالضوضاء. راقبتُ ملامح وجهه تتغير. قال: "هذه ليست نسبة صغيرة." قلتُ: "لا. ليست كذلك."
نضبط نماذج ذاتية الإشراف على مجموعات بيانات كلام غير طليق مُعاد توسيمها. ونستخدم إدراج اضطرابات الطلاقة الاصطناعية — بأخذ نصوص طليقة، وإضافة حُبسات وتكرارات، وتوليفها إلى صوت تدريبي. إنه عمل شاق. وليس من النوع الذي يظهر في جدول مقارنة الميزات. لكنه الفارق بين نظام يعمل مع الجميع ونظام يعمل مع المتوسط.
ماذا يحدث عندما يعمل الذكاء الاصطناعي الصوتي على الحافة بدلًا من السحابة؟
كل كلمة تُقال في ميكروفون نافذة الطلب من السيارة في Wendy's تسافر عبر الإنترنت العام إلى مركز بيانات لـ Google ثم تعود. وتلك الرحلة ذهابًا وإيابًا تكلّف من 100 إلى 500 ميلي ثانية قبل أن يبدأ النموذج المعالجة أصلًا. في التفاعل الصوتي، المعيار الذهبي هو زمن استجابة دون 300 ميلي ثانية — وأي شيء يتجاوز ذلك يجعل المحادثة تفقد طابعها الطبيعي. وعند 700 إلى 900 ميلي ثانية، تبدو كمكالمة هاتفية سيئة. وعند ثانيتين، يبدأ الناس بالكلام فوق النظام.
نقلنا كل شيء إلى الحافة. معالجة محلية على عتاد متخصص في موقع المطعم. وانخفض زمن الاستجابة لدينا إلى 5 إلى 10 ميلي ثانية.
لكن الرؤية الحقيقية لم تكن السرعة فحسب — بل حجم النموذج. يحتاج النموذج اللغوي الكبير عام الغرض إلى معرفة كل شيء عن كل شيء. أما النموذج اللغوي الصغير المتخصص في مجال معيّن فيحتاج فقط إلى معرفة أن "Dave's Single" هو ساندويتش برجر وليس ألبومًا موسيقيًا. وهذا التركيز يعني استدلالًا أسرع، واستجابات أكثر قابلية للتنبؤ، وجزءًا يسيرًا من التكلفة الحاسوبية. وقد شهدنا تحسّنًا في السرعة بمقدار 3 أضعاف وانخفاضًا في التكاليف التشغيلية بنسبة 30 إلى 40% مقارنةً بالنهج القائمة على السحابة.
كما حلّت معمارية الحافة مشكلة لم نكن قد توقعناها تمامًا: الموثوقية. فعندما ينقطع الإنترنت — وسينقطع حتمًا — يتحول النظام المعتمد على السحابة إلى ثِقل ورق باهظ الثمن. أما نظامنا فيستمر في العمل. وللاطلاع على التفصيل التقني الكامل لمعمارية الحافة لدينا مقابل النهج السحابية، يمكنك التعمّق في الورقة البحثية.
الجدار التنظيمي الذي لا يتحدث عنه أحد
وصل معيار CAN-ASC-6.2:2025 إلى مكتبي في أوائل عام 2025، وأتذكّر أنني قرأته بشعور يتراوح بين الارتياح والإحساس بصواب موقفنا — فها هو معيار يقول أخيرًا ما كنا نبني من أجله: يجب إشراك الأشخاص ذوي الإعاقة في تصميم أنظمة الذكاء الاصطناعي واختبارها وحوكمتها. لا كفكرة لاحقة. بل من البداية. ويبدأ تطبيق قانون إمكانية الوصول الأوروبي في يونيو 2025 بغرامات باهظة، ويجري إعادة تفسير قانون الأمريكيين ذوي الإعاقة (ADA) ليشمل الحواجز الرقمية للأشخاص ذوي إعاقات النطق. وتعديل نظام غير متوافق ليصبح متوافقًا عبر 600 موقع يكلّف نحو خمسة أضعاف ما يكلّفه بناؤه بشكل صحيح من البداية.
"ماذا لو كنا نبني فقط طريقة باهظة الثمن حقًا لأخذ طلب ساندويتش برجر؟"
خطرت لي تلك الفكرة نحو الساعة الثانية فجرًا، ربما بعد ستة أشهر من التطوير. كنت وحدي في المكتب، أحدّق في مخطط طيفي لكلمة متلعثَم بها لم يكن نظامنا قادرًا بعد على تحليلها. كنا منشغلين بهذا منذ أشهر. وكنا قد استنزفنا معظم تمويلنا الأولي. وشركات غلاف API كانت تُطلق منتجات بينما كنا ما نزال ننقّح خطوط معالجة الإشارات.
كدتُ أستسلم. كدتُ أقرر أن أغلّف واجهة برمجة التطبيقات فحسب، وأطلق شيئًا، ثم أحسّنه لاحقًا مثل الجميع.
لكن "التحسين لاحقًا" كذبة في الذكاء الاصطناعي الصوتي. فبمجرد أن تبني معماريتك حول افتراضات معتمدة على السحابة، وعتبة كشف النشاط الصوتي، والكلام الطليق حصرًا، فإن كل تفاعل مع عميل يعزّز تلك الافتراضات في بيانات تدريبك. أنت لا تتطور نحو إمكانية الوصول. بل تتطور مبتعدًا عنها.
ابنِ للحالة الهامشية أولًا، وستعتني الحالة المتوسطة بنفسها. ابنِ للمتوسط، ولن تُصلَح الحالة الهامشية أبدًا.
مشكلة تبادل الأدوار التي جعلتني أعيد التفكير في كل شيء
هناك دقّة في المحادثة البشرية نعتبرها أمرًا مسلّمًا به تمامًا. فحين تقول "أريد Baconator و..." — فإن حرف العطف "و" المتدلي في النهاية يشير إلى أنك لم تنتهِ. الكاشير البشري سينتظر. لكن معظم أنظمة الذكاء الاصطناعي في نوافذ الطلب من السيارة لا تفعل.
بنينا ما أعتبره قواعد نحو محادثاتية داخل منطق تحديد نقاط النهاية لدينا. يحلّل النظام الإشارات اللغوية في الزمن الفعلي: حروف العطف التي تشير إلى الاستمرار، وتغيّرات النبرة التي تشير إلى الاكتمال، وعبارة "هذا كل شيء" التي تعني تمامًا ما تقوله. فعندما يقول عميل "هذا كل شيء"، يستجيب نظامنا في أقل من 200 ميلي ثانية لأن القصد لا لبس فيه. وعندما يتلاشى صوته بقول "و..."، ينتظر، حتى عبر ثانية كاملة من الصمت.
وهنا أيضًا تكمن فلسفتنا القائمة على وجود الإنسان ضمن الحلقة. فنحن لا نؤمن بأن الذكاء الاصطناعي ينبغي أن يتولى المعاملة بأكملها دون إشراف. الطلبات البسيطة المعاملاتية — يتولاها الذكاء الاصطناعي. أما المواقف المعقّدة، والعملاء المحبَطون، ولحظات الاحتكاك العالي — فتُصعَّد إلى إنسان قبل أن ينهار التفاعل، لا بعده.
لم يكن الهدف قط استبدال الإنسان عند نافذة الطلب من السيارة. بل كان ضمان ألا يضطر أي عميل أبدًا إلى الصراخ "موظف!" في وجه آلة لا تُصغي.
أعود دائمًا إلى معدل النجاح البالغ 86% الذي أبلغت عنه Wendy's. في معظم سياقات البرمجيات، سيُعتبر 86% إخفاقًا. تخيّل تطبيقًا مصرفيًا يعالج 86% من المعاملات بشكل صحيح. تخيّل نظام ملاحة يوصلك إلى الوجهة الصحيحة 86% من الوقت. لقد طبّعت نافذة الطلب من السيارة بطريقة ما معدل إخفاق سيكون غير مقبول في أي تفاعل استهلاكي آخر.
هذه مشكلة معمارية، وليست مشكلة ذكاء اصطناعي
النمط الذي أراه في القطاع بأكمله هو شركات تتعامل مع الذكاء الاصطناعي الصوتي كطبقة برمجية — شيء تركّبه فوق البنية التحتية القائمة بمفتاح API المناسب. وأنا أتفهّم السبب. فهو سريع ورخيص والعروض التوضيحية مذهلة.
لكن نافذة الطلب من السيارة ليست عرضًا توضيحيًا. إنها محركات ديزل ورياح وأطفال صغار ولهجات وتلعثم وأشخاص يتوقفون للتفكير. إنها التعقيد الكامل غير القابل للاختزال للتواصل البشري وهو يحدث في أسوأ بيئة صوتية ممكنة. لا يمكنك أن تشقّ طريقك عبر ذلك بالأغلفة.
الشركات التي ستفوز في هذا السوق — وأقول هذا بانحياز شخص راهن بمساره المهني عليه — هي تلك المستعدة للتعمّق. التعمّق في معالجة الإشارات. التعمّق في النمذجة الصوتية. التعمّق في لسانيات كيفية كلام الناس فعليًا، لا كيف تقول بيانات تدريب ASR إنه ينبغي أن يكون. التعمّق في بنية تحتية على الحافة لا تعتمد على مركز بيانات يبعد ألف ميل.
لا توجد طرق مختصرة في الذكاء الاصطناعي الصوتي. لا يوجد سوى العمل الدقيق غير البرّاق العميق تقنيًا لبناء أنظمة تسمع كل عميل. ليس 86% منهم. بل كل واحد منهم.
هذا ما يعنيه المستوى المؤسسي. وإلى أن يقبل القطاع هذا التعريف، سنظل نشاهد مقاطع فيديو لمكبّرات صوت في نوافذ الطلب من السيارة عاجزة عن فهم كلمة "Baconator".
