Jack Dorseys neue KI hat kein einziges Wort gelesen – und führt trotzdem erschreckend menschliche Gespräche

Jack Dorseys Unternehmen Block, das hinter Square und Cash App steht, hat Dessa vorgestellt, ein neues KI-Modell, das Gespräche fast wie ein Mensch führen soll. Anders als herkömmliche Sprachassistenten, die auf Textverarbeitung setzen, soll Dessa alles, was es weiß, allein durch das Zuhören bei menschlichen Gesprächen gelernt haben.

Dessa wird als Vollduplex-Speech-to-Speech-Modell beschrieben. Vereinfacht gesagt kann es gleichzeitig zuhören und sprechen. Dadurch ist die KI in der Lage, Unterhaltungen zu unterbrechen, Gesagtes zu bestätigen und zu reagieren, ohne darauf warten zu müssen, dass das Gegenüber seinen Satz beendet. Laut der offiziellen Ankündigung von Block wurde Dessa komplett von Grund auf anhand von Aufnahmen menschlicher Gespräche trainiert.

Es nutzt demnach weder geschriebenen Text noch vortrainierte Sprachmodelle. Das bedeutet, dass sein Verständnis von Sprache, Fakten und Gesprächsverhalten ausschließlich aus Audiodaten stammt. Das Unternehmen behauptet, dieser Ansatz ermögliche es Dessa, Nuancen zu erkennen, die herkömmliche Speech-to-Text-Pipelines womöglich übersehen würden – darunter Sarkasmus, Zögern, Lachen und Veränderungen des emotionalen Tonfalls.

In mehreren auf der Website veröffentlichten Demonstrationen lacht das Modell mitten im Satz, hebt die Stimme, wenn es aufgefordert wird, lauter zu sprechen, und vervollständigt sogar einen Satz, wenn sich jemand nicht an einen Filmtitel erinnern kann.

Eine besonders interessante Vorführung zeigt Dessa im Gespräch mit OpenAIs Sprachmodell GPT-Live-1. Laut Block fangen diese Aufnahmen Live-Interaktionen ein, ohne dass jemand die Antworten des Modells gesteuert hätte. Dennoch handelt es sich um herstellerseitige Demonstrationen, die entsprechend eingeordnet werden sollten. Auch die Hardware-Perspektive ist bemerkenswert: Block gibt an, dass Dessa mit nur einem einzigen Nvidia-GB200-NVL72-System trainiert wurde, das 72 Blackwell-GPUs beherbergt.

Auch die Hardware ist interessant. Block gibt an, Dessa mit nur einem Nvidia-GB200-NVL72-System trainiert zu haben, das 72 Blackwell-GPUs enthält. Das daraus entstandene Modell soll lokal auf einem MacBook Pro mit Apples M4 Max oder einem leistungsfähigeren Chip laufen können.

Block behauptet zudem, dass die Inferenz schneller als in Echtzeit abläuft, was Unterhaltungen ohne spürbare Pausen ermöglicht. Öffentlich verfügbar ist Dessa derzeit allerdings noch nicht. Block lädt eine begrenzte Anzahl von KI-Sicherheitsforschern ein, das Modell zu evaluieren; für alle anderen gibt es eine Warteliste. Die genaue Parameteranzahl, die Modellgewichtungen sowie standardisierte Benchmark-Ergebnisse hat das Unternehmen bislang nicht offengelegt.