本気で聞きたいんだけど、これはどんな問題を解決するの？ Apple が Siri に大規模言語モデルを載せた瞬間に終わるんじゃない？
既にある時計、携帯電話、イヤホン、スピーカーの代わりに、なぜ600ドルとサブスク料金を払ってこれを使う必要があるのか分からない
音声を主なインタラクションにして画面を捨てようとする執着も理解できない。少なくとも Google Glass や拡張現実なら読めはする
音声を主なインタラクションにして画面を捨てようとするのが理解できない、という点には同感
数年前の Google I/O の発表で、ユーザーはマルチモーダルなインタラクションを望んでいると言っていた。例えば音声でレストランのおすすめを頼み、結果の一覧はデバイスで見る、という形。問い合わせと結果がそれぞれ最も簡単な方法で提示され、人は自然にその間を行き来する
この製品は発売と同時に死にそうに見える。誰があんなふうに手を上げていたいのか？ 誰が平らでもない「画面」を見たいのか？ 歩いている時や、車、バス、地下鉄のような移動中にも使えるのか？
単なるサンクコストの誤謬から出てきたリリースではないのか？
人々はスマートフォン後のフォームファクターを考えている。Apple は新しい Apple Watch と間もなく出る Apple Vision で、皆に手のジェスチャーを訓練させているところで、Humane は手の上への投影とタッチの方向へ進んでいる
これは組織の上層部の人たちが買って、それ以外の人は買わないかっこいいおもちゃに見える
消費者市場では、ソーシャルメディアで時間を浪費させてくれないので競争できない。企業市場では、画面がないので競争できない。メールも、スプレッドシートも、誰もが慣れた共同作業用チャットアプリもない。写真も優れたものにはなりにくく、このデバイスで撮った写真や動画を見るには別のデバイスが必要になる
印象的な AI 機能のおかげで成功するのだとしても、スマートフォンメーカーが AI に研究開発を注ぎ込み、ソフトウェアアップデートで無料提供できる。今これを使う人は、会議の日程を調整し、同僚や顧客に短いメッセージを送ることが仕事の人たちだけのように思える
1件のコメント
Hacker Newsの意見
関連して進行中のスレッド: The Humane AI Pin Launches Its Campaign to Replace Phones - https://news.ycombinator.com/item?id=38207656 - 2023年11月、コメント130件
この製品が成功しない理由はいくらでもあるが、人々が新しい試みをしているという事実だけでわくわくするし、デザインもかなり良さそうに見える
一見すると簡単に退けられるが、彼らは本当に新しいインタラクション方法を考えているようだ。長期的には「コンピューターが消える」という考えは正しい可能性が高い。読書、写真、映画のようなコンテンツ消費を除けば、コンピューターや携帯電話で行う作業の大半は、必ずしも画面を必要としない。コンピューターが人と人とのやり取りを邪魔しにくくなり、よりうまく引っ込んでくれるなら、良いことだと思う
ただ、これが解決策なのかは不確かだ。外向きのカメラによるプライバシー侵害や気味悪さは依然として現実的だし、遅延時間やバッテリー寿命も大きな制約になり得る。価格も多くの人にとって最初から障壁で、私も同じだ
それでも、ここにはビジョンがあって印象的だ。会話型インターフェースはさまざまな理由でこれまで成功してこなかったが、原理的に不可能という意味ではなく、理想的に実装されれば魅力的なものにもなり得る。試み自体がうれしいし、レーザーディスプレイも格好いい
何年にもわたって音声UI/UXをかなり研究してきたし、大規模言語モデルがあってもこの製品には非常に懐疑的だ。Siri/Alexaの時代には「音声コマンドライン」を「チャットインターフェース」に変えてくれるLLMが欠けていたのは確かだが、それだけが失敗の理由ではなかった
チャット、特に音声の情報密度と線形性が大きな問題だ。画面では目が2次元に動き、サイドバー、段落、ボタン、バーなどを同時にざっと確認できるが、会話では一度に1つしか聞いたり読んだりできず、リストも1つずつしか提示されない。そのため、どんな決定木やメニューツリーをたどるにしても非常に遅くなる。モバイルファーストの設計はこれを単純化しはしたが、十分ではない。TTSで読み上げる方式は、欲しい情報を見つけるのにさらに遅い
だからこれまでは、スマートホーム、メディア、タイマーのような単純な制御と、天気、ドアベル通知、最後のメッセージの読み上げのような単純な情報検索に落ち着いてきた。そこに、公共の場で声に出して話さなければならない問題や、誤認識のような音声UIの避けがたい欠点もある
こうした音声デバイスの最善策は、彼らがやったように「最近見逃したものは何だろう」のような単純な体験に集中し、AIが十分うまくやってくれることを願うことだと思う。レーザーディスプレイは、メディア操作のようにメニュー全体を一度に見せるのに役立つかもしれないが、結局はより使いにくいスマートウォッチのようになってしまう可能性が高い
正直なところ、一番ためらうのはピン形状だ。プロジェクターまで考えると新しいのは確かだが、どれほど重く、服の着心地にどんな影響を与えるのだろうか。ジャケットやスカーフを着たら？ 歩くときにぶらぶらしないだろうか？
脳が外界と相互作用する感覚は残念ながら5つしかなく、その中で視覚は情報密度が最も高く、活用もしやすい。画面は当分なくならないと思う
プロジェクターも私にとっては画面と同じで、歴史もかなり長い。ただし、第六感を導入するような直接的な脳コンピューターインターフェースには期待している
数分おきにデバイスへ音声コマンドを話すのは、誰かが携帯電話を見てタイピングしているよりはるかに邪魔だ。それでも、一目見て格好いいという点には同意する。現実には、人々があまりに頻繁に音声コマンドを出さなければならず、悪いアイデアのように見える
デモで「次の日食はいつで、どこで見るのが一番良いか？」と尋ねると、AIは2024年4月8日という点は正しく答えたものの、「最良の場所はオーストラリアのExmouthとEast Timor」と完全に幻覚している
この日食は北米でしか見られず、オーストラリアとEast Timorでは見られない。4月7日にオーストラリア行きの航空券を予約してくれと頼まなかったのは幸いだ。技術デモなら、AIが幻覚していないか確認すべきだったのではないか
こういうものをそのまま残したのが信じられない。広告では少なくとも見栄えよく作るべきなのに、結果的にプロモーション動画の正反対になってしまっている
Google Bardの幻覚デモ以降、教訓を得ていてもよさそうなものなのに
(1) https://www.space.com/33784-solar-eclipse-guide.html
最大の問題は、人々が公共の場でコンピュータに話しかけることを嫌う点だと思う
Alexa は、自宅という私的な空間で使えたからこそ、かなり多く使われるところまで一番近づけた
音声 UI では、何ができて何ができないのかの境界が不明瞭なことも大きな障壁。「申し訳ありませんが、それはできません」を何度か聞くと、使うのをやめてしまう
GPT の音声でこれを実際に経験した。機能は素晴らしいが、外を歩いているときや自分のオフィスに座っているときを除けば、突然何かに話しかけるのが自然に感じられる空間はほとんどない
微妙なケースはイヤホンをしていて、誰かと通話中のように見える場合だが、それでも普通は公共の場で他人と距離を取らずに電話することはない。最近の軽いコミュニケーションの大半が音声通話やビデオ通話ではなくテキストであるのには理由がある
ここに GPT Vision や Whisper のようなものが組み合わされれば、近いうちにずっと自然に感じられるようになりそうだ
正直、Apple がこれをもっと強く推し進めていないのは驚きだ。Siri をあれだけ宣伝しているが、自分には役に立たない。Apple ならこうしたAI Pinのようなものを作れそうなのに、外から見る限り、この分野で何をしているのかまったく分からない。わざと船が出ていくのを見送っているように感じる
付け加えると、Pin + AirPods の組み合わせは、より静かにやり取りする良い方法になり得る
Apple がショートカットを推していた時期に真剣に使ってみたが、その30% の失敗率が結局致命的だった。発表を見て Humane の製品には興味が湧いたものの、まず失敗モードを見たいし、新しい 3Com Audrey みたいな製品を真っ先に買う人にはなりたくないので、当面は様子を見るつもりだ
この問題は長く続かないと思う。ChatGPT 音声モードはほぼ 99% まで来ている。残る問題は会話のリズムだけだ。ChatGPT の発話を自然に遮ることができず、ボタンを押さなければならない
これは手首ではなくシャツに着ける、機能が少ないApple Watchのように見える
今の Siri が優れていないのは確かだが、Apple は自社の大規模言語モデルを熱心に作っているので、すぐに変わるだろう
すてきなプロジェクトではあるが、大半の人が欲しがる製品ではないと思う。Google Glass のように見える
Fashion Week のランウェイに載せれば即座にファッショナブルになる、という Google Glass がやった気まずい試みまでそっくりだ: https://images.fastcompany.net/image/upload/w_1200,c_limit,q...
手首を上げて小さな画面を見て話すのは直感的だが、Humane のウィジェットはそうではない
公共の場で音声コマンドを出す単純な状況を考えると、Watch は口元に近づけ、もう一方の手で両方を覆って、より小さな声で話せる。Humane はシャツを顔の方へくしゃっと持ち上げなければならないのだろうか？
しかも私は地球上でも特に日差しが強い場所の一つに住んでいるので、屋外で手の上の投影ディスプレイが見えるとは信じにくい
それでも探索や新しいアイデアには賛成だ。フォームファクタについて自分が間違っていたと認める用意はある。ただ、ウェアラブル・コンピューティングのインターフェース問題は数百年前にすでにかなり解決されていたように思え、それを覆すには多くの説得が必要だ
唯一の差別化要素はおそらくリアルタイム翻訳だが、頻繁に使う用途でもないし、必要なときは Google Translate を使うためにスマートフォンを取り出せばいい
新しいハードウェアは好きなので残念だが、この価格と機能では、少なくとも自分に合う製品ではない
公共の場で音声インターフェースを使うと間抜けに見えるのが問題だ。実際に動作するときでさえそうだし、デバイスが私にプライベートな内容を言わなければならないかもしれない
「Hey Humane、次の火曜午後 2 時に会議を追加して」
「申し訳ありません、Dave。それはできません。痔に関する病院の予約があります」
本気で聞きたいんだけど、これはどんな問題を解決するの？ Apple が Siri に大規模言語モデルを載せた瞬間に終わるんじゃない？
既にある時計、携帯電話、イヤホン、スピーカーの代わりに、なぜ600ドルとサブスク料金を払ってこれを使う必要があるのか分からない
音声を主なインタラクションにして画面を捨てようとする執着も理解できない。少なくとも Google Glass や拡張現実なら読めはする
数年前の Google I/O の発表で、ユーザーはマルチモーダルなインタラクションを望んでいると言っていた。例えば音声でレストランのおすすめを頼み、結果の一覧はデバイスで見る、という形。問い合わせと結果がそれぞれ最も簡単な方法で提示され、人は自然にその間を行き来する
この製品は発売と同時に死にそうに見える。誰があんなふうに手を上げていたいのか？ 誰が平らでもない「画面」を見たいのか？ 歩いている時や、車、バス、地下鉄のような移動中にも使えるのか？
単なるサンクコストの誤謬から出てきたリリースではないのか？
もう一度言うが、combadgeだ。combadge が存在せず使われていないという明白な問題を解決する
あるいは少なくとも、ほぼ combadge だ。質的には良い前進ではあるが、サブスクのような望ましくない機能が多い。Ferengi の combadge なら筋が通るかもしれない。画面もウェイクワードも不要。combadge は画像プロジェクターである必要も、豊富な触覚コントロールを備える必要もない。そうした機能を無視すれば、プロダクトと課題の適合性はもっと良くなるかもしれない
消費者市場では、ソーシャルメディアで時間を浪費させてくれないので競争できない。企業市場では、画面がないので競争できない。メールも、スプレッドシートも、誰もが慣れた共同作業用チャットアプリもない。写真も優れたものにはなりにくく、このデバイスで撮った写真や動画を見るには別のデバイスが必要になる
印象的な AI 機能のおかげで成功するのだとしても、スマートフォンメーカーが AI に研究開発を注ぎ込み、ソフトウェアアップデートで無料提供できる。今これを使う人は、会議の日程を調整し、同僚や顧客に短いメッセージを送ることが仕事の人たちだけのように思える
生活の中で気を散らすものにならず、背景に溶け込む技術を作ろうとする試みで、それが彼の主な原則だったように思う
“laser ink display” は、数年前に VFX 動画制作者の Captain Disillusion が徹底的に論破していた Cicret Bracelet というインチキなディスプレイ技術に少し似ているように見える: https://www.youtube.com/watch?v=KbgvSi35n6o
実際のデモのように見える動画はいくつかあるが、デバイスと、より重要な撮影カメラの設定を独立レビューアーが管理した例はまだ見たことがない。現実で使えるのかは非常に懐疑的だ。創業者のデモの中に、手のひらを上に傾ける入力があるが、室内照明下でも投影は苦しそうに見え、日光の下では言うまでもない: https://youtu.be/CwSeUV3RaIA?t=205
この製品の売り文句は「これでもう気を散らす画面はなく、多くのアプリやサービスをダウンロードして管理する必要もない」ということのようだ。だが画面はある。とても悪い画面で、それが自分の手だというだけだ。そして、デバイスに付属する単一のサービスとアプリの束に制限される
AI が望むことを何でもやってくれると言うのはいいが、現実世界には残念ながら著作権の制限とコンテンツのライセンス契約があり、合法的な会社の標準サービスはそれに従わなければならない。聴きたい曲がこの製品と提携している音楽サービスになければ、自分のコンピューターからこのデバイスへ音楽ファイルを移せるのか？ こういうユースケースは多く、すぐに本物の画面と、対話型の音声コマンドよりも精密で領域特化した入力方式が必要になる
もちろん、ここの読者は例外だろうけど
動画では次の日食についての答えを実際には確認していないようだ。2024年4月8日の皆既日食は北米で最もよく見える
オーストラリアの Exmouth は、2023年4月20日に皆既日食があった場所だ。 https://science.nasa.gov/eclipses/future-eclipses/eclipse-20...
映画に出てくるものは、現実に作れという意味で存在しているわけではない。映画では、ピンは俳優が自分の考えをカメラに向かって語るので劇的効果に向いている
現実にはカメラはなく、代わりに他の人たちがいる