นักพัฒนาคนหนึ่งได้โพสต์โมเดล transformer ขนาด 125 ล้านพารามิเตอร์ลงใน Hacker News ซึ่งสามารถเติมเต็มทำนองเปียโนให้สมบูรณ์ได้โดยตรงบนแล็ปท็อปหรือโทรศัพท์ โดยไม่ต้องเชื่อมต่อกับคลาวด์เลย นักดนตรีจะได้รับคำแนะนำโน้ตต่อโน้ตแบบเรียลไทม์ ในขณะที่ยังคงรักษาความเป็นส่วนตัวของทุกไอเดียเอาไว้ได้

ทำไม AI ดนตรีแบบ On-device ถึงมีความสำคัญ

ความหน่วง (Latency) คือตัวทำลายกระแสความคิดสร้างสรรค์ แม้แต่ความล่าช้าเพียงเสี้ยววินาทีก็สามารถทำให้จังหวะ (groove) เสียไปได้ การรันโมเดลในเครื่องโดยตรงช่วยให้คำแนะนำปรากฏขึ้นภายในไม่กี่มิลลิวินาที ซึ่งช่วยขจัดความล่าช้าที่สังเกตเห็นได้จนหมดสิ้น

เรื่องความเป็นส่วนตัวก็สำคัญไม่แพ้กัน เนื่องจากโมเดลทำงานอยู่บนอุปกรณ์โดยตรง ร่างทำนองของนักแสดงจึงไม่เคยหลุดออกจากฮาร์ดแวร์ที่พวกเขาเป็นเจ้าของเลย

ความสามารถในการทำงานแบบออฟไลน์ช่วยให้เครื่องมือนี้ใช้งานได้ในทุกพื้นที่ ไม่ว่าจะเป็นห้องซ้อม สถานที่แสดงดนตรี หรือสตูดิโอห่างไกลที่สัญญาณ Wi-Fi ไม่เสถียรหรือไม่สามารถใช้งานได้ แล็ปท็อปเครื่องเล็กๆ หรือแท็บเล็ตสมัยใหม่จึงกลายเป็นผู้ช่วยสร้างสรรค์งานที่พึ่งพาตัวเองได้

โมเดลนี้ทำงานอย่างไร

ระบบนี้มองว่าการบรรเลงเปียโนคือภาษาหนึ่ง โดยจะแปลงเหตุการณ์ MIDI เช่น note-on, note-off และ velocity ให้เป็นลำดับของโทเคน (token sequence) แล้วป้อนลำดับนั้นเข้าสู่ transformer ซึ่ง transformer นั้นมีความเชี่ยวชาญในการทำนายรายการถัดไป ซึ่งในบริบทของดนตรีก็คือการตอบคำถามว่า “โน้ตตัวต่อไปคืออะไร?” นั่นเอง

นักพัฒนาได้ใช้เทคนิค quantization เพื่อลดขนาดของน้ำหนัก (weight) แต่ละตัวให้อยู่ในรูปแบบที่มีความละเอียดต่ำลง ซึ่งช่วยลดขนาดไฟล์และลดการคำนวณที่จำเป็นลงอย่างมาก

สิ่งที่เครื่องมือนี้ทำได้จริง

  • แนะนำส่วนต่อขยาย สำหรับท่อนทำนองสั้นๆ โดยช่วยขยายวลีเพลงให้ยาวขึ้นในขณะที่ยังคงความสอดคล้องทางดนตรี
  • เคารพคีย์เพลง (key signatures) และข้อจำกัดของสเกล เพื่อหลีกเลี่ยงโน้ตที่ผิดคีย์ซึ่งจะทำให้ฟังดูขัดหู
  • เลียนแบบสไตล์ที่อยู่รอบข้าง ไม่ว่าอินพุตจะเป็น jazz lick, classical arpeggio หรือ pop hook ก็ตาม
  • ช่วยทลายกำแพงความคิดสร้างสรรค์ โดยการเสนอไอเดียใหม่ๆ เมื่อผู้ประพันธ์เพลงรู้สึกติดขัด

ฟีเจอร์เหล่านี้ทำให้ระบบทำงานเหมือนฟีเจอร์ autocomplete ในโปรแกรมแก้ไขข้อความ เพียงแต่ใช้กับดนตรี มันทำหน้าที่เป็นคู่หูผู้ช่วย ไม่ใช่สิ่งที่จะมาแทนที่การตัดสินใจของมนุษย์

ข้อจำกัดของโมเดล

  • ไม่สามารถสร้างบทเพลงที่มีความยาวเต็มรูปแบบ เช่น เพลงที่มีความยาว 64 ห้องเพลงได้โดยปราศจากการชี้แนะจากมนุษย์
  • ไม่ได้สร้างแนวเพลงใหม่ขึ้นมาทั้งหมด ผลลัพธ์ที่ได้จะยังคงอยู่ภายใต้ขอบเขตทางสถิติของข้อมูลที่ใช้ฝึกฝน (training data)

ในทางปฏิบัติ นักดนตรียังคงต้องประเมิน แก้ไข และปรับแต่งคำแนะนำเหล่านั้น เหมือนกับที่นักเขียนต้องแก้ไขประโยคที่ได้จากโปรแกรมตรวจคำผิด

นัยสำคัญในวงกว้าง

โปรเจกต์นี้แสดงให้เห็นว่า AI ที่มีประโยชน์สำหรับงานสร้างสรรค์ไม่จำเป็นต้องพึ่งพาโมเดลขนาดมหึมาบนคลาวด์อีกต่อไป transformer ขนาดพอเหมาะก็สามารถให้ความช่วยเหลือแบบเรียลไทม์บนฮาร์ดแวร์ทั่วไปได้

สิ่งที่น่าติดตามต่อไป

  • ส่วนขยายจากชุมชน: โพสต์ต้นฉบับมีลิงก์ไปยังชุมชนแห่งการเรียนรู้ที่นักพัฒนาสามารถแบ่งปันการปรับปรุงแก้ไขร่วมกันได้

บทสรุปสำคัญนั้นเรียบง่าย: transformer ขนาดพอเหมาะสามารถให้ความช่วยเหลือที่เป็นประโยชน์ รวดเร็ว และเป็นส่วนตัวแก่เหล่านักเปียโนได้แล้ว หากคุณเคยต้องการ “co-pilot” ที่คอยกระซิบโน้ตตัวถัดไปโดยไม่ต้องออกจากแล็ปท็อปของคุณ อนาคตนั้นได้มาถึงแล้ว