Гонконгський стартап Votee AI кидає виклик домінуванню англійської та мандаринської мов у сфері штучного інтелекту, створюючи моделі для кантонської та інших мов, які залишаються поза увагою великих розробників. За словами генерального директора компанії Пака-Суна Тінга, уся ШІ-революція відбувається англійською та мандаринською, а на решту мов припадає лише незначна частка.
Votee AI бере відкриті моделі від Meta та Alibaba, донавчає їх на кантонських даних і продає результат банкам, університетам і державним установам. Тінг наголошує, що кантонська мова використовується не лише в культурі, а й в освіті, охороні здоров'я та поліцейських комунікаціях, тому без її підтримки штучний інтелект стає практично марним.
Кантонська мова суттєво відрізняється від мандаринської граматикою та лексикою, особливо в Гонконгу, де мовці часто перемикаються між англійською та кантонською в межах одного речення. Понад 80 мільйонів людей розмовляють кантонською — це приблизно стільки ж, скільки корейською, і більше, ніж італійською чи тайською. Однак така велика база мовців не призвела до створення достатнього обсягу стандартизованих письмових даних, особливо для розмовної кантонської.
Бенчмарки HKCanto-Eval, розроблені дослідниками Університету Кюсю, Гонконгського університету освіти та місцевої ШІ-спільноти hon9kon9ize за підтримки Votee, показують, що провідні моделі можуть на розумному рівні обробляти повсякденну кантонську, але регулярно помиляються у питаннях культурних і локальних знань.
Тінг пояснює, що створення кантонської мовної моделі передбачає ті самі кроки, що й навчання моделі з нуля: береться наявна відкрита модель, як-от Llama від Meta або Qwen від Alibaba, і додатково навчається на кантонських даних. Votee отримує дані з онлайн-джерел, зокрема з контенту Radio Television Hong Kong, від університетів і місцевої спільноти, а також використовує синтетичні дані. Завдяки цим зусиллям корпус кантонських даних зріс зі 100 мільйонів до понад 500 мільйонів токенів.
Моделі Votee AI мають близько 70 мільярдів параметрів — значно менше, ніж найкращі моделі на ринку, проте вони здатні розуміти та міркувати кантонською. Витрати на навчання становлять приблизно 250 тисяч доларів, що набагато менше за бюджети провідних лабораторій, які використовують трильйони токенів для англомовних моделей.
Votee працює в межах ширшого руху «суверенного ШІ», до якого долучаються компанії та уряди в різних країнах. Індонезійський телекомунікаційний оператор Indosat будує модель Sahabat AI для індонезійських мов, сінгапурський AI Singapore запустив SEA-LION для 11 мов Південно-Східної Азії, а Південна Корея проводить державний турнір із відбору національних моделей із бюджетом близько 6,8 мільярда доларів на 2026 рік.
Тінг визнає, що повна версія ідеї суверенного ШІ, коли країни володіють усім ланцюжком постачання, є дуже складною. Він радить урядам зосередитися на володінні фундаментальними моделями та застосунками, побудованими на їхній основі. Для автоматизації багатьох завдань достатньо невеликої моделі навіть з 1 мільярдом параметрів, а за потреби потужніші можливості можна маршрутизувати через меншу локальну модель.
Votee AI є прибутковою компанією, доходи якої перевищують витрати, і фінансується переважно за рахунок клієнтських контрактів. Основними замовниками моделей для кантонської та інших мов виступають уряди та корпорації. Серед інвесторів стартапу — гонконгський магнат Аллан Земан.
