一个没学过文字的 AI，听到用户说要带它去巴黎，能当场发出带哭腔的抽泣，还能接住冷嘲热讽。但多聊两句，它就会把对话者毫无由头地认成 C 罗，或者在讨论诺兰电影时突然拐到超人。
Block 掌门人 Jack Dorsey 拿出的原生语音模型 Dessa，把这套反差推到了台前。官方宣称这是首个完全脱离文本标记、纯粹凭借人类真实对话音频训练的端到端全双工模型，能在一台搭载 M4 Max 芯片的 MacBook Pro 上本地离线跑起来。
市面一度传言它是在单卡上轻巧炼成的奇迹，但事实恰恰相反。Block 动用的是一整套配备 72 块 GPU 的液冷机柜系统。像婴儿一样脱离文字学语，听起来极富极客浪漫，但在惊艳的情绪语调背后，这项激进尝试换来的是常识坍塌、虚高硬件门槛与尚未结算的商业算计。
击碎单卡神话：72卡整柜工程与空心的大脑
把单张显卡当成 Dessa 训练底座属于事实误读。Block 实际采用的是整套 NVIDIA GB200 NVL72 液冷机柜，整合了 72 块 Blackwell 架构 GPU 与 36 块 Grace CPU。从零开始以纯音频流作为语料，意味着模型必须在波形振动里自己摸索语法、常识和对话动态，浮点运算开销极其高昂。
文字是人类沉淀逻辑的龙骨，抽走骨架的代价非常直观。欧洲开源机构 Kyutai 研发全双工模型 Moshi 时做过消融实验：移除了维持符号逻辑的内部文本后，模型在常识题库上的准确率从 62.3% 暴跌到 21.0%，问答表现腰斩。
Meta 早在 2022 年就发表过无文本对话模型 dGSLM，同样止步于实验室。纯音频表征擅长模仿抽泣、停顿、换气和笑声，但因果推演能力极其脆弱。Dessa 能把人类说话的架势学得惟妙惟肖，可一旦进入常识问答，张口就是荒谬幻觉。
在工业级指标上，主流方案如 OpenAI GPT-Live-1 在对话动态评测中可达 97.3%，端到端轮转响应延迟为 0.798 秒；Moshi 也公开了约 200 毫秒的实测延迟。Dessa 至今未公布参数量、首包延迟与基准跑分，只含糊宣称推理速率快于实时。吞吐量达标不等于打断响应及时，缺乏硬指标的闭门演示难以证明其实用性。
高昂的端侧门槛，难进收银台的模型
Block 描摹了一幅端侧运行的极客图景，但现实硬件约束十分明确。官方标明的本地部署基线是配备 M4 Max 芯片的 MacBook Pro，这类机器单台售价数万元。
普通街头商户用的是几百美元的轻量收银设备。把工作站级别的硬件塞进收银台，在财务账目上根本行不通。
商业落地上同样存在割裂。Square 早在 2025 年 10 月的股东信中就推出了 AI 语音电话点单，用于对接外卖与后厨。不少人推测 Dessa 会迅速接入这套体系，但 Square 至今并未采用 Dessa，也没有任何接入计划。
餐饮点单核心指标是抗噪容错、数字识别和菜品记录准确率。前台处理汉堡加不加酸黄瓜，根本不需要一个带着叹息与哭腔的情绪模型。Dessa 目前更像一场技术实验，而非能落地的商业生产力。
审查真空与数据暗流
剥离文本让主流的安全对齐体系彻底失效。行业现有的安全规则基本依托字符关键词拦截，在纯音频隐空间里无从下手。截至 2026 年 10 月 24 日，业内尚无针对 Dessa 的第三方独立安全审查，未公开红队名单，声学伪造与情绪诱导风险全处于真空状态。
一个能辨识情绪低落并给出逼真哭腔的模型，一旦缺乏对齐约束，很容易滑向情感欺诈。
更深层的考量藏在隐私条款里。翻看 Dessa 官网于 2026 年 10 月 21 日生效的隐私政策，用户交互沉淀的数据，可在 Block 旗下的 Square、Cash App、Afterpay 和音乐流媒体 TIDAL 之间流通。
对一家金融企业而言，算不对账目的模型没有生产力价值。但如果把这类模型部署在移动终端，它抓取的将不再是文字，而是语速、犹疑、声调颤抖等高敏感生物特征。
这些声学特征如果流向信贷风控与消费分期画像，端侧离线就只是外壳，内部的数据流通才是真正的业务焦点。
结语
韩非子在《外储说左上》记过一句名言：画孰最难者？曰犬马最难；孰最易者？曰鬼魅最易。犬马旦暮罄于前，不可类之；鬼魅无形，故易之。
拟造没有物理锚点的叹息与抽泣最易，构建符合严谨因果逻辑的认知世界最难。用整柜 GPU 砸出一套能哭会笑的声音系统固然夺目，但在账单与支付场景下，模型不能认错常识，更不能算错结余。
缺乏毫秒级延迟验证、依赖万元级端侧硬件、背负数据贯通条款，Dessa 传出的叹息声里，包裹的始终是一副昂贵而空心的皮囊。