ساخت هوشمندی فراوان

ارزش زیرساخت هوش مصنوعی به بزرگی آن نیست. ارزش آن در امکاناتی است که فراهم می‌کند: هوشمندی توانمندتر با هزینه کمتر و در دسترس افراد بیشتر.

برداشت من از فراوانی همین است. این مفهوم هم در مأموریت ما—تضمین بهره‌مندی تمام بشریت از هوش مصنوعی عمومی—ریشه دارد و هم در موتور اقتصادی محرک کسب‌وکارمان.

وقتی هزینه هوشمندی مفید کاهش می‌یابد، انجام کارهای بیشتری توجیه پیدا می‌کند. وقتی مدل‌ها توانمندتر می‌شوند، آن کارها ارزش بیشتری ایجاد می‌کنند. با افزایش پذیرش، درآمد، بازخورد دنیای واقعی و شناخت لازم از تقاضا را به دست می‌آوریم تا سرمایه‌گذاری در نسل بعدی پژوهش و زیرساخت را ادامه دهیم.

هوشمندی بهتر، پذیرش گسترده‌تر را رقم می‌زند. پذیرش گسترده‌تر، سرمایه‌گذاری بیشتر را ممکن می‌کند. سرمایه‌گذاری بیشتر، هوشمندی و بهره‌وری را بهبود می‌دهد. چرخه‌ای که می‌سازیم همین است.

اطلاعیه اخیر ما درباره قیمت‌گذاری نشان می‌دهد این چرخه چگونه به‌سرعت به سود مشتریان عمل می‌کند. دیروز قیمت GPT‑5.6 Luna را ۸۰ درصد و قیمت GPT‑5.6 Terra را ۲۰ درصد کاهش دادیم. اکنون هزینه Luna برای هر یک میلیون توکن ورودی ۰٫۲۰ دلار و برای هر یک میلیون توکن خروجی ۱٫۲۰ دلار است؛ این مبالغ برای Terra به‌ترتیب ۲ و ۱۲ دلار است.

برای GPT‑5.6 Sol، حالت سریع بدون هیچ تغییری در هوشمندی، سرعتی تا ۲٫۵ برابر پردازش استاندارد را با دو برابر قیمت ارائه می‌دهد.

این‌ها صرفاً تغییراتی در فهرست قیمت نیستند. این تغییرات دامنه کارهایی را که انجامشان عملی می‌شود گسترش می‌دهند و برای ایجاد توازن میان هوشمندی، سرعت، قابلیت اطمینان و هزینه، انعطاف بیشتری به مشتریان می‌دهند.

پرسش درست این نیست که کدام مدل برای کدام کار مناسب است. پرسش این است که نتیجه موردنظر به چه میزان هوشمندی نیاز دارد، این هوشمندی با چه سرعتی باید در دسترس باشد و دستیابی به آن چقدر باید هزینه داشته باشد. این توازن ممکن است در یک گردش‌کار واحد چندین بار تغییر کند.

مشتریان توکن را صرفاً برای خودِ توکن نمی‌خرند. آن‌ها می‌خواهند مشکل پشتیبانی حل شود، نرم‌افزار عرضه شود، قرارداد بررسی شود یا پرسش علمی پاسخ بگیرد. معیار درست، هزینه دستیابی به یک نتیجه موفق است؛ از جمله زمان، تلاش‌های مجدد، نظارت و خطاهای لازم برای رسیدن به آن.

در نهایت، مدلی قوی‌تر که کار را درست و کارآمد انجام می‌دهد، می‌تواند از مدلی ارزان‌تر که به تلاش‌های مکرر یا مداخله گسترده انسانی نیاز دارد، مقرون‌به‌صرفه‌تر باشد. در مقابل، اگر مدلی کم‌هزینه‌تر همان معیار کیفیت را برآورده کند، می‌تواند دسترسی را به‌شدت گسترش دهد. فرصت در این است که بیشترین هوشمندی مفید را با قیمت مناسب به کار بگیریم.

ارائه چنین ارزشی به چیزی فراتر از ساخت مراکز داده بیشتر نیاز دارد. باید بهره‌وری هر واحد توان محاسباتی را افزایش داد.

فعالیت مهندسی اخیر ما نشان می‌دهد این رویکرد در عمل چگونه است. GPT‑5.6 Sol با همکاری تیم‌های فنی ما به بهینه‌سازی نرم‌افزار عملیاتیِ ارائه مدل‌ها کمک کرد و هزینه سرتاسری ارائه خدمات را ۲۰ درصد کاهش داد. همچنین به بهبود رمزگشایی گمانه‌زنانه کمک کرد و بهره‌وری تولید توکن را بیش از ۱۵ درصد افزایش داد.

به همان اندازه مهم است که بهره‌وری را صرفاً خودِ مدل تعیین نمی‌کند. سیستم پیرامون آن نیز اهمیت دارد. مسیریابی بهتر، بهره‌وری سخت‌افزار را حفظ می‌کند. مدیریت هوشمندانه‌تر زمینه مانع از تکرار کار توسط عامل‌ها می‌شود. ابزارهای قوی‌تر و طراحی بهتر محصول، تعداد مراحل لازم برای تکمیل یک کار را کاهش می‌دهند.

در یک تحلیل اخیرِ معیار ارزیابی، بهبود استدلال حفظ‌شده و مدیریت زمینه، امتیاز GPT‑5.6 Sol را در مجموعه وظایف عمومی ARC-AGI-3 از ۱۳٫۳ درصد به ۳۸٫۳ درصد رساند، در حالی که شش برابر توکن خروجی کمتری مصرف شد. مدل تغییر نکرده بود. این سیستم پیرامون مدل بود که تغییر کرد.

این دستاوردها اثر یکدیگر را تقویت می‌کنند. مدل‌های توانمندتر به تیم‌های ما کمک می‌کنند راه‌های تازه‌ای برای افزایش بهره‌وری بیابند. این بهبودها هزینه خدمت‌رسانی به مشتریان را کاهش می‌دهند و دامنه کارهایی را که با همان زیرساخت می‌توانیم پشتیبانی کنیم گسترش می‌دهند. این روند نیز به نوبه خود، نسل بعدی هوشمندی را دسترس‌پذیرتر می‌کند.

مزیت فعالیت در سراسر زیرساخت، مدل‌ها، پلتفرم و محصولات صرفاً حضور ما در هر یک از این لایه‌ها نیست. مزیت اصلی این است که هر لایه، لایه‌های دیگر را بهبود می‌بخشد.

کاربرد واقعی محصولات نشان می‌دهد مشتریان در کجا ارزش می‌یابند و در کجا با مانع روبه‌رو می‌شوند. این بازخورد به شکل‌گیری مسیر پژوهش ما کمک می‌کند. پیشرفت‌های پژوهشی محصولات ما را تقویت می‌کند و هزینه ارائه آن‌ها را کاهش می‌دهد. تقاضا برای ChatGPT،‏ ChatGPT کار،‏ Codex و API به ما کمک می‌کند درباره محل افزودن ظرفیت، تصمیم‌های بهتری بگیریم.

مقیاس این یادگیری اهمیت دارد. مدل‌های ما اکنون در اختیار بیش از یک میلیارد کاربر فعال و بیش از دو میلیون کسب‌وکار قرار دارند. هرچه اعتماد مردم به این فناوری بیشتر می‌شود، استفاده عمیق‌تری از آن می‌کنند. شش ماه پس از ثبت‌نام، افراد روزانه حدود ۵۰ درصد پیام بیشتری می‌فرستند و از ChatGPT برای تقریباً دو برابرِ انواع کارها استفاده می‌کنند. ChatGPT Work مفهوم کارمند دانشی بودن را تغییر می‌دهد و از پاسخ‌گویی به پرسش‌ها فراتر می‌رود تا کارهای پیچیده و چندمرحله‌ای را به انجام برساند؛ گذار از «پرسیدن» به «انجام دادن». در سراسر OpenAI، کار عاملیت‌محور از طریق Codex اکنون ۹۹٫۸٪ از توکن‌های خروجی هفتگی را تشکیل می‌دهد و واحد مالی نیز از جمله تیم‌هایی است که ابزارهای عاملیت‌محور را به بخش اصلی شیوه کار خود تبدیل کرده‌اند.

درون سازمان‌ها نیز الگوی مشابهی دیده می‌شود. ممکن است یک شرکت کار را با یک تیم یا یک گردش‌کار آغاز کند. با بهبود کیفیت و صرفه اقتصادی، پذیرش فناوری به بخش‌های مختلف گسترش می‌یابد و هوش مصنوعی به بخشی از سازوکار کسب‌وکار تبدیل می‌شود.

این روند، چرخه بازخورد ارزشمندی میان تقاضا، بهبود محصول، بهره‌وری و برنامه‌ریزی زیرساخت ایجاد می‌کند. برای این کار لازم نیست مالک همه دارایی‌ها باشیم یا تمام اجزا را خودمان بسازیم. بسته به اینکه چه رویکردی بهترین خدمت را به مشتری ارائه می‌دهد و از نظر اقتصادی منطقی‌تر است، می‌توانیم مالک شویم، مشارکت کنیم یا بخریم. آنچه اهمیت دارد، هماهنگ‌سازی کل سیستم و یادگیری در سراسر آن است.

زیرساخت هوش مصنوعی باید سال‌ها پیش از زمان نیاز برنامه‌ریزی شود، در حالی که مدل‌ها، محصولات و تقاضای مشتریان بسیار سریع‌تر تغییر می‌کنند. این ناهماهنگی، رعایت انضباط را ضروری می‌کند.

تصمیم‌های سرمایه‌گذاری خود را بر شواهد استوار می‌کنیم: رشد کاربران و حجم کار، تعهدات سازمانی، مصرف API، میزان بهره‌برداری، درآمد و پیشرفت در توانمندی و بهره‌وری مدل‌ها. نقاط عطف فنی و تجاری در تعیین زمان پیشبرد پروژه‌ها نقش دارند. مشارکت‌های بلندمدت، تأمین مالی، زیرساخت و تخصص عملیاتی لازم برای ارائه خدمات در مقیاس وسیع را گرد هم می‌آورند.

درآمد محصولات، سرمایه خصوصی و مشارکت‌های تجاری، هر یک نقش متفاوتی در پشتیبانی از این رشد دارند. هدف، ساخت بیشترین حجم زیرساخت نیست. هدف این است که ظرفیت مناسب را در زمان مناسب و متناسب با تقاضایی معتبر به کار بگیریم.

برای من، پرسش‌های کلیدی روشن‌اند: ظرفیت جدید با چه سرعتی به بهره‌برداری مؤثر می‌رسد؟ این ظرفیت با چه میزان بهره‌وری استفاده می‌شود؟ پاسخ‌گوی کدام تقاضای مشتریان است؟ پیشرفت فنی با چه سرعتی می‌تواند هزینه ارائه هوشمندی مفید را کاهش دهد؟

این پرسش‌ها، بلندپروازی بلندمدت را به انضباط عملیاتی پیوند می‌دهند.

هنوز در ابتدای راه هستیم. سیستم‌های توانمندتر پروژه‌های طولانی‌تری را تکمیل خواهند کرد، میان ابزارها هماهنگی برقرار می‌کنند و بخش بیشتری از مسیر میان یک ایده تا نتیجه نهایی را بر عهده می‌گیرند. افراد و کسب‌وکارهای کوچک به توانمندی‌هایی دست می‌یابند که زمانی تنها در اختیار سازمان‌های بسیار بزرگ‌تر بود. سازمان‌ها هوشمندی را به‌شکلی گسترده‌تر در عملیات خود به کار خواهند گرفت.

هدف ما صرفاً توان محاسباتی بیشتر، مدل‌های بزرگ‌تر یا قیمت کمتر توکن نیست. هدف، دسترسی همگانی‌تر به هوشمندی مفید است.

فراوانی یعنی همین: هوشمندی‌ای که پیوسته توانمندتر، مقرون‌به‌صرفه‌تر و برای کاربرانش ارزشمندتر می‌شود. پیشرفت خود را با میزان کار مفیدی که ممکن می‌سازد، بهره‌وری ما در ارائه آن و گستره بهره‌مندی دیگران از مزایایش خواهیم سنجید.