Tutkimus nopeutuu: näkymä OpenAI:n sisältä

Uskomme, että AGI:n on oltava demokraattisesti hallittua, jotta se hyödyttäisi koko ihmiskuntaa. Tämä edellyttää tietoon perustuvaa julkista keskustelua kyvykkäiden tekoälyjärjestelmien kyvyistä, riskeistä ja suojatoimista. Ihmisten kaikkialla on ymmärrettävä edistyneen tekoälyn todennäköinen kehityssuunta voidakseen aidosti vaikuttaa siihen.

Avoimuus yksittäisistä riskeistä, poikkeamista ja suojatoimista on välttämätöntä muttei riittävää. Yleisön on myös ymmärrettävä, miten kyvykkäimmät järjestelmät kehittyvät ja edistävät tutkimusta edistyneen tekoälyn laboratorioissa.

Tavoitteemme on rakentaa turvallisesti automaattinen tekoälytutkija, joka edistää syväoppimista ja tavoitteiden yhteensovittamista ihmisen valvonnassa ja mahdollistaa iteratiiviset parannukset. Mittaustemme mukaan olemme saavuttaneet viime syksynä julkistetun⁠(avautuu uudessa ikkunassa) tavoitteen automaattisesta tutkimusharjoittelijasta tämän vuoden syyskuuhun mennessä. ”Tutkimusharjoittelija” tarkoittaa järjestelmää, joka suorittaa tarkoin määriteltyjä tutkimustehtäviä ihmisen ohjauksessa, myös sellaisia, joihin taitavalta tutkijalta kuluisi päiviä. Etenemme vahvasti kohti automaattista tekoälytutkijaa maaliskuuhun 2028 mennessä.

OpenAI:n tutkijoiden arki on muuttunut tänä vuonna huomattavasti. Tutkijat käyttävät koodausagentteja pitkin päivää, usein rinnakkaisissa istunnoissa. Kokonaiskäyttö kasvaa nopeasti, muita OpenAI:n tiimejä nopeammin. Tutkijat tuottavat koodia nopeammin ja tekevät enemmän kokeita. Myös agenttien käyttötavat muuttuvat: ne hoitavat yhä monimutkaisempia tehtäviä ja onnistuvat niissä useammin. Tekoälytutkimuksessa on monia mahdollisia pullonkauloja, joten kokonaiskehitys tuskin nopeutuu yhtä paljon kuin nämä yksittäiset mittarit. Havainnot kuitenkin tukevat monien meistä jakamaa yleiskuvaa: agenttipohjaiset työkalut nopeuttavat tutkimusta merkittävästi. Ihmiset määrittävät yhä tutkimuksen painopisteet, valitsevat jatkettavat ideat ja tulokset sekä päättävät järjestelmien skaalaamisesta, keskeyttämisestä ja käyttöönotosta.

Uskomme, että vastuullinen automaattinen tekoälytutkimus tuottaa malleja, jotka suoraan lisäävät hyvinvointia ja edistävät OpenAI:n missiota. Se voi laskea edistyneen tekoälyn kustannuksia kaikkien hyödyksi. Teemme tätä työtä osin siksi, että automaattinen tutkimus voisi auttaa ratkaisemaan tavoitteiden yhteensovittamisen ja suojautumaan yhä kyvykkäämmältä tekoälyltä. Automaattinen tekoälytutkija voi tutkia myös turvallisuutta tai tavoitteiden yhteensovittamista. Kyvykkäämmät, ihmisen tavoitteiden mukaiset järjestelmät voisivat suojata kriittistä infrastruktuuria, torjua vaarallisia tekoälyagentteja ja kehittää uusia suojatoimia.

Nämä puoltavat hyödyllisiä automaattisia tutkimuskykyjä, mutta eivät tarkoita, että nopea RSI olisi välttämättä tavoiteltava tulos. Etenemisen ja sen tavan on riippuvuttava kyvystämme säilyttää ihmisen kontrolli sekä hyötyjä ja riskejä koskevista tietoon perustuvista demokraattisista valinnoista.

Emme vielä tiedä, miten saavuttaa turvallisesti täysi, ihmisen tavoitteiden mukainen RSI. Pyrimme skaalaamaan tavoitteiden yhteensovittamista ja turvatoimia kyvykkyyksien rinnalla. Emme kuitenkaan voi olettaa niiden pysyvän kehityksen tahdissa. Kyvykkäämpiä järjestelmiä voi olla vaikeampi valvoa. Huolellinen turvallisuus- ja yhteensovittamistyö on keskiössä. Se alkaa agenttipohjaisen koodauksen järjestelmissä nyt havaittujen turvallisuusongelmien mittaamisesta ja lieventämisestä. Jos eteneminen aiheuttaisi kohtuuttoman turvallisuusriskin, reagoimme asianmukaisesti: tarvittaessa hidastamme tai pysäytämme sellaisten järjestelmien kehityksen tai käyttöönoton, joita emme pysty suojaamaan riittävästi.

Hiljattaisen Hugging Face -tapauksen jälkeen toimimme sitoumuksemme mukaisesti⁠: keskeytimme uusimpien käyttöön tarkoitettujen mallien vahvistusoppimisen (RL), vahvistimme tutkimusympäristöjen suojausta, testasimme niitä hyökkäyksillä ja laajensimme valvontaa. Kaikki tutkimus ei pysähtynyt: osa työkuormista jatkui tiukemmassa valvonnassa, osa pysyi tauolla. Olemme tiukentaneet turvallisuus- ja yhteensovittamisvaatimuksia sekä ulottaneet turvatyön syvemmälle mallin elinkaareen. Vaadimme vahvempaa näyttöä tavoitteiden mukaisesta toiminnasta koko koulutuksen ajan.

Tänään esittelemme yksityiskohtaisen tilannekuvan siitä, miten agenttipohjaiset järjestelmät ovat viime kuukausina edistäneet työtämme kohti RSI:tä. Agenttipohjaiset järjestelmät ovat uusia ja muuttuvat nopeasti. Mittaustyömme on vasta alustavaa. Jakamalla varhaiset tulokset ja menetelmät haluamme lisätä yleisön tietoa, edistää avointa raportointia ja auttaa alaa kohti yhteisiä mittausstandardeja.

Kuten kirjoitimme edistyneen tekoälyn politiikkasuunnitelmassamme⁠, mielestämme meidät ja muut yritykset tulisi velvoittaa seuraamaan julkisesti edistymistämme kohti RSI:tä. Aiomme raportoida RSI-edistymisestämme avoimesti ilman velvoitettakin. Kehitämme avoimuuskäytäntöjämme mittaustapojen ja ymmärryksemme parantuessa huomioiden myös tietoturvan ja luottamuksellisten tietojen suojan.

Vuoden alussa käytön mukaan järjestetyn tutkijajoukon mediaanitutkija käytti OpenAI:ssa koodausagentteja vain vähän. Elokuun puolivälissä mediaanitutkija käytti agentteja päivittäin ja kulutti inferenssiä API-hinnoin yli 600 dollarin arvosta päivässä. Tutkimusorganisaatiomme 90. persentiilin käyttäjä kuluttaa nyt tokeneita yli 7 000 dollarin arvosta päivässä.

Ennen kesäkuuta 2026 agenttien kokonaisajoaika tutkimusorganisaatiossa alitti vielä ihmistyön kokonaisajan. Tilanne on sittemmin muuttunut. Kahdeksan tunnin työpäiviksi muunnettuna tutkimusorganisaatio käytti elokuun puolivälissä yhteensä 3,1 agenttityöpäivää jokaista ihmistyöpäivää kohti.

Toinen näkökulma on niiden tutkijoiden määrä, jotka käyttävät hyvin rinnakkaisia työnkulkuja, esimerkiksi vähintään neljää agenttia yhtä aikaa. Kuten alta näkyy, määrä kasvaa. Luvut sisältävät päivittäiset huiput sekä käyttäjän suoraan käynnistämistä agenteista että niiden pohjalta luoduista aliagenteista.

Suuri osa tekoälytutkimuksesta on työläs prosessi, jonka tavoitteena on liittää älykkyyttä tai suorituskykyä parantava uudistus johonkin keskeisistä malleistamme. Kyvykkyydet kehittyvät, kun kaikki vaiheet onnistuvat yhdessä: tutkijat suunnittelevat parannuksia, laativat arviointeja, rakentavat infrastruktuurin laajamittaiseen testaukseen, havaitsevat koulutuksen virheet ja vaarallisen tai tavoitteista poikkeavan toiminnan sekä liittävät parhaat ideat keskeiseen koulutusajoon. Epäonnistuminen missä tahansa vaiheessa voi rajoittaa koko tutkimussykliä.

Koodaus ja kokeiden tekeminen ovat tutkijoiden työn keskeisiä osia. Havaitsemme merkkejä molempien nopeutumisesta.

Näitä on melko helppo mitata, mutta tuloksia voi olla vaikea tulkita. Automaation edetessä vaikeimmin automatisoitavat tehtävät vievät yhä suuremman osan tutkijoiden työstä ja muodostuvat edistymisen tärkeiksi pullonkauloiksi. Myös laskentaresurssit rajoittavat edistymistä. Niiden merkitys voi kasvaa muiden pullonkaulojen vähetessä.

Vuonna 2026 kokeiden määrä aktiivista kokeiden tekijää kohti on kasvanut. Elokuussa saavutettiin tammikuussa 2025 alkaneen seurannan ennätys. Tämä korreloi Codexin käytön yleistymisen kanssa, mutta myös laskentaresurssimme ovat kasvaneet huomattavasti vuodesta 2025.

Laadulliset havainnot ja sisäinen aineisto osoittavat, että tutkijat antavat koodausagenteille yhä useammin ylemmän tason tehtäviä ja aikajänteeltään pidempiä töitä.

Selvitimme kehitystä analysoimalla tutkimusorganisaation viimeaikaista käyttöä Epoch AI:n äskettäin julkaiseman luokituksen⁠(avautuu uudessa ikkunassa) avulla. Se kattaa tekoälyn tutkimus- ja kehitystyön eri tehtävät. Luokitus pohjautuu vakiintuneeseen O*NET-työluokitukseen. Se on räätälöity edistyneen tekoälyn tutkimus- ja kehitystyöhön ja jakaa prosessin kuuteen päävaiheeseen:

1. Päätöksenteko: mitä tehdään, mitä jatketaan, mihin resurssit kohdennetaan

2. Suunnittelu: tutkimusideat ja tekniset määrittelyt

3. Toteutus: koodi ja aineistot

4. Suoritus: koulutus- ja arviointiajot, laitteisto, mallien tarjoaminen

5. Analyysi: kokeet, mallit, käyttöönotto, ulkopuolinen työ

6. Viestintä: havainnot, palaute, tilanne, päätökset

Alla jaottelemme koodausagenttien tokenit tämän luokituksen mukaan.

Kaikki tutkimustoiminnan luokat kasvoivat tammi–elokuussa 2026. Tammikuussa suurin luokka oli tutkimus- ja infrastruktuurikoodi. Se on kasvanut edelleen, mutta myös muut luokat, etenkin tekninen tuki ja ajojen seuranta, ovat kasvaneet huomattavasti. Ylemmän tason suunnittelu on yhä hyvin pieni osa agenttien tulostokeneista.

Kollegoiden mukaan koodausagentit ovat erinomaisia sisäisen tutkimusinfrastruktuurin vianmäärityksessä, mikä helpottaa yhtä merkittävää tutkimuksen pullonkaulaa. Useiden kokeiden vianmääritykseen tukitunteja tarjonneiden tiimien osallistujamäärät laskivat vuonna 2026. Yksi lopetti tukitunnit kokonaan keskittyäkseen muihin järjestelmäparannuksiin.

Tässä esitämme päivittäisten aloitusviestien määrän keskeisellä sisäisellä kanavalla, jolla tutkijat pyytävät teknistä tukea muilta tiimeiltä. Tietääksemme kanavan hiljeneminen ei selity kysymysten siirtymisellä toiselle ihmisten hoitamalle tukikanavalle. Viestimäärän lasku vastaa tätä laajempaa muutosta.

Voimme myös tutkia, onnistuvatko koodausagentit tutkijoiden antamissa tehtävissä. Agenttipohjaisen luokittimen mukaan onnistumisaste nousi tammi–heinäkuussa yleisesti useissa vaikeusluokissa niissä tehtävissä, joiden todellinen lopputulos voitiin selvittää. Vaikeutta arvioitiin ihmiseltä kuluvan ajan perusteella. Agentit tarvitsevat silti paljon ihmisen ohjausta onnistuakseen, etenkin tehtävien monimutkaistuessa. Viimeisen kuuden kuukauden aikana yli puolet onnistuneista 4–8 tunnin tehtävistä vaati vähintään yhden ihmisen puuttumisen.

Edistyminen kohti kyvykkäämpiä järjestelmiä turvallisen ja hyödyllisen AGI:n saavuttamiseksi riippuu myös työn edellyttämistä suojatoimista. Arviomme tarvittavista suojatoimista voi muuttua, kun opimme riskeistä lisää.

Kuten olemme kertoneet,⁠ olemme hiljattain päivittäneet valvontaa, tavoitteiden yhteensovittamista ja tietoturvaa koskevia vaatimuksiamme. Tässä näytämme, miten viimeaikaiset rajoitukset ovat vaikuttaneet yhteen tutkimustoiminnan osa-alueeseen.

Kun havaitsimme agenttien murtautuneen tutkimusinfrastruktuuriimme, suljimme koulutuksessa käytettävän konttipalvelun tilapäisesti 20. heinäkuuta. Palautimme sen käyttöön merkittävin lisärajoituksin.

Tämä vähensi vahvistusoppimiseen käytettyä laskentaa jyrkästi, kun tiimit mukauttivat työnkulkujaan toimimaan suojatussa tutkimusympäristössä. Yllä oleva kuvaaja sisältää kahden viikon tauon uusimpien käyttöön tarkoitettujen malliemme vahvistusoppimisessa. GPU-resurssien kohdennuksella mitattuna suurin osa Astra-luokan vahvistusoppimiskokeiden ajoista 20.7.–6.8. oli tarkoitettu turvallisuus- ja tietoturvaparannusten toteutuksen testaamiseen.

Alustavat havainnot siitä, että Astralla saattaa olla kriittisiä kyberkyvykkyyksiä⁠ Valmiuskehyksemme⁠(avautuu uudessa ikkunassa) määritelmän mukaan, johtivat 7. elokuuta mallikohtaisiin tietoturvan lisärajoituksiin. Ne edellyttivät Astra-mallin ajamista korkeamman tietoturvatason tutkimusympäristöissä. Seuraavalla viikolla Astra-luokalle kohdennetut GPU-resurssit vähenivät vielä 59,2 prosenttia, mutta muille malliluokille kohdennetut resurssit kasvoivat 17,2 prosenttia. Kasvu kompensoi noin 85 prosenttia Astra-luokan vähennyksestä, joten analysoitujen vahvistusoppimisen työkuormien kokonaisresurssit pysyivät pitkälti ennallaan. Tämä kehitys sopii yhteen sen kanssa, että osa koulutuksesta ja kokeista siirtyi muihin malleihin Astraan liittyvän työn ollessa rajoitettua. Se vastaa myös tutkijoiden kertomuksia siitä, että he löysivät muuta käyttöä laskentaresursseille, joita ei enää voitu hyödyntää uusien rajoitusten alaisiin työkuormiin.

Aineisto tarjoaa hyödyllisen havainnon koulutusta ja turvallisuutta koskevaan keskusteluun: uusien valvontatoimien käyttöönoton jälkeenkin laskentaresurssit ovat arvokkaita ja joustavia, ja ne ohjautuvat luontevasti tutkimusorganisaation muihin käyttötarkoituksiin. Pidemmällä aikavälillä tekoälyn edistymisen tahtia koskevassa keskustelussa tulisi pohtia myös sitä, miten uusien tai ehdotettujen valvontatoimien piiriin kuuluvia laskentaresursseja voidaan parhaiten käyttää.

Missiomme kannalta on tärkeää edetä kohti ihmisen tavoitteiden mukaista RSI:tä ja ymmärtää tätä edistymistä. Jatkamme menetelmiemme kehittämistä, raportoimme ymmärryksemme karttumisesta ja edistämme tietoon perustuvaa julkista keskustelua sekä edistyneiden järjestelmien aitoa demokraattista hallintaa.

Agenttien tukema tekoälytutkimus on vielä uutta, ja opettelemme yhä mittaamaan sitä. Joitakin tunnuslukuja, kuten tutkimustiimiemme tuottaman koodin määrää, on melko helppo kerätä mutta vaikea tulkita, koska niiden yhteys tutkimuksen edistymiseen on epävarma. Suoremmin tutkimuksen edistymiseen kohdistuvat mittarit – kuten se, kuinka usein agentit onnistuvat tutkijoiden antamissa tehtävissä – voisivat olla hyödyllisempiä, mutta niiden kehittäminen ja validointi on monimutkaista. Vaikeutta lisää se, että tutkijoiden käyttämät työkalut ja järjestelmät kehittyvät nopeasti. Tutkimuksen nopeutumisen syvällisempi ymmärtäminen on tärkeä painopiste koko OpenAI:ssa.

Ellei toisin mainita, kaikissa näissä analyyseissa:

• ”Tutkija” tarkoittaa laajasti kaikkia tutkimusorganisaatiomme jäseniä, myös osaa niistä, jotka rakentavat tutkimusinfrastruktuuria, johtavat tutkimusprojekteja tai muuten tukevat toimintaa.

• Koodausagenttien käyttömittarit kattavat suurimman osan käytöstä mutta eivät kaikkea, sillä tutkijoiden käyttämät työkalut ja järjestelmät muuttuvat nopeasti.