Pagbuo ng masaganang intelligence

Hindi nagiging mahalaga ang imprastraktura ng AI dahil malaki ito. Mahalaga ito dahil sa mga ginagawa nitong posible: mas may-kakayahang intelligence na magagamit ng mas maraming tao sa mas mababang halaga.

Ganito ko tinitingnan ang kasaganaan. Nakapaloob ito kapwa sa aming misyon—ang tiyaking nakikinabang ang buong sangkatauhan sa artificial general intelligence—at sa makinang pang-ekonomiya na nagpapatakbo sa aming negosyo.

Kapag bumababa ang gastos sa kapaki-pakinabang na intelligence, mas maraming trabaho ang nagiging sulit gawin. Kapag nagiging mas may-kakayahan ang mga modelo, mas malaking halaga ang nalilikha ng trabahong iyon. Habang lumalawak ang paggamit, nagkakaroon kami ng kita, feedback mula sa aktuwal na paggamit, at mas malinaw na pananaw sa demand upang patuloy na mamuhunan sa susunod na henerasyon ng pananaliksik at imprastraktura.

Ang mas mahusay na intelligence ay nagdudulot ng mas malawak na paggamit. Sinusuportahan ng mas malawak na paggamit ang mas malaking pamumuhunan. Pinahuhusay ng mas malaking pamumuhunan ang intelligence at kahusayan. Iyan ang siklong binubuo namin.

Ipinapakita ng aming kamakailang anunsiyo sa pagpepresyo kung paano mabilis na nakikinabang ang mga customer sa siklong iyon. Kahapon, ibinaba namin nang 80 porsiyento ang presyo ng GPT‑5.6 Luna at nang 20 porsiyento ang presyo ng GPT‑5.6 Terra. Nagkakahalaga na ngayon ang Luna ng $0.20 kada milyong input token at $1.20 kada milyong output token; ang Terra naman ay $2 at $12, ayon sa pagkakasunod.

Para sa GPT‑5.6 Sol, naghahatid ang Fast mode ng hanggang 2.5 beses na bilis ng karaniwang pagproseso sa dobleng presyo, nang walang pagbabago sa intelligence.

Hindi lamang ito mga pagbabago sa listahan ng presyo. Pinalalawak ng mga ito ang uri ng trabahong nagiging praktikal at binibigyan ang mga customer ng higit na kakayahang balansehin ang intelligence, bilis, pagiging maaasahan, at gastos.

Ang tamang tanong ay hindi kung aling modelo ang nababagay sa isang gawain. Ang dapat itanong ay kung gaano karaming intelligence ang kailangan upang makamit ang hinihinging resulta, gaano ito kabilis kailangan, at magkano ang dapat na gastos upang makamit iyon. Maaaring ilang beses magbago ang balanseng iyon sa loob ng iisang workflow.

Hindi bumibili ng mga token ang mga customer para lamang magkaroon ng mga ito. Gusto nilang maresolba ang isyu sa suporta, ma-release ang software, masuri ang kontrata, o masagot ang siyentipikong tanong. Ang tamang sukatan ay ang gastos sa matagumpay na resulta, kabilang ang oras, mga muling pagsubok, pangangasiwa, at mga error na kailangan upang makamit ito.

Sa huli, maaaring mas matipid ang mas mahusay na modelo na tama at episyenteng tumatapos sa trabaho kaysa sa mas murang modelo na nangangailangan ng paulit-ulit na pagsubok o malawakang pakikialam ng tao. Sa kabilang banda, lubos na mapalalawak ng mas murang modelo ang access kapag naaabot nito ang parehong pamantayan sa kalidad. Ang oportunidad ay gamitin ang pinakamataas na kapaki-pakinabang na intelligence sa tamang presyo.

Higit pa sa pagtatayo ng mga karagdagang data center ang kailangan upang maihatid ang halagang iyon. Kailangang gawing mas produktibo ang bawat unit ng compute.

Ipinapakita ng aming kamakailang gawaing pang-engineering kung ano ang anyo nito. Sa pakikipagtulungan sa aming mga teknikal na team, tumulong ang GPT‑5.6 Sol na i-optimize ang production software na ginagamit sa paghahatid ng aming mga modelo, kaya bumaba nang 20 porsiyento ang kabuuang gastos sa paghahatid. Tumulong din itong pahusayin ang speculative decoding, kaya tumaas nang mahigit 15 porsiyento ang kahusayan sa pagbuo ng token.

Mahalaga ring tandaan na hindi modelo lamang ang nagtatakda ng kahusayan. Mahalaga rin ang sistemang nakapaligid dito. Pinananatiling produktibo ng mas mahusay na routing ang hardware. Pinipigilan ng mas matalinong pamamahala ng context ang mga agent na ulitin ang trabaho. Binabawasan ng mas mahuhusay na tool at disenyo ng produkto ang bilang ng mga hakbang na kailangan upang matapos ang isang gawain.

Sa isang kamakailang pagsusuri ng benchmark, itinaas ng mga pagpapahusay sa napapanatiling pangangatwiran at pamamahala ng context ang score ng GPT‑5.6 Sol sa pampublikong ARC-AGI-3 task set mula 13.3 porsiyento hanggang 38.3 porsiyento habang gumagamit ng anim na beses na mas kaunting output token. Hindi nagbago ang modelo. Ang nakapaligid na sistema ang nagbago.

Nagpapatong-patong ang mga pakinabang na ito. Tinutulungan ng mas may-kakayahang mga modelo ang aming mga team na tumuklas ng mga bagong paraan upang maging mas episyente. Pinababa ng mga kahusayang iyon ang gastos sa paglilingkod sa mga customer at pinalalawak ang trabahong masusuportahan namin gamit ang parehong imprastraktura. Dahil dito, nagiging mas madaling ma-access ang susunod na henerasyon ng intelligence.

Ang bentahe ng pagbuo sa buong imprastraktura, mga modelo, platform, at produkto ay hindi lamang ang pagkakaroon namin ng bahagi sa bawat layer. Pinahuhusay din ng bawat layer ang iba pa.

Ipinapakita sa amin ng aktuwal na paggamit ng produkto kung saan nakakakuha ng halaga ang mga customer at kung saan sila nahihirapan. Nakakatulong ang feedback na iyon sa paghubog ng aming pananaliksik. Pinahuhusay ng mga pagsulong sa pananaliksik ang aming mga produkto at pinababa ang gastos sa paghahatid ng mga ito. Tinutulungan kami ng demand sa ChatGPT, ChatGPT Work, Codex, at API na gumawa ng mas mahuhusay na pasya kung saan magdaragdag ng kapasidad.

Mahalaga ang lawak ng natututuhan mula rito. Umaabot na ngayon ang aming mga modelo sa mahigit isang bilyong aktibong user at mahigit dalawang milyong negosyo. Habang lumalakas ang tiwala ng mga tao sa teknolohiya, mas malalim nila itong ginagamit. Anim na buwan matapos mag-sign up, humigit-kumulang 50 porsiyentong mas maraming mensahe ang ipinapadala ng mga tao bawat araw at ginagamit nila ang ChatGPT para sa halos doble-daming uri ng trabaho. Binabago ng ChatGPT Work ang kahulugan ng pagiging knowledge worker: mula sa pagsagot sa mga tanong tungo sa pagtapos ng masalimuot at maraming-hakbang na gawain—mula sa “pagtatanong” tungo sa “paggawa.” Sa buong OpenAI, ang gawaing gumagamit ng mga agent sa pamamagitan ng Codex ay bumubuo na ngayon sa 99.8% ng mga lingguhang output token, at kabilang ang Finance sa mga team na ginawang pangunahing bahagi ng kanilang trabaho ang mga agentic tool.

Ganito rin ang nakikitang pattern sa loob ng mga organisasyon. Maaaring magsimula ang isang kumpanya sa iisang team o workflow. Habang bumubuti ang kalidad at ekonomiya, lumalawak ang paggamit sa iba't ibang tungkulin at nagiging bahagi ang AI ng pagpapatakbo ng negosyo.

Lumilikha ito ng mahalagang feedback loop sa pagitan ng demand, pagpapahusay ng produkto, kahusayan, at pagpaplano ng imprastraktura. Hindi nito hinihinging pagmamay-ari namin ang bawat asset o kami mismo ang bumuo ng bawat bahagi. Maaari kaming magmay-ari, makipagsosyo, o bumili depende sa pinakamainam para sa customer at pinakapraktikal sa ekonomiya. Ang mahalaga ay ang pag-uugnay sa buong sistema at pagkatuto mula sa lahat ng bahagi nito.

Kailangang planuhin ang imprastraktura ng AI ilang taon bago ito kailanganin, samantalang mas mabilis umunlad ang mga modelo, produkto, at demand ng customer. Dahil sa hindi pagtutugmang iyon, napakahalaga ng disiplina.

Ibinabatay namin sa ebidensiya ang aming mga pasya sa pamumuhunan: paglago ng mga user at workload, mga pangako ng enterprise, paggamit ng API, utilization, kita, at pagsulong sa kakayahan at kahusayan ng modelo. Tumutulong ang mga teknikal at komersiyal na milestone sa pagtukoy kung kailan isusulong ang mga proyekto. Pinagsasama ng mga pangmatagalang pakikipagsosyo ang financing, imprastraktura, at kaalaman sa operasyon na kailangan upang makapaghatid sa malaking saklaw.

Magkakaiba ang papel ng kita mula sa produkto, pribadong kapital, at komersiyal na pakikipagsosyo sa pagsuporta sa paglagong iyon. Hindi namin layuning bumuo ng pinakamaraming imprastraktura. Layunin naming ilaan ang tamang kapasidad sa tamang panahon upang tugunan ang mapagkakatiwalaang demand.

Para sa akin, simple ang mahahalagang tanong: Gaano kabilis nagiging produktibo ang bagong kapasidad? Gaano ito kahusay nagagamit? Anong demand ng customer ang sinusuportahan nito? Gaano kabilis mapapababa ng teknikal na pagsulong ang gastos sa paghahatid ng kapaki-pakinabang na intelligence?

Iniuugnay ng mga tanong na iyon ang pangmatagalang ambisyon sa disiplina sa operasyon.

Nasa simula pa lamang tayo. Makakatapos ang mas may-kakayahang mga sistema ng mas mahahabang proyekto, makakapag-ugnay ng iba't ibang tool, at makakagawa ng mas malaking bahagi ng trabaho mula sa ideya hanggang sa natapos na resulta. Magkakaroon ang mga indibidwal at maliliit na negosyo ng mga kakayahang dati ay para lamang sa mas malalaking organisasyon. Mas malawak na gagamitin ng mga enterprise ang intelligence sa kanilang mga operasyon.

Hindi lamang mas maraming compute, mas malalaking modelo, o mas mababang presyo ng token ang aming layunin. Layunin naming gawing abot-kamay ang mas kapaki-pakinabang na intelligence.

Iyan ang ibig sabihin ng kasaganaan: intelligence na patuloy na nagiging mas may-kakayahan, mas abot-kaya, at mas mahalaga sa mga gumagamit nito. Susukatin namin ang aming pagsulong batay sa dami ng kapaki-pakinabang na trabahong nagagawa nito, sa husay ng aming paghahatid, at sa lawak ng pagbabahagi ng mga benepisyo nito.