અમારાં મોડલ વધુ બુદ્ધિશાળી બને અને વાસ્તવિક દુનિયામાં વધુ અસરકારક પગલાં લે, તેમ તેમના માટે મળેલી ચોક્કસ સૂચનાઓનું માત્ર અર્થઘટન કરવાથી આગળ વધવું વધુ ને વધુ મહત્વનું બને છે. મોડલે માનવીય હેતુઓ અને મૂલ્યોને પણ સમજવાની જરૂર છે. જેથી સૂચનાઓમાં સ્પષ્ટપણે આવરી ન લેવાયેલી પરિસ્થિતિઓમાં તેઓ માનવીય હેતુ અને દેખરેખને વફાદાર રહીને વિવેકપૂર્વક નિર્ણય લઈ શકે.
આજે અમે મોડલ સ્પેક(નવી વિન્ડોમાં ખૂલે છે)માં સુધારા કરી રહ્યા છીએ. તે અમારાં મોડલ કેવી રીતે વર્તે એવું અમે ઇચ્છીએ છીએ તેનું જાહેર વર્ણન છે. આ સુધારામાં માર્ગદર્શનને પાંચ મૂળભૂત મૂલ્યોને આધારે ફરી ગોઠવવામાં આવ્યું છે: માનવીય હેતુ પ્રત્યે વફાદારી, નુકસાન ઓછું કરવું, પ્રામાણિકતા અને પારદર્શિતા, માણસની સ્વતંત્ર નિર્ણયશક્તિ અને કાળજી. આ અમારા મૂલ્યો સાથે સુસંગતતા અંગેના કાર્યનો એક ઉદ્દેશ દર્શાવે છે: મોડલ માનવીય હેતુને વફાદાર રહીને અજાણી પરિસ્થિતિઓમાં માનવીય મૂલ્યોને સમજે અને લાગુ કરે. હાલના સિદ્ધાંતોની વધુ સ્પષ્ટ સમજૂતી સાથે, આ સુધારામાં સંદર્ભ, દેખરેખ અને સ્વતંત્ર નિર્ણયશક્તિ વિશે માર્ગદર્શન ઉમેરાયું છે, વર્તનના કેટલાક મૂળભૂત નિયમો બદલાયા છે અને શૈલી વિશેનું મોટા ભાગનું વિગતવાર માર્ગદર્શન દૂર કરાયું છે.
ઉપરનાં પાંચ મૂલ્યો એવી વ્યાપક પ્રતિબદ્ધતાઓને સ્પષ્ટ કરે છે જે મોડલ સ્પેકમાં પહેલેથી જ જોવા મળે છે: માનવીય હેતુઓની પૂર્તિ કરવી, સત્યનિષ્ઠ રહેવું, નુકસાન ઓછું કરવું, લોકોની પોતાના વિચારો ઘડવાની સ્વતંત્રતાનો આદર કરવો અને તેમના સંજોગોને ગંભીરતાથી લેવા. આ પ્રતિબદ્ધતાઓને એકસાથે રજૂ કરવાથી સ્પેકમાં મોડલ પાસે ચોક્કસ વર્તનની અપેક્ષા શા માટે રાખવામાં આવી છે તે સમજાવવામાં મદદ મળે છે. જ્યાં આ પ્રતિબદ્ધતાઓ પૂરતી સ્પષ્ટ નહોતી ત્યાં વધુ સ્પષ્ટ માર્ગદર્શન તૈયાર કરવામાં પણ અમને મદદ મળે છે. સંશોધન, મોડલને ઉપયોગમાં મૂકવાનો અનુભવ, સ્પેક અને મોડલના વર્તન અંગે જાહેર પ્રતિસાદ, તેમજ વપરાશકર્તાઓ અને બહારના નિષ્ણાતો સાથેની ચર્ચાઓ દ્વારા સ્પેકને વધુ પરિષ્કૃત કરવાના અમારા કાર્યમાં આ સુધારો વધુ એક પગલું છે.
અમે ઇચ્છીએ છીએ કે AI દુનિયાભરના એવા લોકોને લાભ આપે જેમની જરૂરિયાતો, મૂલ્યો અને ભવિષ્ય માટેની આશાઓ અલગ અલગ છે.
માનવીય હેતુ પ્રત્યે વફાદારી આ અભિગમનો પાયો છે: લોકો માટે શું મહત્વનું છે તે સમજવું અને તેને હાંસલ કરવામાં તેમની મદદ કરવી. OpenAI સ્પેક લખે છે, મર્યાદાઓ નક્કી કરે છે અને મોડલને તેનું પાલન કરવાની તાલીમ આપે છે; વિકાસકર્તાઓ આ મર્યાદાઓમાં રહીને અનુપ્રયોગોને દિશા આપે છે; અને વપરાશકર્તાઓ આ મર્યાદાઓને આધીન રહીને મોડલના કાર્યને દિશા આપે છે. અમારાં મોડલે લોકોને દુનિયા સમજવામાં, શક્યતાઓ શોધવામાં અને પોતાની પસંદગીનાં લક્ષ્યો હાંસલ કરવામાં મદદ કરીને પોતાનું જીવન ઘડવાની તેમની ક્ષમતા વધારવી જોઈએ. સાથે જ, આ સહાયની અન્ય લોકો પર કેવી અસર થાય છે તે પણ ગંભીરતાથી ધ્યાનમાં લેવું જોઈએ. માનવીય હેતુ પ્રત્યે વફાદારી અને બાકીનાં ચાર મૂલ્યો સ્પેકની ગોઠવણીનો આધાર છે. અમારાં મોડલ સામે આવતા કેટલાક સૌથી મહત્વના પ્રશ્નોમાં પરસ્પર વિરોધી બાબતો વચ્ચે સંતુલન કેવી રીતે સાધવું તેનું પણ તેઓ માર્ગદર્શન આપે છે. અમારાં મોડલે જે માનવીય મૂલ્યોનો આદર કરવો જોઈએ અને જેમને અનુસરવામાં લોકોને મદદ કરવી જોઈએ, તે બધાં જ મૂલ્યોને આવરી લેવાનો આ પાંચ મૂલ્યોનો ઉદ્દેશ નથી.
વફાદારીનો અર્થ સૂચનાઓનું અક્ષરશઃ પાલન કરવાથી આગળ વધીને OpenAI, વિકાસકર્તાઓ અને વપરાશકર્તાઓના હેતુઓ અને મૂલ્યોને ઊંડાણથી સમજવાં અને જ્યારે આ સમજણ અધૂરી હોય ત્યારે વિવેકપૂર્વક વર્તવું એવો થાય છે. તેનો અર્થ એ પણ છે કે લોકોની માન્યતાઓ અને મૂલ્યો બદલાઈ શકે છે તે સ્વીકારવું, અને તેમને જાણ કર્યા વિના કોઈ દિશામાં દોર્યા વગર કે તેમની પસંદગીઓને અવગણ્યા વગર, તેમને સ્વીકાર્ય હોય એ રીતે વિચારવામાં અને વિકસવામાં મદદ કરવી. ઉદાહરણ તરીકે, કોઈને નોકરીની દરખાસ્તોની સરખામણી કરવામાં મદદ કરતી વખતે મોડલ તેમણે અગાઉ જણાવેલી પ્રાથમિકતાઓ—જેમ કે કામના નિશ્ચિત કલાકો—ધ્યાનમાં લઈ શકે છે. સાથે જ, પોતે કરેલી આ ધારણાઓ સ્પષ્ટ રીતે જણાવે, જેથી તેને સરળતાથી સુધારી શકાય.
આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સ સમગ્ર માનવજાતને લાભ આપે તે સુનિશ્ચિત કરવાનું અમારું ધ્યેય છે. આ માટે માત્ર કોઈના તાત્કાલિક હેતુઓ જ નહીં, પણ તેમના લાંબા ગાળાના હિતો અને અન્ય લોકો પર થતી અસરો પણ ધ્યાનમાં લેવી જરૂરી છે. બાકીનાં ચાર મૂલ્યો આ બાબતોને સ્પષ્ટ કરે છે:
નુકસાન ઓછું કરવું એટલે સુરક્ષાની કડક મર્યાદાઓનું પાલન કરવું અને મોડલનાં પગલાંનાં અગાઉથી અનુમાન કરી શકાય એવાં પરિણામોને ધ્યાનમાં લેવાં.
પ્રામાણિકતા અને પારદર્શિતા એટલે મોડલ શું જાણે છે, શું કરે છે અને શેના વિશે અનિશ્ચિત છે તે સત્યનિષ્ઠાથી જણાવવું, જેથી લોકો તેના রিজনিং અને કાર્યને સમજી અને મૂલવી શકે.
માણસની સ્વતંત્ર નિર્ણયશક્તિને પ્રોત્સાહન આપવું એટલે લોકોની જાતે સમજવાની, પસંદગી કરવાની અને પગલાં લેવાની ક્ષમતા મજબૂત કરવી.
કાળજી એટલે અસર પામતા લોકોના સંજોગો ધ્યાનમાં લેવા, લાગુ પડતા સામાજિક અને વ્યાવસાયિક ધોરણોનું પાલન કરવું અને લોકો ભરોસો કરી શકે એવું કામ કરવું.
સ્પેક આ મૂલ્યોને વ્યવહારુ માર્ગદર્શનમાં ફેરવે છે. લોકો અને સમાજના રક્ષણ માટે જ્યાં જરૂરી હોય ત્યાં તે કડક મર્યાદાઓ નક્કી કરે છે. બાકીનું માર્ગદર્શન મોટા ભાગે એવા મૂળભૂત નિયમોના સ્વરૂપમાં છે, જેને વપરાશકર્તાઓ અને વિકાસકર્તાઓ બદલી શકે છે.
મોડલ સ્પેકના આ સુધારાની સાથે અમે તાલીમની નવી પદ્ધતિઓ પણ શોધી રહ્યા છીએ, જેથી અમારાં મોડલ આ મૂળભૂત મૂલ્યો શીખી શકે અને સ્પેકના વર્તન અંગેના ચોક્કસ સિદ્ધાંતોને વધુ સારી રીતે સમજીને અનુસરી શકે. ઉદ્દેશ એ સમજ વિકસાવવાનો છે કે આ સિદ્ધાંતો શા માટે મહત્વના છે અને નવી પરિસ્થિતિઓમાં તેમને કેવી રીતે લાગુ કરવા: એટલે કે યોગ્ય કારણોસર યોગ્ય કાર્યો કરવાં. અમે ઇચ્છીએ છીએ કે આ સમજણ મોટા પ્રભાવવાળા નિર્ણયોમાં વિવેક અને રોજિંદા નિર્ણયોમાં કાળજી રાખવામાં મદદરૂપ બને. આવા નિર્ણયો મળીને લોકો અને સમાજ માટે લાંબા ગાળાના લાભો(નવી વિન્ડોમાં ખૂલે છે) સર્જી શકે છે. ભવિષ્યની જાહેરાતોમાં અમે આ તાલીમકાર્યનાં પરિણામો અને તેમાંથી મળેલા પાઠ રજૂ કરીશું.
આ નવી ગોઠવણીથી અમને ક્યાં વધારાનું માર્ગદર્શન જરૂરી હતું તે ઓળખવામાં, એ જરૂરિયાત માટે નવા સિદ્ધાંતો વિકસાવવામાં અને જરૂર મુજબ હાલનું માર્ગદર્શન સુધારવામાં કે દૂર કરવામાં પણ મદદ મળી.
માનવીય હેતુ પ્રત્યે વફાદારી અંગેનો નવો વિભાગ એ વિચારથી શરૂ થાય છે કે લોકો જેને મૂલ્યવાન ગણે છે તે સૌથી મહત્વનું છે, અને સૂચનાઓ સામાન્ય રીતે એ મૂલ્યોના સૌથી સ્પષ્ટ અને મહત્વના સંકેતો હોય છે. આ અભિગમ મૂલ્યો સાથેની સુસંગતતાને સહાયની રમતોના માળખામાં જોવાના વિચાર પર આધારિત છે (જુઓ શરૂઆતનું કાર્ય(નવી વિન્ડોમાં ખૂલે છે) અને પછીથી રજૂ કરાયેલ વિહંગાવલોકન(નવી વિન્ડોમાં ખૂલે છે)). આ વિભાગમાં સુધારેલ આદેશોની અગ્રતાનો ક્રમ(નવી વિન્ડોમાં ખૂલે છે) સમાવાયો છે, જે સમજાવે છે કે કઈ સૂચનાઓ લાગુ પડે છે અને વિરોધાભાસો કેવી રીતે ઉકેલવામાં આવે છે. નવો પેટાવિભાગ, સંદર્ભનો કાળજીપૂર્વક વિચાર કરો(નવી વિન્ડોમાં ખૂલે છે), સમજાવે છે કે વાતચીત, સ્મૃતિઓ અને સંદર્ભના અન્ય પુરાવાના આધારે મોડલે લોકોના હેતુઓ અને પસંદગીઓની સમજ કેવી રીતે કેળવવી જોઈએ.
અમે માણસની સ્વતંત્ર નિર્ણયશક્તિને ટેકો આપવા(નવી વિન્ડોમાં ખૂલે છે) અને લાગુ પડતા સામાજિક ધોરણોનું પાલન કરવા(નવી વિન્ડોમાં ખૂલે છે) અંગે મૂળભૂત નિયમો પણ ઉમેર્યા છે. ઉપરાંત, આડઅસરોને નિયંત્રિત કરવા અને તેની જાણ કરવા(નવી વિન્ડોમાં ખૂલે છે) અંગેનું હાલનું માર્ગદર્શન વિસ્તૃત કર્યું છે. બાકીનાં મૂલ્યો મોડલના વર્તનમાં બીજી કઈ રીતે દેખાવાં જોઈએ તે આ સિદ્ધાંતોમાં સમાવાયું છે. આ રીતો ઘણી વાર સૂક્ષ્મ હોવા છતાં મહત્વની છે: વપરાશકર્તાનાં લક્ષ્યો અને સૂચનાઓનો આદર કરતાં અન્ય લોકો પર કામની અસરોને ધ્યાનમાં લેવી, વપરાશકર્તાઓની ક્ષમતાઓ મજબૂત કરવી અને લોકો ભરોસો કરી શકે એવું કામ કરવું.
સાથે જ, અમે સ્પેકમાં શૈલી વિશેનું મોટા ભાગનું વિગતવાર માર્ગદર્શન દૂર કરી રહ્યા છીએ. શૈલી લોકોની પસંદગીઓને અનુરૂપ હોવી જોઈએ—સામૂહિક સ્તરે, વિવિધ ભાષાઓ અને સંસ્કૃતિઓમાં, તેમજ વ્યક્તિગત સ્તરે. વપરાશકર્તાઓના પ્રતિસાદ અને સંદર્ભમાંથી આ પસંદગીઓના સંકેત મળવા જોઈએ. સ્પેકમાં વધુ મજબૂત મૂળભૂત નિયમો જાળવી રાખવામાં આવ્યા છે, જેમ કે પ્રશ્નો પ્રત્યે નિષ્પક્ષ અભિગમ રાખવો(નવી વિન્ડોમાં ખૂલે છે). વપરાશકર્તાઓ અને વિકાસકર્તાઓ મોડલને કોઈ ચોક્કસ દૃષ્ટિકોણ અપનાવવાનું સ્પષ્ટપણે કહી શકે છે. પરંતુ તેઓ શું સાંભળવા માગે છે તે અંગેના પોતાના અનુમાન પરથી જ મોડલે તેમની આવી પસંદગી ધારી ન લેવી જોઈએ.
છેલ્લે, અમારાં મોડલનો ઉપયોગ વધુ ને વધુ વિવિધ કામો અને પરિસ્થિતિઓમાં થઈ રહ્યો છે તે ધ્યાનમાં રાખીને, હવે અમે સ્પેકમાં મોડલનો ઉલ્લેખ “સહાયક”ને બદલે “GPT” તરીકે કરીએ છીએ.
મોડલ વધુ સક્ષમ બનતાં જાય છે તેમ, સ્પેક પાછળનાં મૂલ્યો અને તર્કને વધુ સ્પષ્ટ બનાવવાની દિશામાં આ સુધારો પ્રથમ પગલું છે. મોડલ સ્પેક એ વર્તનનું વર્ણન કરે છે જેને હાંસલ કરવા અમે કામ કરી રહ્યા છીએ; અમારાં મોડલમાં તે હજુ સંપૂર્ણપણે જોવા મળતું નથી. સંશોધન, વાસ્તવિક ઉપયોગ અને પ્રતિસાદમાંથી શીખતાં શીખતાં અમે સ્પેક અને મોડલ બંનેને સુધારતા રહીશું.
અમને જાણવું છે કે સ્પેકના કયા ભાગો તમને અસરકારક લાગે છે, તે જે સંતુલન સાધે છે તે અંગે તમે ક્યાં અસહમત છો અને તેમાં શું અવગણાયું છે કે અસ્પષ્ટ રહી ગયું છે. મૂલ્યો, પરસ્પર વિરોધી બાબતો વચ્ચેના સંતુલન અને ચોક્કસ શબ્દપ્રયોગ અંગેનો પ્રતિસાદ અમને તેને સુધારવામાં મદદ કરી શકે છે. અમે તમને સુધારેલ મોડલ સ્પેક(નવી વિન્ડોમાં ખૂલે છે) વાંચવા અને તમારો દૃષ્ટિકોણ જણાવવા(નવી વિન્ડોમાં ખૂલે છે) આમંત્રિત કરીએ છીએ.
