בונים שפע של בינה
גישה המקיפה את כל שכבות המערכת כדי לשפר את יכולות הבינה המלאכותית המתקדמת, להוזיל אותה ולהרחיב את התועלת שהיא מביאה.
ערכן של תשתיות בינה מלאכותית אינו נובע מגודלן. הוא נובע ממה שהן מאפשרות: בינה בעלת יכולות גבוהות יותר, שזמינה ליותר אנשים, בעלות נמוכה יותר.
כך אני רואה שפע. הוא מעוגן הן במשימה שלנו — להבטיח שבינה מלאכותית כללית תועיל לאנושות כולה — והן במנוע הכלכלי שמניע את העסק שלנו.
ככל שהעלות של בינה שימושית יורדת, יותר משימות נעשות כדאיות לביצוע. ככל שיכולות המודלים משתפרות, העבודה הזאת יוצרת יותר ערך. ככל שהשימוש מתרחב, אנחנו צוברים הכנסות, משוב מהשטח ותמונה ברורה יותר של הביקוש, שמאפשרים לנו להמשיך להשקיע בדור הבא של המחקר והתשתיות.
בינה טובה יותר מובילה לשימוש רחב יותר. שימוש רחב יותר מאפשר השקעה גדולה יותר. השקעה גדולה יותר משפרת את הבינה ואת היעילות. זה המעגל שאנחנו בונים.
הודעת התמחור האחרונה שלנו מראה באיזו מהירות המעגל הזה מיטיב עם הלקוחות. אתמול הורדנו את המחיר של GPT‑5.6 Luna ב-80 אחוז ושל GPT‑5.6 Terra ב-20 אחוז. המחיר של Luna הוא כעת 0.20 דולר למיליון טוקני קלט ו-1.20 דולר למיליון טוקני פלט; המחיר של Terra הוא 2 דולר ו-12 דולר, בהתאמה.
ב-GPT‑5.6 Sol, מצב מהיר מספק מהירות של עד פי 2.5 מהעיבוד הרגיל במחיר כפול, ללא שינוי ברמת הבינה.
אלה אינם רק שינויים במחירון. הם מרחיבים את מגוון המשימות שמעשי לבצע ומעניקים ללקוחות יותר גמישות באיזון בין בינה, מהירות, אמינות ועלות.
השאלה הנכונה אינה איזה מודל מתאים לאיזו משימה. השאלה היא איזו רמת בינה נחוצה להשגת התוצאה הנדרשת, באיזו מהירות היא דרושה ומה העלות הרצויה של הפעלתה. האיזון הזה עשוי להשתנות כמה פעמים בתוך אותו תהליך עבודה.
רכישת טוקנים אינה מטרה בפני עצמה עבור הלקוחות. הם רוצים שפניית התמיכה תיפתר, שהתוכנה תושק, שהחוזה ייבדק או שהשאלה המדעית תיענה. המדד הנכון הוא העלות של השגת תוצאה מוצלחת, כולל הזמן, הניסיונות החוזרים, הפיקוח והטעויות שבדרך.
מודל חזק יותר, שמשלים את העבודה נכון וביעילות, עשוי בסופו של דבר להיות חסכוני יותר ממודל זול שדורש ניסיונות חוזרים או התערבות אנושית נרחבת. מנגד, מודל זול יותר יכול להרחיב מאוד את הנגישות כשהוא עומד באותו רף איכות. ההזדמנות היא להפעיל כמה שיותר בינה מועילה במחיר הנכון.
כדי לספק את הערך הזה, לא די בהקמת מרכזי נתונים נוספים. צריך להגדיל את התפוקה של כל יחידת מחשוב.
העבודה ההנדסית האחרונה שלנו ממחישה איך זה נראה בפועל. בעבודה עם הצוותים הטכניים שלנו, GPT‑5.6 Sol סייע לייעל את התוכנה המשמשת להפעלת המודלים שלנו בסביבת הייצור, והפחית את עלויות אספקת השירות מקצה לקצה ב-20 אחוז. הוא גם סייע לשפר את הפענוח הספקולטיבי, והגדיל את יעילות יצירת הטוקנים ביותר מ-15 אחוז.
חשוב לא פחות: היעילות אינה נקבעת על ידי המודל לבדו. גם למערכת שסביבו יש חשיבות. ניתוב טוב יותר שומר על ניצול יעיל של החומרה. ניהול הקשר חכם יותר מונע מסוכנים לחזור על עבודה שכבר נעשתה. כלים חזקים יותר ותכנון מוצר משופר מצמצמים את מספר השלבים הדרושים להשלמת משימה.
בניתוח מבחן ביצועים שנערך לאחרונה, שיפורים בשימור reasoning ובניהול ההקשר העלו את הציון של GPT‑5.6 Sol במערך המשימות הציבורי ARC-AGI-3 מ-13.3 אחוז ל-38.3 אחוז, תוך שימוש בשישית ממספר טוקני הפלט. המודל לא השתנה. המערכת שסביבו היא שהשתנתה.
השיפורים האלה מצטברים ומחזקים זה את זה. מודלים בעלי יכולות גבוהות יותר עוזרים לצוותים שלנו לגלות דרכים חדשות להתייעלות. ההתייעלות הזאת מפחיתה את עלות השירות ללקוחות ומרחיבה את היקף העבודה שנוכל לתמוך בה באמצעות אותן תשתיות. כך, בתורו, הדור הבא של הבינה נעשה נגיש יותר.
היתרון שבפיתוח תשתיות, מודלים, פלטפורמה ומוצרים אינו מסתכם בעצם הפעילות שלנו בכל שכבה. היתרון הוא שכל שכבה משפרת את האחרות.
השימוש במוצרים בפועל מראה לנו היכן הלקוחות מפיקים ערך והיכן הם נתקלים בקשיים. המשוב הזה עוזר להתוות את כיווני המחקר שלנו. ההתקדמות במחקר משפרת את המוצרים שלנו ומפחיתה את עלות אספקתם. הביקוש ל-ChatGPT, ל-ChatGPT Work, ל-Codex ול-API עוזר לנו לקבל החלטות טובות יותר לגבי המקומות שבהם כדאי להוסיף קיבולת.
להיקף הלמידה הזאת יש חשיבות. המודלים שלנו מגיעים כיום ליותר ממיליארד משתמשים פעילים וליותר משני מיליון עסקים. ככל שהאמון של אנשים בטכנולוגיה גדל, השימוש שלהם בה נעשה מעמיק יותר. שישה חודשים לאחר ההרשמה, אנשים שולחים מדי יום כ-50 אחוז יותר הודעות ומשתמשים ב-ChatGPT לכפי שניים סוגי משימות. ChatGPT Work משנה את משמעותה של עבודה מבוססת ידע: הוא עובר ממתן תשובות לשאלות להשלמת עבודה מורכבת ורבת-שלבים — מ״לשאול״ ל״לעשות״. ברחבי OpenAI, עבודה אג'נטית באמצעות Codex כבר אחראית ל-99.8% מטוקני הפלט השבועיים, וצוות הכספים הוא אחד הצוותים שהפכו כלים אג'נטיים לחלק מרכזי בעבודתם.
בתוך ארגונים ניכר דפוס דומה. חברה עשויה להתחיל בצוות אחד או בתהליך עבודה אחד. ככל שהאיכות והכדאיות הכלכלית משתפרות, השימוש מתרחב לתחומים נוספים בארגון והבינה המלאכותית הופכת לחלק מפעילותו השוטפת של העסק.
כך נוצר מעגל משוב מועיל בין ביקוש, שיפור המוצרים, יעילות ותכנון התשתיות. לשם כך אין צורך שכל נכס יהיה בבעלותנו או שנבנה כל רכיב בעצמנו. אנחנו יכולים להחזיק נכסים בבעלותנו, לפעול בשותפות או לרכוש — בהתאם למה שמשרת את הלקוח בצורה הטובה ביותר והכי כדאי מבחינה כלכלית. מה שחשוב הוא התיאום בין חלקי המערכת והלמידה מכולם.
תשתיות בינה מלאכותית צריך לתכנן שנים לפני שמתעורר בהן צורך, בעוד שמודלים, מוצרים וביקוש מצד לקוחות מתפתחים מהר הרבה יותר. הפער הזה מחייב משמעת ביצועית.
אנחנו מבססים את החלטות ההשקעה שלנו על נתונים: גידול במספר המשתמשים ובעומסי העבודה, התחייבויות של לקוחות ארגוניים, צריכת API, שיעורי ניצול, הכנסות והתקדמות ביכולות המודלים וביעילותם. אבני דרך טכנולוגיות ועסקיות עוזרות לקבוע מתי פרויקטים יעברו לשלב הבא. שותפויות ארוכות טווח משלבות את המימון, התשתיות והמומחיות התפעולית הדרושים כדי לספק שירות בקנה מידה רחב.
הכנסות ממוצרים, הון פרטי ושותפויות מסחריות ממלאים תפקידים שונים בתמיכה בצמיחה הזאת. המטרה אינה להקים כמה שיותר תשתיות. המטרה היא להעמיד את הקיבולת הנכונה, בזמן הנכון, מול ביקוש מבוסס.
מבחינתי, שאלות המפתח פשוטות: תוך כמה זמן קיבולת חדשה מתחילה להניב תועלת? באיזו יעילות היא מנוצלת? על איזה ביקוש מצד לקוחות היא עונה? באיזו מהירות יכולה ההתקדמות הטכנולוגית להפחית את העלות של אספקת בינה שימושית?
השאלות האלה מחברות בין שאיפות לטווח הארוך לבין משמעת תפעולית.
אנחנו עדיין בתחילת הדרך. מערכות בעלות יכולות גבוהות יותר ישלימו פרויקטים ממושכים יותר, יתאמו בין כלים ויבצעו חלק גדול יותר מהעבודה שבין הרעיון לתוצאה המוגמרת. אנשים פרטיים ועסקים קטנים יקבלו יכולות שבעבר היו זמינות רק לארגונים גדולים בהרבה. ארגונים ישלבו בינה בתחומים רבים יותר של פעילותם.
המטרה שלנו אינה רק יותר כוח מחשוב, מודלים גדולים יותר או מחירי טוקנים נמוכים יותר. המטרה היא להנגיש יותר בינה שימושית.
זו המשמעות של שפע: בינה שהיכולות שלה הולכות ומשתפרות, המחיר שלה נעשה נגיש יותר והערך שלה למשתמשים הולך וגדל. נמדוד את ההתקדמות שלנו לפי היקף העבודה המועילה שהבינה הזאת מאפשרת, היעילות שבה אנחנו מספקים אותה והיקף האנשים שיוכלו ליהנות מיתרונותיה.
