भरपूर इंटेलिजेंस बनाना

AI इंफ़्रास्ट्रक्चर की वैल्यू सिर्फ़ इसलिए नहीं है कि वह बड़ा है. इसकी असली वैल्यू इस बात में है कि यह क्या संभव बनाता है: ज़्यादा काबिल इंटेलिजेंस, जो ज़्यादा लोगों को कम लागत में उपलब्ध हो.

मैं भरपूर इंटेलिजेंस को इसी तरह देखता हूँ. यह हमारे मिशन का हिस्सा भी है — यह सुनिश्चित करना कि आर्टिफ़िशियल जनरल इंटेलिजेंस का फ़ायदा पूरी मानवता तक पहुँचे — और हमारे बिज़नेस को आगे बढ़ाने वाले इकोनॉमिक इंजन का भी हिस्सा है.

जब उपयोगी इंटेलिजेंस की लागत कम होती है, तो ज़्यादा काम करना फ़ायदेमंद बन जाता है. जब मॉडल्स ज़्यादा काबिल होते हैं, तो वही काम ज़्यादा वैल्यू पैदा करता है. जैसे-जैसे इस्तेमाल बढ़ता है, हमें रेवेन्यू, असली दुनिया से फ़ीडबैक और डिमांड की बेहतर समझ मिलती है, जिससे हम अगली पीढ़ी की रिसर्च और इंफ़्रास्ट्रक्चर में लगातार निवेश कर पाते हैं.

बेहतर इंटेलिजेंस से इस्तेमाल बढ़ता है. ज़्यादा इस्तेमाल से और निवेश संभव होता है. ज़्यादा निवेश से इंटेलिजेंस और एफ़िशिएंसी बेहतर होती है. यही वह साइकल है जिसे हम बना रहे हैं.

हमारी हाल की प्राइसिंग अनाउंसमेंट दिखाती है कि यह साइकल कैसे जल्दी कस्टमर्स को फ़ायदा पहुँचाती है. कल हमने GPT‑5.6 Luna की कीमत 80% और GPT‑5.6 Terra की कीमत 20% कम की. अब Luna की कीमत 10 लाख इनपुट टोकंस के लिए $0.20 और 10 लाख आउटपुट टोकंस के लिए $1.20 है. वहीं Terra की कीमत इस क्रम में $2 और $12 है.

GPT‑5.6 Sol के लिए, तेज़ मोड स्टैंडर्ड प्रोसेसिंग की तुलना में 2.5 गुना तक तेज़ जवाब देता है, जिसकी कीमत दोगुनी है और इंटेलिजेंस में कोई बदलाव नहीं होता.

ये सिर्फ़ प्राइस लिस्ट में बदलाव नहीं हैं. इससे उन कामों की रेंज बढ़ती है जिन्हें करना अब आसान और व्यावहारिक हो जाता है. साथ ही कस्टमर्स को इंटेलिजेंस, स्पीड, भरोसे और लागत के बीच बेहतर संतुलन बनाने की सुविधा मिलती है.

सही सवाल यह नहीं है कि कौन सा मॉडल किस काम के लिए है. सही सवाल यह है कि किसी नतीजे के लिए कितनी इंटेलिजेंस चाहिए, वह कितनी जल्दी चाहिए और उस नतीजे को हासिल करने में इसकी लागत कितनी होनी चाहिए. एक ही वर्कफ़्लो के अंदर भी यह संतुलन कई बार बदल सकता है.

कस्टमर्स सिर्फ़ टोकंस नहीं खरीदते. वे चाहते हैं कि सपोर्ट की समस्या हल हो, सॉफ़्टवेयर शिप हो, कॉन्ट्रैक्ट रिव्यू हो या साइंटिफ़िक सवाल का जवाब मिले. सही माप यह है कि सफल नतीजा पाने की कुल लागत कितनी है, जिसमें समय, दोबारा कोशिश, निगरानी और गलतियों को ठीक करने का खर्च भी शामिल है.

एक बेहतर मॉडल जो काम को सही और एफ़िशिएंट तरीके से पूरा कर देता है, आखिर में उस सस्ते मॉडल से ज़्यादा किफ़ायती हो सकता है जिसे बार-बार चलाना पड़े या जिसमें ज़्यादा इंसानी मदद की ज़रूरत हो. वहीं, कम लागत वाला मॉडल अगर वही क्वालिटी दे पाता है, तो वह एक्सेस को बहुत बढ़ा सकता है. लक्ष्य है सही कीमत पर ज़रूरत के हिसाब से सबसे उपयोगी इंटेलिजेंस उपलब्ध कराना.

यह वैल्यू देने के लिए सिर्फ़ ज़्यादा डेटा सेंटर्स बनाना काफ़ी नहीं है. ज़रूरी है कि कंप्यूट किए गए हर यूनिट को ज़्यादा उपयोगी बनाया जाए.

हमारा हाल का इंजीनियरिंग काम दिखाता है कि यह कैसे किया जा सकता है. अपनी टेक्निकल टीम्स के साथ काम करते हुए, GPT‑5.6 Sol ने हमारे मॉडल्स को चलाने वाले प्रोडक्शन सॉफ़्टवेयर को बेहतर बनाने में मदद की, जिससे एंड-टू-एंड सर्विंग लागत 20% कम हुई. इसने स्पेक्युलेटिव डिकोडिंग को बेहतर बनाने में भी मदद की, जिससे टोकन जेनरेशन एफ़िशिएंसी 15% से ज़्यादा बढ़ी.

इतना ही नहीं, एफ़िशिएंसी सिर्फ़ मॉडल पर निर्भर नहीं करती. उसके आसपास का पूरा सिस्टम भी मायने रखता है. बेहतर रूटिंग हार्डवेयर को ज़्यादा उपयोगी बनाए रखती है. बेहतर कॉन्टेक्स्ट मैनेजमेंट एजेंट्स को एक ही काम बार-बार करने से रोकता है. बेहतर टूल्स और प्रोडक्ट डिज़ाइन किसी काम को पूरा करने के लिए ज़रूरी स्टेप्स कम करते हैं.

हाल के एक बेंचमार्क एनालिसिस में, रीज़निंग को बनाए रखने की क्षमता और कॉन्टेक्स्ट मैनेजमेंट से GPT‑5.6 Sol का पब्लिक ARC-AGI-3 टास्क सेट स्कोर 13.3% से बढ़कर 38.3% हो गया, जबकि आउटपुट टोकंस का इस्तेमाल 6 गुना कम हुआ. मॉडल में बदलाव नहीं हुआ था. बदलाव उसके आसपास के सिस्टम में हुआ.

ये सुधार समय के साथ और बढ़ते जाते हैं. ज़्यादा काबिल मॉडल्स हमारी टीम्स को नई एफ़िशिएंसी खोजने में मदद करते हैं. ये एफ़िशिएंसी कस्टमर्स को सर्व करने की लागत कम करती हैं और उसी इंफ़्रास्ट्रक्चर के साथ ज़्यादा काम सपोर्ट करने में मदद करती हैं. इससे अगली पीढ़ी की इंटेलिजेंस ज़्यादा लोगों तक पहुँच पाती है.

इंफ़्रास्ट्रक्चर, मॉडल्स, प्लेटफ़ॉर्म और प्रोडक्ट्स — इन सभी लेयर्स पर काम करने का फ़ायदा सिर्फ़ इतना नहीं है कि हम हर लेयर में शामिल हैं. असली फ़ायदा यह है कि हर लेयर दूसरी लेयर्स को बेहतर बनाती है.

असल दुनिया में प्रोडक्ट के इस्तेमाल से हमें पता चलता है कि कस्टमर्स को कहाँ वैल्यू मिल रही है और कहाँ उन्हें परेशानी आ रही है. यह फ़ीडबैक हमारी रिसर्च को बेहतर बनाने में मदद करता है. रिसर्च में सुधार से हमारे प्रोडक्ट्स बेहतर होते हैं और उन्हें उपलब्ध कराने की लागत कम होती है. ChatGPT, ChatGPT वर्क, Codex और API की डिमांड हमें यह तय करने में मदद करती है कि क्षमता कहाँ बढ़ानी है.

इस तरह सीखने का पैमाना बहुत मायने रखता है. हमारे मॉडल्स अब 1 अरब से ज़्यादा एक्टिव यूज़र्स और 20 लाख से ज़्यादा बिज़नेस तक पहुँच चुके हैं. जैसे-जैसे लोग इस टेक्नोलॉजी पर भरोसा करने लगते हैं, वे इसका इस्तेमाल और गहराई से करते हैं. साइन अप करने के छह महीने बाद, लोग हर दिन लगभग 50% ज़्यादा मैसेज भेजते हैं और ChatGPT का इस्तेमाल लगभग दोगुने तरह के कामों के लिए करते हैं. ChatGPT वर्क, नॉलेज वर्कर के काम करने के तरीके को बदल रहा है. अब यह सिर्फ़ सवालों के जवाब देने तक सीमित नहीं है, बल्कि जटिल और कई स्टेप वाले काम पूरे करने में मदद कर रहा है — यानी "आस्किंग" से "डुइंग" तक. OpenAI में Codex के ज़रिए एजेंटिक वर्क अब हर हफ़्ते के आउटपुट टोकंस का 99.8% हिस्सा है. फ़ाइनेंस टीम भी उन टीम्स में से एक है जिसने एजेंटिक टूल्स को अपने काम का अहम हिस्सा बना लिया है.

ऑर्गनाइज़ेशंस के अंदर भी ऐसा ही पैटर्न दिखाई देता है. कोई कंपनी शुरुआत में एक टीम या एक वर्कफ़्लो से शुरू कर सकती है. जैसे-जैसे क्वालिटी और इकोनॉमिक्स बेहतर होते हैं, इसका इस्तेमाल अलग-अलग फ़ंक्शंस में फैलता है और AI बिज़नेस के काम करने के तरीके का हिस्सा बन जाता है.

इससे डिमांड, प्रोडक्ट सुधार, एफ़िशिएंसी और इंफ़्रास्ट्रक्चर प्लानिंग के बीच एक बेहतर फ़ीडबैक लूप बनता है. इसके लिए यह ज़रूरी नहीं है कि हम हर एसेट अपने पास रखें या हर कंपोनेंट खुद बनाएँ. कस्टमर के लिए जो बेहतर हो और जो इकोनॉमिक तौर पर सही हो, उसके हिसाब से हम खुद बना सकते हैं, पार्टनर के साथ काम कर सकते हैं या खरीद सकते हैं. ज़रूरी बात यह है कि पूरे सिस्टम को सही तरह से जोड़ना और इससे लगातार सीखना.

AI इंफ़्रास्ट्रक्चर की प्लानिंग ज़रूरत पड़ने से कई साल पहले करनी होती है, जबकि मॉडल्स, प्रोडक्ट्स और कस्टमर डिमांड बहुत तेज़ी से बदलते हैं. यही अंतर अनुशासन को बेहद ज़रूरी बनाता है.

हम अपने निवेश के फ़ैसले डेटा और सबूतों के आधार पर लेते हैं: यूज़र और वर्कलोड ग्रोथ, एंटरप्राइज़ कमिटमेंट्स, API के इस्तेमाल, यूटिलाइज़ेशन, रेवेन्यू और मॉडल की क्षमता व एफ़िशिएंसी में सुधार. टेक्निकल और कमर्शियल माइलस्टोंस यह तय करने में मदद करते हैं कि कौन से प्रोजेक्ट आगे बढ़ने चाहिए. लंबे समय की पार्टनरशिप से फ़ाइनेंसिंग, इंफ़्रास्ट्रक्चर और ऑपरेशंस की एक्सपर्टीज़ को एक साथ लाने में मदद मिलती है, ताकि बड़े पैमाने पर काम किया जा सके.

प्रोडक्ट रेवेन्यू, प्राइवेट कैपिटल और कमर्शियल पार्टनरशिप्स, इस ग्रोथ को सपोर्ट करने में अलग-अलग भूमिका निभाते हैं. हमारा मकसद सबसे ज़्यादा इंफ़्रास्ट्रक्चर बनाना नहीं है. मकसद है सही समय पर, सही क्षमता को, भरोसेमंद डिमांड के हिसाब से उपलब्ध कराना.

मेरे लिए मुख्य सवाल साफ़ हैं: नई क्षमता कितनी जल्दी काम में आने लगती है? उसका इस्तेमाल कितना बेहतर तरीके से हो रहा है? वह किस कस्टमर डिमांड को पूरा कर रही है? टेक्निकल प्रोग्रेस कितनी तेज़ी से उपयोगी इंटेलिजेंस देने की लागत कम कर सकती है?

ये सवाल लंबे समय के लक्ष्य को रोज़मर्रा के ऑपरेशनल अनुशासन से जोड़ते हैं.

हम अभी शुरुआती दौर में हैं. आने वाले समय में ज़्यादा काबिल सिस्टम लंबे प्रोजेक्ट पूरे करेंगे, अलग-अलग टूल्स के साथ मिलकर काम करेंगे और किसी आइडिया से लेकर तैयार नतीजे तक के ज़्यादा काम संभाल पाएँगे. इंडिविजुअल्स और छोटे बिज़नेस अब ऐसी क्षमताओं का इस्तेमाल कर पाएँगे जो पहले सिर्फ़ बड़े ऑर्गेनाइज़ेशंस के पास थीं. एंटरप्राइज़ अपने पूरे ऑपरेशंस में इंटेलिजेंस का इस्तेमाल और बढ़ाएँगे.

हमारा लक्ष्य सिर्फ़ ज़्यादा कंप्यूट, बड़े मॉडल्स या कम टोकन प्राइस नहीं है. लक्ष्य है ज़्यादा लोगों तक उपयोगी इंटेलिजेंस पहुँचाना.

यही असली मायने में भरपूर इंटेलिजेंस है: ऐसी इंटेलिजेंस जो लगातार ज़्यादा काबिल, ज़्यादा किफ़ायती और इसका इस्तेमाल करने वाले लोगों के लिए ज़्यादा उपयोगी बनती जाए. हमारी प्रोग्रेस को हम इस बात से मापेंगे कि इससे कितने उपयोगी काम संभव हो रहे हैं, हम इसे कितनी एफ़िशिएंसी से उपलब्ध करा रहे हैं और इसके फ़ायदे कितने लोगों तक पहुँच रहे हैं.