AGI ಎಲ್ಲ ಮಾನವರಿಗೂ ಪ್ರಯೋಜನಕಾರಿಯಾಗಲು ಅದರ ಆಡಳಿತ ಪ್ರಜಾಸತ್ತಾತ್ಮಕವಾಗಿರಬೇಕು ಎಂಬುದು ನಮ್ಮ ನಂಬಿಕೆ. ಸಮರ್ಥ AI ವ್ಯವಸ್ಥೆಗಳ ಸಾಮರ್ಥ್ಯ, ಅಪಾಯ ಮತ್ತು ರಕ್ಷಣಾ ಕ್ರಮಗಳ ಬಗ್ಗೆ ತಿಳಿವಳಿಕೆಯ ಸಾರ್ವಜನಿಕ ಚರ್ಚೆಯಿಂದಲೇ ಇದು ಸಾಧ್ಯ. ಅತ್ಯಾಧುನಿಕ AIಯ ಭವಿಷ್ಯದ ದಿಕ್ಕನ್ನು ಎಲ್ಲರೂ ಅರಿಯಬೇಕು; ಆಗ ಅದರ ಬೆಳವಣಿಗೆಯಲ್ಲಿ ಅರ್ಥಪೂರ್ಣವಾಗಿ ಪಾಲ್ಗೊಳ್ಳಬಹುದು.
ನಿರ್ದಿಷ್ಟ ಅಪಾಯಗಳು, ಘಟನೆಗಳು ಮತ್ತು ರಕ್ಷಣಾ ಕ್ರಮಗಳ ಬಗ್ಗೆ ಪಾರದರ್ಶಕತೆ ಅಗತ್ಯ, ಆದರೆ ಅಷ್ಟೇ ಸಾಲದು. ಅತ್ಯಾಧುನಿಕ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಅತ್ಯಂತ ಸಮರ್ಥ ವ್ಯವಸ್ಥೆಗಳು ಹೇಗೆ ಬೆಳೆಯುತ್ತಿವೆ, ಸಂಶೋಧನೆಯನ್ನು ಹೇಗೆ ಮುನ್ನಡೆಸುತ್ತಿವೆ ಎಂಬುದನ್ನೂ ಜನರು ಅರಿಯಬೇಕು.
ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಉದ್ದೇಶ ಹೊಂದಾಣಿಕೆಯನ್ನು ಸುಧಾರಿಸುವ ಸ್ವಯಂಚಾಲಿತ AI ಸಂಶೋಧಕನನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ನಿರ್ಮಿಸುವುದು ನಮ್ಮ ಗುರಿ. ಕಳೆದ ಶರತ್ಕಾಲದಲ್ಲಿ ಘೋಷಿಸಿದ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಈ ಸೆಪ್ಟೆಂಬರ್ ವೇಳೆಗೆ ಸ್ವಯಂಚಾಲಿತ ಸಂಶೋಧನಾ ತರಬೇತುದಾರನನ್ನು ಹೊಂದುವ ಗುರಿಯನ್ನು ನಮ್ಮ ಅಳತೆಗಳ ಪ್ರಕಾರ ಈಗ ತಲುಪಿದ್ದೇವೆ. “ಸಂಶೋಧನಾ ತರಬೇತುದಾರ” ಎಂದರೆ ಮಾನವ ನಿರ್ದೇಶನದಲ್ಲಿ ಸ್ಪಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ಮಾಡುವ ವ್ಯವಸ್ಥೆ; ನುರಿತ ಸಂಶೋಧಕರಿಗೆ ಕೆಲವು ದಿನ ಬೇಕಾಗುವ ಕಾರ್ಯಗಳೂ ಇದರಲ್ಲಿ ಸೇರಿವೆ. ಮಾರ್ಚ್ 2028ರೊಳಗೆ ಸ್ವಯಂಚಾಲಿತ AI ಸಂಶೋಧಕನನ್ನು ನಿರ್ಮಿಸುವತ್ತ ಉತ್ತಮ ಪ್ರಗತಿ ಸಾಧಿಸುತ್ತಿದ್ದೇವೆ.
ಈ ವರ್ಷ OpenAI ಸಂಶೋಧಕರ ನಿತ್ಯದ ಕೆಲಸ ಬಹಳ ಬದಲಾಗಿದೆ. ಸಂಶೋಧಕರು ದಿನವಿಡೀ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳನ್ನು, ಹಲವು ಬಾರಿ ಸಮಕಾಲೀನ ಅವಧಿಗಳಲ್ಲಿ ಬಳಸುತ್ತಿದ್ದಾರೆ. ಬಳಕೆಯ ಏರಿಕೆ ಇತರ OpenAI ತಂಡಗಳಿಗಿಂತ ವೇಗವಾಗಿದೆ. ಸಂಶೋಧಕರು ವೇಗವಾಗಿ ಕೋಡ್ ಕೊಡುಗೆ ನೀಡುತ್ತಿದ್ದಾರೆ; ಹೆಚ್ಚು ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುತ್ತಿದ್ದಾರೆ. ಏಜೆಂಟ್ಗಳ ಬಳಕೆಯೂ ಬದಲಾಗುತ್ತಿದೆ: ಅವು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ನಿಭಾಯಿಸುತ್ತಿವೆ, ಹೆಚ್ಚಾಗಿ ಯಶಸ್ವಿಯಾಗುತ್ತಿವೆ. AI ಸಂಶೋಧನೆಯಲ್ಲಿ ಹಲವು ಅಡಚಣೆಗಳಿರುವುದರಿಂದ, ಒಟ್ಟಾರೆ ಪ್ರಗತಿಯು ಈ ನಿರ್ದಿಷ್ಟ ಮಾಪಕಗಳ ವೇಗದಲ್ಲೇ ಸಾಗದಿರಬಹುದು. ಆದರೂ ಏಜೆಂಟಿಕ್ ಸಾಧನಗಳು ಸಂಶೋಧನೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ವೇಗಗೊಳಿಸುತ್ತಿವೆ ಎಂಬ ನಮ್ಮಲ್ಲಿನ ಹಲವರ ಅಭಿಪ್ರಾಯಕ್ಕೆ ಈ ಫಲಿತಾಂಶಗಳು ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ. ಸಂಶೋಧನಾ ಆದ್ಯತೆಗಳು, ಮುಂದುವರಿಸಬೇಕಾದ ಕಲ್ಪನೆಗಳು ಮತ್ತು ಫಲಿತಾಂಶಗಳು, ವ್ಯವಸ್ಥೆಗಳ ವಿಸ್ತರಣೆ, ವಿರಾಮ ಅಥವಾ ನಿಯೋಜನೆಯನ್ನು ಇಂದಿಗೂ ಮಾನವರೇ ನಿರ್ಧರಿಸುತ್ತಾರೆ.
ಜವಾಬ್ದಾರಿಯುತ ಸ್ವಯಂಚಾಲಿತ AI ಸಂಶೋಧನೆ ಮಾನವ ಕಲ್ಯಾಣ ಹೆಚ್ಚಿಸುವ, OpenAI ಧ್ಯೇಯವನ್ನು ಮುನ್ನಡೆಸುವ ಮಾಡೆಲ್ಗಳನ್ನು ನೀಡಬಲ್ಲದು. ಅದು ಉನ್ನತ ಬುದ್ಧಿಮತ್ತೆಯ ವೆಚ್ಚ ಕಡಿಮೆ ಮಾಡಿ ವಿಶ್ವದೆಲ್ಲೆಡೆ ಜನರಿಗೆ ಪ್ರಯೋಜನ ನೀಡಬಲ್ಲದು. ಉದ್ದೇಶ ಹೊಂದಾಣಿಕೆಯನ್ನು ಸಾಧಿಸಲು ಮತ್ತು ಹೆಚ್ಚು ಸಮರ್ಥ AI ವಿರುದ್ಧ ರಕ್ಷಣೆ ನಿರ್ಮಿಸಲು ಸ್ವಯಂಚಾಲಿತ ಸಂಶೋಧನೆ ನೆರವಾಗಬಹುದು ಎಂಬುದೂ ಈ ಕೆಲಸಕ್ಕೆ ಕಾರಣ. ಸ್ವಯಂಚಾಲಿತ AI ಸಂಶೋಧಕ ಸುರಕ್ಷತೆ ಅಥವಾ ಉದ್ದೇಶ ಹೊಂದಾಣಿಕೆಯ ಸಂಶೋಧಕನೂ ಆಗಬಹುದು. ಹೆಚ್ಚು ಸಮರ್ಥ, ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದುವ ವ್ಯವಸ್ಥೆಗಳು ಪ್ರಮುಖ ಮೂಲಸೌಕರ್ಯ ರಕ್ಷಿಸಲು, ಅಪಾಯಕಾರಿ AI ಏಜೆಂಟ್ಗಳನ್ನು ತಡೆಯಲು, ಹೊಸ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ರೂಪಿಸಲು ನೆರವಾಗಬಹುದು.
ಇವು ಉಪಯುಕ್ತ ಸ್ವಯಂಚಾಲಿತ ಸಂಶೋಧನೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಕಾರಣಗಳು; ಆದರೆ ಕ್ಷಿಪ್ರ RSIಯನ್ನೇ ಗುರಿಯಾಗಿಸಬೇಕೆಂದಲ್ಲ. ಮುಂದುವರಿಯಬೇಕೇ, ಹೇಗೆ ಎಂಬುದು ಮಾನವ ನಿಯಂತ್ರಣ ಉಳಿಸುವ ಸಾಮರ್ಥ್ಯ ಹಾಗೂ ಲಾಭ-ಅಪಾಯಗಳ ಕುರಿತ ತಿಳಿವಳಿಕೆಯ ಪ್ರಜಾಸತ್ತಾತ್ಮಕ ಆಯ್ಕೆಗಳನ್ನು ಅವಲಂಬಿಸಬೇಕು.
ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದುವ ಸಂಪೂರ್ಣ RSIಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ತಲುಪುವುದು ಹೇಗೆಂದು ನಮಗಿನ್ನೂ ತಿಳಿದಿಲ್ಲ. ಸಾಮರ್ಥ್ಯಗಳ ಜೊತೆಗೆ ಉದ್ದೇಶ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದ್ದೇವೆ. ಆದರೆ ಅವುಗಳ ಪ್ರಗತಿ ಅದೇ ವೇಗದಲ್ಲಿರುತ್ತದೆ ಎಂದು ಊಹಿಸಲಾಗದು; ಹೆಚ್ಚು ಸಮರ್ಥ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲ್ವಿಚಾರಣೆ ಕಷ್ಟವಾಗಬಹುದು. ಎಚ್ಚರಿಕೆಯ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಸುರಕ್ಷತಾ ಕೆಲಸವೇ ಇದರ ಕೇಂದ್ರ. ಇಂದಿನ ಏಜೆಂಟಿಕ್ ಕೋಡಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳ ಸುರಕ್ಷತಾ ಸಮಸ್ಯೆಗಳನ್ನು ಅಳೆಯುವುದು, ತಗ್ಗಿಸುವುದೇ ಮೊದಲ ಹೆಜ್ಜೆ. ಮುಂದುವರಿಯುವುದು ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲದ ಅಪಾಯ ತಂದರೆ ಸೂಕ್ತ ಕ್ರಮ ಕೈಗೊಳ್ಳುತ್ತೇವೆ. ಸಾಕಷ್ಟು ರಕ್ಷಿಸಲಾಗದ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿ ಅಥವಾ ನಿಯೋಜನೆಯನ್ನು ನಿಧಾನಗೊಳಿಸುತ್ತೇವೆ ಅಥವಾ ನಿಲ್ಲಿಸುತ್ತೇವೆ.
ಇತ್ತೀಚಿನ Hugging Face ಘಟನೆಯ ಬಳಿಕ ಈ ಬದ್ಧತೆಯನ್ನು ಜಾರಿಗೊಳಿಸಿದೆವು: ನಿಯೋಜನೆಗೆ ಉದ್ದೇಶಿತ ಹೊಸ ಮಾಡೆಲ್ಗಳ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (RL) ತರಬೇತಿ ನಿಲ್ಲಿಸಿ, ಸಂಶೋಧನಾ ಪರಿಸರ ಭದ್ರಗೊಳಿಸಿ, ದಾಳಿ ಪರೀಕ್ಷೆ ನಡೆಸಿ, ಮೇಲ್ವಿಚಾರಣೆ ವಿಸ್ತರಿಸಿದೆವು. ಎಲ್ಲ ಸಂಶೋಧನೆಯೂ ನಿಲ್ಲಲಿಲ್ಲ: ಕೆಲವು ಕೆಲಸಭಾರಗಳು ಬಲವಾದ ನಿಯಂತ್ರಣಗಳಡಿ ಪುನರಾರಂಭವಾದವು; ಇತರವು ಸ್ಥಗಿತದಲ್ಲೇ ಉಳಿದವು. ಸುರಕ್ಷತೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆ ಮಾನದಂಡಗಳನ್ನು ಹೆಚ್ಚಿಸಿದ್ದೇವೆ. ತರಬೇತಿಯುದ್ದಕ್ಕೂ ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದುವ ವರ್ತನೆಗೆ ಬಲವಾದ ಸಾಕ್ಷ್ಯ ಕೇಳುವ ಮೂಲಕ ಸುರಕ್ಷತೆಯನ್ನು ಮಾಡೆಲ್ ಜೀವನಚಕ್ರದಲ್ಲಿ ಆಳವಾಗಿ ಅಳವಡಿಸಿದ್ದೇವೆ.
ಇತ್ತೀಚಿನ ತಿಂಗಳುಗಳಲ್ಲಿ RSI ಪ್ರಗತಿಗೆ ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳ ಕೊಡುಗೆಯ ವಿವರವಾದ ಚಿತ್ರಣವನ್ನು ಇಂದು ನೀಡುತ್ತಿದ್ದೇವೆ. ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳು ಹೊಸವು, ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿವೆ; ನಮ್ಮ ಅಳತೆ ಪ್ರಯತ್ನಗಳು ಇನ್ನೂ ಪ್ರಾಥಮಿಕ ಹಂತದಲ್ಲಿವೆ. ಆರಂಭಿಕ ಫಲಿತಾಂಶ ಮತ್ತು ವಿಧಾನಗಳನ್ನು ಹಂಚಿ, ಜನರಿಗೆ ಮಾಹಿತಿ ನೀಡಲು, ಸಾರ್ವಜನಿಕ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸಲು ಮತ್ತು ಸಾಮಾನ್ಯ ಅಳತೆ ಮಾನದಂಡಗಳತ್ತ ಸಾಗಲು ಬಯಸುತ್ತೇವೆ.
ನಮ್ಮ ಅತ್ಯಾಧುನಿಕ AI ನೀತಿ ರೂಪುರೇಷೆಯಲ್ಲಿ ಬರೆದಂತೆ, ನಾವೂ ಇತರ ಕಂಪನಿಗಳೂ RSI ಪ್ರಗತಿಯನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ದಾಖಲಿಸುವುದು ಕಡ್ಡಾಯವಾಗಬೇಕು. ಅದು ಕಡ್ಡಾಯವಾಗದಿದ್ದರೂ RSI ಪ್ರಗತಿಯ ಬಗ್ಗೆ ಪಾರದರ್ಶಕವಾಗಿರುತ್ತೇವೆ. ಅಳತೆ ವಿಧಾನಗಳು ಮತ್ತು ತಿಳಿವಳಿಕೆ ಸುಧಾರಿಸಿದಂತೆ ಪಾರದರ್ಶಕತೆಯ ವಿಧಾನವನ್ನೂ ಬೆಳೆಸುತ್ತೇವೆ; ಜೊತೆಗೆ ಭದ್ರತೆ ಮತ್ತು ಸ್ವಾಮ್ಯದ ಮಾಹಿತಿಯನ್ನು ರಕ್ಷಿಸುತ್ತೇವೆ.
ವರ್ಷದ ಆರಂಭದಲ್ಲಿ, ಏಜೆಂಟ್ ಬಳಕೆಯ ಶ್ರೇಣಿಯಲ್ಲಿ ಮಧ್ಯಕ ಸ್ಥಾನದಲ್ಲಿದ್ದ OpenAI ಸಂಶೋಧಕರು ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳನ್ನು ಅಲ್ಪವಾಗಿ ಬಳಸುತ್ತಿದ್ದರು. ಆಗಸ್ಟ್ ಮಧ್ಯಕ್ಕೆ ಅವರು ಏಜೆಂಟ್ಗಳನ್ನು ನಿತ್ಯ ಬಳಸುತ್ತಿದ್ದರು; API ಬೆಲೆಗಳಲ್ಲಿ ದಿನಕ್ಕೆ $600ಕ್ಕೂ ಹೆಚ್ಚು ಮೌಲ್ಯದ ಅನುಮಾನನ ಬಳಸುತ್ತಿದ್ದರು. ಸಂಶೋಧನಾ ವಿಭಾಗದ 90ನೇ ಶತಕಾಂಶದ ಬಳಕೆದಾರರು ಈಗ ದಿನಕ್ಕೆ $7,000ಕ್ಕೂ ಹೆಚ್ಚು ಮೌಲ್ಯದ ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.
ಜೂನ್ 2026ಕ್ಕೂ ಮೊದಲು ಸಂಶೋಧನಾ ವಿಭಾಗದ ಒಟ್ಟು ಏಜೆಂಟ್ ಚಾಲನಾ ಸಮಯ ಮಾನವ ಶ್ರಮಕ್ಕಿಂತ ಕಡಿಮೆಯಿತ್ತು. ಈಗ ಅದು ಬದಲಾಗಿದೆ. 8 ಗಂಟೆಯ ಕೆಲಸದ ದಿನದ ಲೆಕ್ಕದಲ್ಲಿ, ಆಗಸ್ಟ್ ಮಧ್ಯಕ್ಕೆ ಸಂಶೋಧನಾ ವಿಭಾಗವು ಪ್ರತಿ ಮಾನವ ಕೆಲಸದ ದಿನಕ್ಕೆ 3.1 ಏಜೆಂಟ್-ಕೆಲಸದ ದಿನಗಳನ್ನು ಬಳಸುತ್ತಿದೆ.
ಎಷ್ಟು ಸಂಶೋಧಕರು ಹೆಚ್ಚಿನ ಸಮಕಾಲೀನ ಕೆಲಸದ ಹರಿವುಗಳನ್ನು (ಉದಾ., ಏಕಕಾಲದಲ್ಲಿ 4 ಅಥವಾ ಹೆಚ್ಚು ಏಜೆಂಟ್ಗಳು) ಬಳಸುತ್ತಾರೆ ಎಂಬುದು ಇನ್ನೊಂದು ದೃಷ್ಟಿಕೋನ. ಕೆಳಗೆ ತೋರಿಸಿದಂತೆ ಈ ಸಂಖ್ಯೆ ಹೆಚ್ಚುತ್ತಿದೆ. ಬಳಕೆದಾರರು ನೇರವಾಗಿ ಆರಂಭಿಸಿದ ಏಜೆಂಟ್ಗಳು ಹಾಗೂ ಅವು ಸೃಷ್ಟಿಸಿದ ಉಪಏಜೆಂಟ್ಗಳ ದೈನಂದಿನ ಗರಿಷ್ಠ ಬಳಕೆ ಈ ಅಂಕಿಗಳಲ್ಲಿದೆ.
AI ಸಂಶೋಧನೆಯ ಬಹುಪಾಲು, ಮಾಡೆಲ್ ಬುದ್ಧಿಮತ್ತೆ ಅಥವಾ ಕಾರ್ಯಕ್ಷಮತೆಯ ಹೊಸ ಸುಧಾರಣೆಯನ್ನು ಮೂಲ ಮಾಡೆಲ್ಗೆ ಸೇರಿಸುವ ಶ್ರಮಸಾಧ್ಯ ಪ್ರಕ್ರಿಯೆ. ಎಲ್ಲ ಹಂತಗಳೂ ಸರಿಯಾಗಿ ನಡೆದಾಗ ಸಾಮರ್ಥ್ಯ ಬೆಳೆಯುತ್ತದೆ: ಸುಧಾರಣೆಗಳ ವಿನ್ಯಾಸ, ಮಾಡೆಲ್ ಮೌಲ್ಯಮಾಪನ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಪರೀಕ್ಷೆಗೆ ಮೂಲಸೌಕರ್ಯ ಕೋಡ್, ತರಬೇತಿಯಲ್ಲಿ ದೋಷ ಮತ್ತು ಅಸುರಕ್ಷಿತ ಅಥವಾ ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದದ ವರ್ತನೆ ಪತ್ತೆ, ಯಶಸ್ವಿ ಕಲ್ಪನೆಗಳ ಮೂಲ ತರಬೇತಿಗೆ ಸೇರ್ಪಡೆ. ಯಾವುದೇ ಹಂತದ ವೈಫಲ್ಯ ಇಡೀ ಸಂಶೋಧನಾ ಚಕ್ರಕ್ಕೆ ಅಡ್ಡಿಯಾಗಬಹುದು.
ಕೋಡ್ ಬರೆಯುವುದು ಮತ್ತು ಪ್ರಯೋಗ ನಡೆಸುವುದು ಸಂಶೋಧಕರ ಎರಡು ಪ್ರಮುಖ ಕೆಲಸಗಳು. ಇವು ವೇಗಗೊಳ್ಳುತ್ತಿರುವುದಕ್ಕೆ ಸಾಕ್ಷ್ಯ ಕಾಣುತ್ತಿದೆ.
ಈ ದತ್ತಾಂಶ ಅಳೆಯುವುದು ಸುಲಭವಾದರೂ ಅರ್ಥೈಸುವುದು ಕಷ್ಟವಾಗಬಹುದು. ಸ್ವಯಂಚಾಲನೆ ಹೆಚ್ಚಿದಂತೆ, ಅತಿ ಕಡಿಮೆ ಸ್ವಯಂಚಾಲಿಸಬಹುದಾದ ಕಾರ್ಯಗಳಿಗೆ ಹೆಚ್ಚು ಸಂಶೋಧನಾ ಶ್ರಮ ಬೇಕಾಗುತ್ತದೆ; ಅವೇ ಮುಂದಿನ ಪ್ರಮುಖ ಅಡಚಣೆಗಳಾಗುತ್ತವೆ. ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳೂ ಪ್ರಗತಿಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತವೆ; ಇತರ ಅಡಚಣೆಗಳು ಕಡಿಮೆಯಾದಂತೆ ಅವುಗಳ ಮಹತ್ವ ಹೆಚ್ಚಬಹುದು.
2026ರಲ್ಲಿ ಪ್ರತಿ ಸಕ್ರಿಯ ಪ್ರಯೋಗಕರ್ತರ ಪ್ರಯೋಗಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಿದೆ. ಜನವರಿ 2025ರಲ್ಲಿ ದಾಖಲಾತಿ ಆರಂಭವಾದಂದಿನಿಂದ ಆಗಸ್ಟ್ 2026ರದ್ದು ಗರಿಷ್ಠ. ಇದು Codex ಬಳಕೆಯ ಏರಿಕೆಗೆ ಸಂಬಂಧಿಸಿದೆ; ಆದರೆ 2025ರಿಂದ ಲಭ್ಯ ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳೂ ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಿವೆ.
ಅನುಭವಗಳೂ ಆಂತರಿಕ ದತ್ತಾಂಶವೂ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳಿಗೆ ನೀಡುವ ಕಾರ್ಯಗಳು ಬದಲಾಗುತ್ತಿರುವುದನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಉನ್ನತ ಮಟ್ಟದ, ದೀರ್ಘಾವಧಿಯ ಕಾರ್ಯಗಳ ಹಸ್ತಾಂತರ ಹೆಚ್ಚುತ್ತಿದೆ.
ಇದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಅರಿಯಲು, Epoch AI ರೂಪಿಸಿದ AI ಸಂಶೋಧನೆ-ಅಭಿವೃದ್ಧಿಯ ಕೆಲಸಗಳ ಹೊಸ ವರ್ಗೀಕರಣ ಪದ್ಧತಿ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಬಳಸಿ ಇತ್ತೀಚಿನ ಸಂಶೋಧನಾ ಬಳಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆವು. ಹಳೆಯ O*NET ಕೆಲಸ ವರ್ಗೀಕರಣದಿಂದ ಪ್ರೇರಿತ ಈ ಪದ್ಧತಿ ಅತ್ಯಾಧುನಿಕ AI ಸಂಶೋಧನೆ-ಅಭಿವೃದ್ಧಿಗೆ ಹೊಂದಿದ್ದು, ಆರು ಮುಖ್ಯ ಹಂತಗಳಿವೆ:
ನಿರ್ಧರಿಸಿ: ಏನು ಮಾಡಬೇಕು, ಮುಂದುವರಿಸಬೇಕು, ಎಲ್ಲಿ ಸಂಪನ್ಮೂಲ ಹಂಚಬೇಕು
ವಿನ್ಯಾಸಗೊಳಿಸಿ: ಸಂಶೋಧನಾ ಕಲ್ಪನೆಗಳು ಮತ್ತು ತಾಂತ್ರಿಕ ನಿರ್ದಿಷ್ಟತೆಗಳು
ನಿರ್ಮಿಸಿ: ಕೋಡ್ ಮತ್ತು ದತ್ತಾಂಶಸಮೂಹಗಳು
ಚಲಾಯಿಸಿ: ತರಬೇತಿ/ಮೌಲ್ಯಮಾಪನ, ಯಂತ್ರಾಂಶ, ಸೇವೆ
ವಿಶ್ಲೇಷಿಸಿ: ಪ್ರಯೋಗಗಳು, ಮಾಡೆಲ್ಗಳು, ನಿಯೋಜನೆ, ಬಾಹ್ಯ ಕೆಲಸ
ತಿಳಿಸಿ: ಸಂಶೋಧನಾ ಫಲಿತಾಂಶ, ಪ್ರತಿಕ್ರಿಯೆ, ಸ್ಥಿತಿ, ನಿರ್ಧಾರಗಳು
ಈ ಪದ್ಧತಿಯಡಿ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ ಟೋಕನ್ಗಳನ್ನು ಕೆಳಗೆ ವರ್ಗೀಕರಿಸಿದ್ದೇವೆ.
ಜನವರಿ–ಆಗಸ್ಟ್ 2026ರ ನಡುವೆ ಎಲ್ಲ ಸಂಶೋಧನಾ ಚಟುವಟಿಕೆಗಳು ಹೆಚ್ಚಿವೆ. ಜನವರಿಯಲ್ಲಿ ಸಂಶೋಧನೆ ಮತ್ತು ಮೂಲಸೌಕರ್ಯ ಕೋಡ್ ಪ್ರಧಾನವಾಗಿತ್ತು. ಆ ವರ್ಗವೂ ಬೆಳೆದಿದೆ; ತಾಂತ್ರಿಕ ನೆರವು ಮತ್ತು ಚಾಲನೆಗಳ ಮೇಲ್ವಿಚಾರಣೆಯಂತಹ ಇತರ ವರ್ಗಗಳೂ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿವೆ. ಏಜೆಂಟ್ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳಲ್ಲಿ ಉನ್ನತ ಮಟ್ಟದ ಯೋಜನೆಯ ಪಾಲು ಇನ್ನೂ ಅತಿ ಕಡಿಮೆ.
ಸಹೋದ್ಯೋಗಿಗಳ ಅನುಭವದಂತೆ, ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳು ಆಂತರಿಕ ಸಂಶೋಧನಾ ಮೂಲಸೌಕರ್ಯದ ಸಮಸ್ಯೆ ಪರಿಹಾರದಲ್ಲಿ ನಿಪುಣವಾಗಿವೆ; ಇದು ಪ್ರಮುಖ ಅಡಚಣೆಯೊಂದನ್ನು ನಿವಾರಿಸುತ್ತದೆ. ಪ್ರಯೋಗಗಳ ಸಮಸ್ಯೆ ಪರಿಹಾರಕ್ಕೆ ಸಲಹಾ ಅವಧಿ ನಡೆಸುತ್ತಿದ್ದ ಹಲವು ತಂಡಗಳು 2026ರಲ್ಲಿ ಹಾಜರಿ ಕುಸಿತ ಕಂಡಿವೆ. ಒಂದು ತಂಡ ಅವನ್ನು ನಿಲ್ಲಿಸಿ ಇತರ ವ್ಯವಸ್ಥಾ ಸುಧಾರಣೆಗಳತ್ತ ಗಮನಹರಿಸಿದೆ.
ಇತರ ತಂಡಗಳಿಂದ ತಾಂತ್ರಿಕ ನೆರವು ಪಡೆಯುವ ಪ್ರಮುಖ ಆಂತರಿಕ ವಾಹಿನಿಯೊಂದರ ದಿನನಿತ್ಯದ ಮುಖ್ಯ ಪೋಸ್ಟ್ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಇಲ್ಲಿ ತೋರಿಸಿದ್ದೇವೆ. ನಮಗೆ ತಿಳಿದಂತೆ, ಈ ಕುಸಿತವು ಪ್ರಶ್ನೆಗಳು ಮಾನವರು ನಡೆಸುವ ಇನ್ನೊಂದು ನೆರವು ವಾಹಿನಿಗೆ ಸ್ಥಳಾಂತರವಾದುದರಿಂದ ಉಂಟಾಗಿಲ್ಲ. ವಾಹಿನಿಯ ಬಳಕೆಯ ಕುಸಿತ ಈ ವಿಶಾಲ ಬದಲಾವಣೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ಸಂಶೋಧಕರು ಕೇಳಿದ ಕಾರ್ಯಗಳಲ್ಲಿ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳು ಯಶಸ್ವಿಯಾಗುತ್ತಿವೆಯೇ ಎಂದೂ ಪರಿಶೀಲಿಸಬಹುದು. ಏಜೆಂಟಿಕ್ ವರ್ಗೀಕಾರಕದ ಪ್ರಕಾರ, ಖಚಿತ ಫಲಿತಾಂಶ ಸಿಗುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಜನವರಿ–ಜುಲೈ ನಡುವೆ ಹಲವು ಕಠಿಣತೆ ವರ್ಗಗಳ ಯಶಸ್ಸು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚಿದೆ. ಮಾನವರಿಗೆ ಬೇಕಾಗುವ ಅಂದಾಜು ಸಮಯವೇ ಕಠಿಣತೆಯ ಸೂಚಕ. ಆದರೂ ಯಶಸ್ಸಿಗೆ ಸಾಕಷ್ಟು ಮಾನವ ಮಾರ್ಗದರ್ಶನ ಬೇಕು, ವಿಶೇಷವಾಗಿ ಕಾರ್ಯ ಸಂಕೀರ್ಣವಾದಂತೆ. ಕಳೆದ 6 ತಿಂಗಳಲ್ಲಿ ಯಶಸ್ವಿಯಾದ 4–8 ಗಂಟೆಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಾರ್ಯಗಳಿಗೆ ಕನಿಷ್ಠ 1 ಹಸ್ತಕ್ಷೇಪ ಬೇಕಾಯಿತು.
ಸಂಶೋಧಕರ ಕಾರ್ಯಗಳ ಯಶಸ್ಸಿನ ಪ್ರಮಾಣ ಕಾಲಕ್ರಮೇಣ ಹೆಚ್ಚಿದೆ. ಅನಿಶ್ಚಿತ ಫಲಿತಾಂಶದ ವರ್ಗೀಕರಣಗಳು ಹಾಗೂ <50 ಅವಧಿಗಳು ಅಥವಾ <50 ವಿಶಿಷ್ಟ ಬಳಕೆದಾರರಿರುವ ಬಿಂದುಗಳನ್ನು ನಕ್ಷೆಯಿಂದ ಹೊರಗಿಡಲಾಗಿದೆ.
ಕಾಲಾವಧಿ ಪ್ರಕಾರ ವಿಂಗಡಿಸಿದ ಜನವರಿಯಿಂದ ಜುಲೈವರೆಗಿನ ಕಾರ್ಯ ಯಶಸ್ಸು ಮತ್ತು ಹಸ್ತಕ್ಷೇಪದ ಪ್ರಮಾಣ. ಫಲಿತಾಂಶ ಅನಿಶ್ಚಿತವಾಗಿದ್ದ ವರ್ಗೀಕರಣಗಳನ್ನು ಹೊರಗಿಡಲಾಗಿದೆ.
ಸುರಕ್ಷಿತ ಮತ್ತು ಪ್ರಯೋಜನಕಾರಿ AGIಗಾಗಿ ಹೆಚ್ಚು ಸಮರ್ಥ ವ್ಯವಸ್ಥೆಗಳನ್ನು ರೂಪಿಸುವ ಪ್ರಗತಿಯು, ಆ ಕೆಲಸಕ್ಕೆ ಬೇಕಾದ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನೂ ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಅಪಾಯಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದಂತೆ, ಅಗತ್ಯ ರಕ್ಷಣಾ ಕ್ರಮಗಳ ಕುರಿತ ನಮ್ಮ ಅಂದಾಜು ಬದಲಾಗಬಹುದು.
ನಾವು ವಿವರಿಸಿರುವಂತೆ, ಇತ್ತೀಚೆಗೆ ಮೇಲ್ವಿಚಾರಣೆ, ಮಾನವ ಉದ್ದೇಶಗಳೊಂದಿಗಿನ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಭದ್ರತೆಯ ಮಾನದಂಡಗಳನ್ನು ನವೀಕರಿಸಿದ್ದೇವೆ. ಇತ್ತೀಚಿನ ನಿರ್ಬಂಧಗಳು ಸಂಶೋಧನಾ ಚಟುವಟಿಕೆಯ ಒಂದು ಅಂಶದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರಿವೆ ಎಂಬುದನ್ನು ಇಲ್ಲಿ ತೋರಿಸುತ್ತೇವೆ.
*ಇಲ್ಲಿ ಜುಲೈ 20ರಿಂದ ಆಗಸ್ಟ್ 6ರವರೆಗೆ ತೋರಿಸಿರುವ Astra ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳ ಬಹುಪಾಲು ಸುರಕ್ಷತೆ ಮತ್ತು ಭದ್ರತಾ ಸುಧಾರಣೆಗಳ ಅನುಷ್ಠಾನವನ್ನು ಪರೀಕ್ಷಿಸಲು ಉದ್ದೇಶಿತವಾಗಿತ್ತು.
ಏಜೆಂಟ್ಗಳು ನಮ್ಮ ಸಂಶೋಧನಾ ಮೂಲಸೌಕರ್ಯಕ್ಕೆ ಅತಿಕ್ರಮ ಪ್ರವೇಶ ಪಡೆದಿರುವುದು ಪತ್ತೆಯಾದ ಬಳಿಕ, ಜುಲೈ 20ರಂದು ತರಬೇತಿಗೆ ಬಳಸುತ್ತಿದ್ದ ಕಂಟೇನರ್ ಸೇವೆಯನ್ನು ತಾತ್ಕಾಲಿಕವಾಗಿ ಸ್ಥಗಿತಗೊಳಿಸಿದೆವು. ನಂತರ ಗಣನೀಯ ಹೆಚ್ಚುವರಿ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಅದನ್ನು ಮರುಸ್ಥಾಪಿಸಿದೆವು.
ತಂಡಗಳು ಹೆಚ್ಚು ಭದ್ರಗೊಳಿಸಿದ ಸಂಶೋಧನಾ ಪರಿಸರಕ್ಕೆ ತಕ್ಕಂತೆ ಕೆಲಸದ ಹರಿವುಗಳನ್ನು ಮರುಹೊಂದಿಸುತ್ತಿದ್ದಾಗ, ಇದರಿಂದ RL ತರಬೇತಿಗೆ ಬಳಸುವ ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳು ತೀವ್ರವಾಗಿ ಕುಸಿದವು. ನಿಯೋಜನೆಗೆ ಉದ್ದೇಶಿಸಿದ್ದ ನಮ್ಮ ಇತ್ತೀಚಿನ ಮಾಡೆಲ್ಗಳ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ ಎರಡು ವಾರಗಳ ವಿರಾಮವೂ ಮೇಲಿನ ನಕ್ಷೆಯಲ್ಲಿ ಸೇರಿದೆ. ಜುಲೈ 20ರಿಂದ ಆಗಸ್ಟ್ 6ರವರೆಗಿನ Astra-ವರ್ಗದ RL ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಹುಪಾಲು ಚಾಲನೆಗಳು (GPU ಹಂಚಿಕೆಯ ಆಧಾರದಲ್ಲಿ) ಸುರಕ್ಷತೆ ಮತ್ತು ಭದ್ರತಾ ಸುಧಾರಣೆಗಳ ಅನುಷ್ಠಾನವನ್ನು ಪರೀಕ್ಷಿಸಲು ಉದ್ದೇಶಿತವಾಗಿದ್ದವು.
ಆಗಸ್ಟ್ 7ರಂದು, ನಮ್ಮ ಪ್ರಿಪೇರ್ಡ್ನೆಸ್ ಫ್ರೇಮ್ವರ್ಕ್(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಪ್ರಕಾರ Astra ಗಂಭೀರ ಅಪಾಯದ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿರಬಹುದು ಎಂಬ ಪ್ರಾಥಮಿಕ ಸಾಕ್ಷ್ಯ ದೊರೆಯಿತು. ಇದರಿಂದ ಆ ಮಾಡೆಲ್ಗೆ ಹೆಚ್ಚುವರಿ ಭದ್ರತಾ ನಿರ್ಬಂಧಗಳನ್ನು ವಿಧಿಸಲಾಯಿತು; Astra ಮಾಡೆಲ್ ಅನ್ನು ಇನ್ನಷ್ಟು ಭದ್ರವಾದ ಸಂಶೋಧನಾ ಪರಿಸರಗಳಲ್ಲಿ ಚಲಾಯಿಸುವುದು ಕಡ್ಡಾಯವಾಯಿತು. ಮುಂದಿನ ವಾರದಲ್ಲಿ Astra-ವರ್ಗದ GPU ಹಂಚಿಕೆ ಇನ್ನೂ 59.2 ಪ್ರತಿಶತ ಕುಸಿಯಿತು. ಆದರೆ ಇತರ ಮಾಡೆಲ್ ವರ್ಗಗಳ ಹಂಚಿಕೆ 17.2 ಪ್ರತಿಶತ ಏರಿತು. ಈ ಏರಿಕೆಯು Astra-ವರ್ಗದ ಕುಸಿತದ ಸುಮಾರು 85 ಪ್ರತಿಶತವನ್ನು ಸರಿದೂಗಿಸಿತು. ಹೀಗಾಗಿ ವಿಶ್ಲೇಷಿಸಿದ RL ಕೆಲಸಭಾರಗಳ ಒಟ್ಟು ಹಂಚಿಕೆ ಬಹುತೇಕ ಬದಲಾಗಲಿಲ್ಲ. Astra ಸಂಬಂಧಿತ ಕೆಲಸಕ್ಕೆ ನಿರ್ಬಂಧವಿದ್ದಾಗ ಕೆಲವು ತರಬೇತಿ ಮತ್ತು ಪ್ರಯೋಗಗಳನ್ನು Astra ಹೊರತಾದ ಮಾಡೆಲ್ಗಳಿಗೆ ವರ್ಗಾಯಿಸಿರಬಹುದು ಎಂಬುದಕ್ಕೆ ಈ ಮಾದರಿ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ. ಹೊಸ ನಿರ್ಬಂಧಗಳ ವ್ಯಾಪ್ತಿಯ ಕೆಲಸಭಾರಗಳಿಗೆ ಬಳಸಲಾಗದ ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಸಂಶೋಧಕರು ಬೇರೆ ಉಪಯೋಗಗಳನ್ನು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ ಎಂಬ ಅನುಭವಾಧಾರಿತ ವರದಿಗಳಿಗೂ ಇದು ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ತರಬೇತಿ ಮತ್ತು ಸುರಕ್ಷತೆ ಕುರಿತ ನಡೆಯುತ್ತಿರುವ ಚರ್ಚೆಗಳಿಗೆ ಈ ದತ್ತಾಂಶ ಉಪಯುಕ್ತ ಸೂಚನೆ ನೀಡುತ್ತದೆ: ಹೊಸ ನಿಯಂತ್ರಣಗಳನ್ನು ತಂದಾಗಲೂ ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳ ಮೌಲ್ಯ ಮತ್ತು ವಿವಿಧ ಕೆಲಸಗಳಿಗೆ ಬಳಸುವ ಸಾಧ್ಯತೆ ಉಳಿಯುತ್ತದೆ. ಹೀಗಾಗಿ ಅವು ಸಹಜವಾಗಿ ಸಂಶೋಧನೆಯ ಇತರ ಬಳಕೆಗಳಿಗೆ ಹರಿಯುತ್ತವೆ. ದೀರ್ಘಾವಧಿಯಲ್ಲಿ, AI ಪ್ರಗತಿಯ ಗತಿ ಕುರಿತ ಚರ್ಚೆಗಳು ಹೊಸ ಅಥವಾ ಪ್ರಸ್ತಾವಿತ ನಿಯಂತ್ರಣಗಳ ಅಡಿಯಲ್ಲಿರುವ ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿ ಬಳಸುವುದು ಹೇಗೆ ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನೂ ಒಳಗೊಳ್ಳಬೇಕು.
ಮಾನವ ಉದ್ದೇಶಗಳಿಗೆ ಹೊಂದುವ RSIಯತ್ತ ಪ್ರಗತಿ ಸಾಧಿಸುವುದು ಮತ್ತು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ನಮ್ಮ ಧ್ಯೇಯಕ್ಕೆ ಮುಖ್ಯ. ನಮ್ಮ ವಿಧಾನಗಳನ್ನು ಪರಿಷ್ಕರಿಸುತ್ತಾ, ಬೆಳೆಯುತ್ತಿರುವ ತಿಳಿವಳಿಕೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತಾ, ಅತ್ಯಾಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳ ಬಗ್ಗೆ ತಿಳಿವಳಿಕೆಯ ಸಾರ್ವಜನಿಕ ಚರ್ಚೆ ಮತ್ತು ಅರ್ಥಪೂರ್ಣ ಪ್ರಜಾಸತ್ತಾತ್ಮಕ ಆಡಳಿತಕ್ಕಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ.
ಏಜೆಂಟ್ಗಳ ನೆರವಿನ AI ಸಂಶೋಧನೆ ಇನ್ನೂ ಹೊಸದು; ಅದನ್ನು ಅಳೆಯುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನಾವು ಇನ್ನೂ ಕಲಿಯುತ್ತಿದ್ದೇವೆ. ನಮ್ಮ ಸಂಶೋಧನಾ ತಂಡಗಳು ರಚಿಸುವ ಕೋಡ್ ಪ್ರಮಾಣದಂತಹ ಕೆಲವು ಸೂಚಕಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಸುಲಭ. ಆದರೆ ಸಂಶೋಧನಾ ಪ್ರಗತಿಯೊಂದಿಗೆ ಅವುಗಳ ಸಂಬಂಧ ಅನಿಶ್ಚಿತವಾಗಿರುವುದರಿಂದ ಅರ್ಥೈಸುವುದು ಕಷ್ಟ. ಸಂಶೋಧಕರು ನೀಡುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಏಜೆಂಟ್ಗಳು ಎಷ್ಟು ಬಾರಿ ಯಶಸ್ವಿಯಾಗುತ್ತವೆ ಎಂಬಂತಹ, ಸಂಶೋಧನಾ ಪ್ರಗತಿಯನ್ನು ನೇರವಾಗಿ ಅಳೆಯುವ ಮಾಪಕಗಳು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಬಹುದು. ಆದರೆ ಅವುಗಳನ್ನು ರೂಪಿಸುವುದು ಮತ್ತು ದೃಢೀಕರಿಸುವುದು ಸಂಕೀರ್ಣ. ಸಂಶೋಧಕರು ಅವಲಂಬಿಸುವ ಸಾಧನಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳು ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿರುವುದು ಈ ಕಷ್ಟವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಸಂಶೋಧನೆಯ ವೇಗವರ್ಧನೆಯ ಬಗ್ಗೆ ತಿಳಿವಳಿಕೆ ಹೆಚ್ಚಿಸಿಕೊಳ್ಳುವುದು OpenAIಯಾದ್ಯಂತ ಪ್ರಮುಖ ಆದ್ಯತೆಯಾಗಿದೆ.
ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಸೂಚಿಸದಿದ್ದರೆ, ಈ ವಿಶ್ಲೇಷಣೆಗಳುದ್ದಕ್ಕೂ:
“ಸಂಶೋಧಕ” ಎಂಬುದು ನಮ್ಮ ಸಂಶೋಧನಾ ವಿಭಾಗದ ಯಾವುದೇ ಸದಸ್ಯರನ್ನು ಸೂಚಿಸುವ ವಿಶಾಲ ಪದ. ಸಂಶೋಧನಾ ಮೂಲಸೌಕರ್ಯ ನಿರ್ಮಿಸುವವರು, ಯೋಜನೆಗಳನ್ನು ನಿರ್ವಹಿಸುವವರು ಅಥವಾ ಇತರ ರೀತಿಯಲ್ಲಿ ಕೆಲಸಕ್ಕೆ ಬೆಂಬಲ ನೀಡುವವರೂ ಇದರಲ್ಲಿ ಸೇರಿದ್ದಾರೆ.
ಸಂಶೋಧಕರು ಅವಲಂಬಿಸುವ ಸಾಧನಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳು ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿರುವುದರಿಂದ, ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ ಬಳಕೆಯ ಮಾಪಕಗಳು ಬಹುಪಾಲು ಬಳಕೆಯನ್ನು ಒಳಗೊಳ್ಳುತ್ತವೆ, ಆದರೆ ಸಂಪೂರ್ಣ ಬಳಕೆಯನ್ನಲ್ಲ.
