Gausaus intelekto kūrimas

DI infrastruktūra vertinga ne dėl savo dydžio. Ji vertinga dėl to, ką suteikia: pažangesnį intelektą, prieinamą daugiau žmonių mažesne kaina.

Taip aš suprantu gausą. Ji įtvirtinta ir mūsų misijoje – užtikrinti, kad bendrasis dirbtinis intelektas būtų naudingas visai žmonijai, – ir ekonominiame mūsų verslo variklyje.

Mažėjant naudingo intelekto kainai, apsimoka atlikti daugiau darbų. Modeliams tampant pajėgesniems, toks darbas sukuria daugiau vertės. Augant naudojimui, gauname pajamų, grįžtamąjį ryšį iš realaus pasaulio ir aiškiau matome paklausą, todėl galime toliau investuoti į naujos kartos tyrimus ir infrastruktūrą.

Geresnis intelektas skatina platesnį naudojimą. Platesnis naudojimas skatina didesnes investicijas. Didesnės investicijos gerina intelektą ir efektyvumą. Tokį ciklą ir kuriame.

Mūsų neseniai paskelbtos kainos rodo, kaip greitai šis ciklas suteikia naudos klientams. Vakar GPT‑5.6 Luna kainą sumažinome 80 procentų, o GPT‑5.6 Terra – 20 procentų. Dabar milijonas Luna įvesties žetonų kainuoja 0,20 USD, o išvesties – 1,20 USD; atitinkamos Terra kainos yra 2 ir 12 USD.

Naudojant GPT‑5.6 Sol, Spartusis režimas veikia iki 2,5 karto greičiau nei standartinis apdorojimas ir kainuoja dvigubai daugiau, tačiau intelekto lygis nesikeičia.

Tai nėra vien kainoraščio pakeitimai. Jie išplečia praktiškai įgyvendinamų darbų spektrą ir suteikia klientams daugiau lankstumo derinant intelektą, spartą, patikimumą ir kainą.

Reikia klausti ne to, kuris modelis tinka kuriai užduočiai. Svarbu, kiek intelekto reikia norimam rezultatui pasiekti, kaip greitai jo reikia ir kiek turėtų kainuoti pasiekti rezultatą. Ši pusiausvyra tame pačiame darbo procese gali pasikeisti kelis kartus.

Klientai neperka žetonų vien dėl pačių žetonų. Jie nori, kad būtų išspręsta pagalbos užklausa, išleista programinė įranga, peržiūrėta sutartis ar atsakyta į mokslinį klausimą. Tinkamas matas yra sėkmingo rezultato kaina, įskaitant laiką, pakartotinius bandymus, priežiūrą ir klaidas, kurių prireikė jam pasiekti.

Pajėgesnis modelis, kuris darbą atlieka tinkamai ir efektyviai, galiausiai gali būti ekonomiškesnis už pigesnį modelį, kuriam reikia pakartotinių bandymų ar didelio žmogaus įsikišimo. Kita vertus, pigesnis modelis gali gerokai išplėsti prieinamumą, jei atitinka tą patį kokybės standartą. Galimybė slypi tinkama kaina pritaikant kuo daugiau naudingo intelekto.

Norint suteikti tokią vertę, nepakanka statyti daugiau duomenų centrų. Reikia našiau išnaudoti kiekvieną skaičiavimo išteklių vienetą.

Mūsų naujausias inžinerinis darbas parodo, kaip tai atrodo praktiškai. Dirbdamas kartu su mūsų techninėmis komandomis, GPT‑5.6 Sol padėjo optimizuoti modeliams teikti naudojamą gamybinę programinę įrangą ir 20 procentų sumažinti bendras teikimo sąnaudas. Jis taip pat padėjo patobulinti spekuliatyvųjį dekodavimą ir daugiau kaip 15 procentų padidino žetonų generavimo efektyvumą.

Ne mažiau svarbu tai, kad efektyvumą lemia ne vien modelis. Svarbi ir jį supanti sistema. Geresnis užklausų nukreipimas užtikrina našų aparatinės įrangos naudojimą. Išmanesnis konteksto valdymas neleidžia agentams kartoti jau atlikto darbo. Pažangesni įrankiai ir geresnis produktų dizainas sumažina užduočiai atlikti reikalingų veiksmų skaičių.

Atlikus naujausią lyginamojo testo analizę, išlaikyto protavimo ir konteksto valdymo patobulinimai padidino GPT‑5.6 Sol rezultatą viešajame ARC-AGI-3 užduočių rinkinyje nuo 13,3 iki 38,3 procento, nors išvesties žetonų naudota šešis kartus mažiau. Modelis nepasikeitė. Pasikeitė jį supanti sistema.

Šie laimėjimai kaupiasi ir stiprina vieni kitus. Pajėgesni modeliai padeda mūsų komandoms atrasti naujų būdų efektyvumui didinti. Toks efektyvumas mažina klientų aptarnavimo sąnaudas ir leidžia su ta pačia infrastruktūra atlikti daugiau darbų. Tai savo ruožtu daro naujos kartos intelektą prieinamesnį.

Infrastruktūros, modelių, platformos ir produktų kūrimo pranašumas nėra vien tai, kad veikiame kiekviename šios grandinės lygmenyje. Svarbiausia, kad kiekvienas lygmuo gerina kitus.

Produktų naudojimas realiame pasaulyje parodo, kur klientai įžvelgia vertę ir kur susiduria su kliūtimis. Šis grįžtamasis ryšys padeda formuoti mūsų tyrimų kryptį. Tyrimų pažanga gerina mūsų produktus ir mažina jų teikimo sąnaudas. ChatGPT, ChatGPT Work, Codex ir API paklausa padeda geriau nuspręsti, kur didinti pajėgumus.

Svarbus ir tokio mokymosi mastas. Mūsų modeliais dabar naudojasi daugiau kaip milijardas aktyvių naudotojų ir daugiau kaip du milijonai įmonių. Žmonėms vis labiau pasitikint technologija, jie pradeda ją naudoti plačiau ir nuodugniau. Praėjus šešiems mėnesiams nuo registracijos, žmonės kasdien išsiunčia maždaug 50 procentų daugiau žinučių ir naudoja ChatGPT maždaug dvigubai įvairesniems darbams. ChatGPT Work keičia protinį darbą dirbančio žmogaus vaidmenį: nuo atsakymų į klausimus pereinama prie sudėtingų, daugiapakopių užduočių atlikimo – nuo „klausimo“ prie „darymo“. Visoje OpenAI agentų atliekamas darbas per Codex dabar sudaro 99,8 % per savaitę sugeneruojamų išvesties žetonų, o Finansų komanda yra viena iš tų, kurioms agentų įrankiai tapo pagrindine darbo dalimi.

Organizacijose matome panašią tendenciją. Įmonė gali pradėti nuo vienos komandos ar vieno darbo proceso. Gerėjant kokybei ir ekonominiam efektyvumui, technologija pradedama taikyti įvairiose srityse, o DI tampa neatsiejama įmonės veiklos dalimi.

Taip susidaro vertingas grįžtamojo ryšio ciklas, susiejantis paklausą, produktų tobulinimą, efektyvumą ir infrastruktūros planavimą. Tam nebūtina turėti viso turto ar patiems kurti kiekvieno komponento. Atsižvelgdami į tai, kas geriausiai atitinka kliento poreikius ir yra ekonomiškai naudingiausia, galime turtą valdyti patys, bendradarbiauti su partneriais arba jį pirkti. Svarbiausia koordinuoti visą sistemą ir mokytis iš kiekvienos jos dalies.

DI infrastruktūrą reikia planuoti likus ne vieniems metams iki jos panaudojimo, nors modeliai, produktai ir klientų paklausa kinta daug sparčiau. Dėl šio neatitikimo drausmė yra būtina.

Investicinius sprendimus grindžiame įrodymais: naudotojų ir darbo krūvio augimu, įmonių įsipareigojimais, API naudojimu, pajėgumų panaudojimu, pajamomis bei modelių galimybių ir efektyvumo pažanga. Techniniai ir komerciniai tarpiniai tikslai padeda nuspręsti, kada tęsti projektus. Ilgalaikė partnerystė suteikia finansavimą, infrastruktūrą ir veiklos kompetenciją, kurių reikia didelio masto paslaugoms teikti.

Produktų pajamos, privatus kapitalas ir komercinė partnerystė skirtingais būdais prisideda prie šio augimo. Mūsų tikslas nėra sukurti kuo daugiau infrastruktūros. Tikslas – tinkamu metu įdiegti tinkamus pajėgumus, atitinkančius pagrįstą paklausą.

Man svarbiausi klausimai yra paprasti: kaip greitai nauji pajėgumai pradeda kurti vertę? Kaip efektyviai jie naudojami? Kokią klientų paklausą jie padeda patenkinti? Kaip sparčiai techninė pažanga gali mažinti naudingo intelekto teikimo sąnaudas?

Šie klausimai susieja ilgalaikius užmojus su veiklos drausme.

Esame dar tik kelio pradžioje. Pažangesnės sistemos įgyvendins ilgesnius projektus, koordinuos darbą su įvairiais įrankiais ir atliks daugiau užduočių nuo idėjos iki galutinio rezultato. Pavieniams žmonėms ir mažosioms įmonėms taps prieinamos galimybės, kurias anksčiau turėjo tik gerokai didesnės organizacijos. Įmonės intelektą plačiau taikys visoje savo veikloje.

Mūsų tikslas nėra vien didesni skaičiavimo pajėgumai, didesni modeliai ar mažesnės žetonų kainos. Tikslas – kad naudingesnis intelektas būtų lengvai pasiekiamas.

Štai ką reiškia gausa: intelektas, kuris tampa vis pajėgesnis, įperkamesnis ir vertingesnis jį naudojantiems žmonėms. Pažangą vertinsime pagal tai, kiek naudingo darbo šis intelektas leidžia atlikti, kaip efektyviai jį teikiame ir kaip plačiai galima dalytis jo teikiama nauda.