ഗവേഷണത്തിന് വേഗമേറുന്നു: OpenAI-ക്കുള്ളിലെ കാഴ്ച
AGI എല്ലാവർക്കും ഗുണകരമാകാൻ അതിന്റെ ഭരണം ജനാധിപത്യപരമാകണമെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. ശേഷിയേറിയ AI-യുടെ കഴിവുകൾ, അപകടങ്ങൾ, സുരക്ഷ എന്നിവയെക്കുറിച്ചുള്ള അറിവോടെയുള്ള പൊതുചർച്ചയിലൂടെയേ ഇത് സാധ്യമാകൂ. അത്യാധുനിക AI-യുടെ വളർച്ചയിൽ അർഥവത്തായി ഇടപെടാൻ എല്ലാവരും അതിന്റെ ഭാവിഗതി മനസ്സിലാക്കണം.
അപകടങ്ങൾ, സംഭവങ്ങൾ, സുരക്ഷ എന്നിവയിലെ സുതാര്യത ആവശ്യമാണ്; എന്നാൽ അതുമാത്രം പോരാ. അത്യാധുനിക ലാബുകളിൽ മികച്ച സംവിധാനങ്ങൾ എങ്ങനെ വളരുന്നു, ഗവേഷണത്തെ മുന്നോട്ടുനയിക്കുന്നു എന്നും പൊതുജനം അറിയണം.
മനുഷ്യമേൽനോട്ടത്തിൽ ഡീപ് ലേണിംഗും ലക്ഷ്യപ്പൊരുത്തവും മെച്ചപ്പെടുത്തുന്ന സ്വയമേവ പ്രവർത്തിക്കുന്ന AI ഗവേഷകനെ സുരക്ഷിതമായി നിർമിക്കുകയാണ് ലക്ഷ്യം. ഈ സെപ്റ്റംബറോടെ സ്വയമേവ പ്രവർത്തിക്കുന്ന ഗവേഷണ പരിശീലിതനെ ഒരുക്കുമെന്ന, കഴിഞ്ഞ ശരത്കാലത്ത് പ്രഖ്യാപിച്ച(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലക്ഷ്യം കൈവരിച്ചതായി ഞങ്ങളുടെ അളവുകൾ കാണിക്കുന്നു. വിദഗ്ധന് ദിവസങ്ങൾ വേണ്ടിവരുന്നവയടക്കം വ്യക്തമായ ഗവേഷണദൗത്യങ്ങൾ മനുഷ്യനിർദേശത്തിൽ ചെയ്യുന്ന സംവിധാനമാണ് “ഗവേഷണ പരിശീലിതൻ”. 2028 മാർച്ചോടെ സ്വയമേവ പ്രവർത്തിക്കുന്ന AI ഗവേഷകനെ സൃഷ്ടിക്കുന്നതിൽ മികച്ച പുരോഗതിയുണ്ട്.
ഈ വർഷം OpenAI ഗവേഷകരുടെ ദൈനംദിന ജോലി ഏറെ മാറി. ഗവേഷകർ ദിവസം മുഴുവൻ കോഡിംഗ് ഏജന്റുകളെ, പലപ്പോഴും ഒരേസമയം, ഉപയോഗിക്കുന്നു. ഉപയോഗവളർച്ച മറ്റു OpenAI ടീമുകളേക്കാൾ വേഗത്തിലാണ്. ഗവേഷകർ കൂടുതൽ വേഗത്തിൽ കോഡ് സംഭാവന ചെയ്യുന്നു; കൂടുതൽ പരീക്ഷണങ്ങൾ നടത്തുന്നു. ഏജന്റ് ഉപയോഗരീതിയും മാറുന്നു: കൂടുതൽ സങ്കീർണ ദൗത്യങ്ങൾ കൈകാര്യം ചെയ്യുകയും കൂടുതൽ വിജയിക്കുകയും ചെയ്യുന്നു. AI ഗവേഷണത്തിൽ പല തടസ്സങ്ങളുള്ളതിനാൽ മൊത്തം പുരോഗതി ഈ പ്രത്യേക അളവുകളുടെ വേഗത്തിനൊപ്പമെത്തണമെന്നില്ല. എങ്കിലും, ഏജന്റിക് ഉപകരണങ്ങൾ ഗവേഷണം ഗണ്യമായി വേഗത്തിലാക്കുന്നു എന്ന ഞങ്ങളിലെ പലരുടെയും ധാരണയുമായി ഈ കണ്ടെത്തലുകൾ യോജിക്കുന്നു. ഗവേഷണമുൻഗണനകളും പിന്തുടരേണ്ട ആശയങ്ങളും ഫലങ്ങളും നിശ്ചയിക്കുന്നതും സംവിധാനങ്ങൾ വിപുലീകരിക്കണോ നിർത്തണോ വിന്യസിക്കണോ തീരുമാനിക്കുന്നതും മനുഷ്യരാണ്.
ഉത്തരവാദിത്തത്തോടെ നടത്തിയാൽ സ്വയമേവയുള്ള AI ഗവേഷണം മനുഷ്യനന്മയും OpenAI-യുടെ ദൗത്യവും മുന്നോട്ടുനയിക്കുന്ന മോഡലുകൾ നൽകും. ഉന്നത ബുദ്ധിശേഷിയുടെ ചെലവ് കുറച്ച് ലോകമെങ്ങുമുള്ളവർക്ക് ഗുണം നൽകാനാകും. ലക്ഷ്യപ്പൊരുത്തം ഉറപ്പാക്കാനും ശേഷിയേറുന്ന AI-ക്കെതിരെ പ്രതിരോധം തീർക്കാനും സ്വയമേവയുള്ള ഗവേഷണം സഹായിക്കുമെന്നതിനാലും ഞങ്ങളിത് പിന്തുടരുന്നു. സ്വയമേവ പ്രവർത്തിക്കുന്ന AI ഗവേഷകന് സുരക്ഷയോ ലക്ഷ്യപ്പൊരുത്തമോ ഗവേഷണം ചെയ്യാനുമാകും. ശേഷിയും ലക്ഷ്യപ്പൊരുത്തവുമേറിയ സംവിധാനങ്ങൾക്ക് നിർണായക സൗകര്യങ്ങൾ സംരക്ഷിക്കാനും അപകടകരമായ AI ഏജന്റുകളെ ചെറുക്കാനും പുതിയ പ്രതിരോധങ്ങൾ തീർക്കാനുമാകും.
സ്വയമേവയുള്ള ഗവേഷണശേഷി വികസിപ്പിക്കാൻ ഇവ കാരണങ്ങളാണ്. എന്നാൽ ദ്രുത RSI നിർബന്ധമായും ലക്ഷ്യമാക്കണമെന്നല്ല. തുടരണോ, എങ്ങനെ തുടരണം എന്നത് മനുഷ്യനിയന്ത്രണം നിലനിർത്താനുള്ള കഴിവിനെയും ഗുണദോഷങ്ങളെക്കുറിച്ചുള്ള അറിവോടെയുള്ള ജനാധിപത്യ തീരുമാനങ്ങളെയും ആശ്രയിക്കണം.
പൂർണവും ലക്ഷ്യപ്പൊരുത്തമുള്ളതുമായ RSI-യിൽ സുരക്ഷിതമായി എത്തുന്നതെങ്ങനെയെന്ന് ഇനിയും അറിയില്ല. ശേഷികൾക്കൊപ്പം ലക്ഷ്യപ്പൊരുത്തവും സുരക്ഷയും വിപുലീകരിക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു. എന്നാൽ അവ അതേ വേഗത്തിൽ മെച്ചപ്പെടുമെന്ന് കരുതാനാവില്ല. ശേഷിയേറുമ്പോൾ നിരീക്ഷണം ദുഷ്കരമാകാം. ലക്ഷ്യപ്പൊരുത്തവും സുരക്ഷയുമാണ് ഈ ശ്രമത്തിന്റെ കേന്ദ്രം. ഇന്നത്തെ ഏജന്റിക് കോഡിംഗ് സംവിധാനങ്ങളിലെ സുരക്ഷാപ്രശ്നങ്ങൾ അളന്ന് കുറയ്ക്കുന്നതിലാണ് തുടക്കം. തുടരുന്നത് അസ്വീകാര്യമായ അപകടമുണ്ടാക്കുമെങ്കിൽ ഉചിതമായി പ്രതികരിക്കും; മതിയായ സുരക്ഷ ഉറപ്പാക്കാനാവാത്ത സംവിധാനങ്ങളുടെ വികസനമോ വിന്യാസമോ മന്ദഗതിയിലാക്കുകയോ നിർത്തുകയോ ചെയ്യും.
Hugging Face സംഭവശേഷം ഈ വാഗ്ദാനം നടപ്പാക്കി: വിന്യാസത്തിനുള്ള പുതിയ മോഡലുകളുടെ റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് (RL) നിർത്തി, ഗവേഷണാന്തരീക്ഷം ശക്തിപ്പെടുത്തി, ആക്രമണപരീക്ഷണങ്ങൾ നടത്തി, നിരീക്ഷണം വിപുലീകരിച്ചു. എല്ലാ ഗവേഷണവും നിലച്ചില്ല: ചില ജോലികൾ ശക്തമായ നിയന്ത്രണങ്ങളോടെ പുനരാരംഭിച്ചു; മറ്റുള്ളവ നിർത്തിവെച്ചു. സുരക്ഷാ, ലക്ഷ്യപ്പൊരുത്ത മാനദണ്ഡങ്ങൾ ഉയർത്തി; പരിശീലനത്തിലുടനീളം പൊരുത്തമുള്ള പെരുമാറ്റത്തിന് ശക്തമായ തെളിവ് ആവശ്യപ്പെട്ട് മോഡൽ ജീവിതചക്രത്തിൽ സുരക്ഷ കൂടുതൽ ഉൾച്ചേർത്തു.
സമീപമാസങ്ങളിൽ RSI-യിലേക്കുള്ള പുരോഗതിയിൽ ഏജന്റിക് സംവിധാനങ്ങളുടെ പങ്ക് ഇന്ന് വിശദീകരിക്കുന്നു. ഏജന്റിക് സംവിധാനങ്ങൾ പുതിയതും അതിവേഗം മാറുന്നതുമാണ്; ഞങ്ങളുടെ അളക്കൽ ശ്രമങ്ങൾ പ്രാരംഭഘട്ടത്തിലാണ്. ഈ പ്രാരംഭ ഫലങ്ങളും രീതികളും പങ്കിട്ട് പൊതുജനങ്ങളെ അറിയിക്കാനും പരസ്യവെളിപ്പെടുത്തലുകൾ പ്രോത്സാഹിപ്പിക്കാനും പൊതുവായ അളക്കൽ മാനദണ്ഡങ്ങളിലേക്ക് നീങ്ങാനുമാണ് ലക്ഷ്യം.
ഞങ്ങളുടെ അത്യാധുനിക AI നയരേഖയിൽ പറഞ്ഞതുപോലെ, ഞങ്ങളും മറ്റു കമ്പനികളും RSI പുരോഗതി പരസ്യമായി രേഖപ്പെടുത്തേണ്ടതുണ്ടെന്നാണ് വിശ്വാസം. അത്തരം നിബന്ധനയില്ലെങ്കിലും RSI പുരോഗതിയിൽ സുതാര്യത തുടരും. അളക്കൽരീതികളും ധാരണയും മെച്ചപ്പെടുമ്പോൾ സുതാര്യതാരീതിയും മാറ്റും; സുരക്ഷയും ഉടമസ്ഥാവകാശ വിവരങ്ങളും സംരക്ഷിക്കേണ്ടതും പരിഗണിക്കും.
വർഷാരംഭത്തിൽ, ഏജന്റ് ഉപയോഗത്തിൽ മധ്യസ്ഥാനത്തുള്ള OpenAI ഗവേഷകൻ കോഡിംഗ് ഏജന്റുകളെ മിതമായേ ഉപയോഗിച്ചിരുന്നുള്ളൂ. ഓഗസ്റ്റ് പകുതിയോടെ ആ ഗവേഷകൻ ദിവസവും ഏജന്റുകളെ ഉപയോഗിച്ചു; API നിരക്കിൽ പ്രതിദിന ഇൻഫറൻസ് മൂല്യം $600 കവിഞ്ഞു. ഗവേഷണവിഭാഗത്തിലെ 90-ാം പെർസെന്റൈൽ ഉപയോക്താവ് ഇപ്പോൾ പ്രതിദിനം $7,000-ലേറെ ടോക്കണുകൾ ഉപയോഗിക്കുന്നു.
2026 ജൂണിനു മുമ്പ് ഗവേഷണവിഭാഗത്തിലെ ആകെ ഏജന്റ് പ്രവർത്തനസമയം മനുഷ്യരുടെ ആകെ അധ്വാനസമയത്തിലും കുറവായിരുന്നു. അത് പിന്നീട് മാറി. 8 മണിക്കൂർ പ്രവൃത്തിദിനമനുസരിച്ച്, ഓഗസ്റ്റ് പകുതിയിൽ മനുഷ്യന്റെ ഓരോ പ്രവൃത്തിദിനത്തിനും 3.1 ഏജന്റ്-പ്രവൃത്തിദിനം ഗവേഷണവിഭാഗം ഉപയോഗിക്കുന്നു.
ഒരേസമയം 4-ഓ അതിലധികമോ ഏജന്റുകളെ പ്രവർത്തിപ്പിക്കുന്നതുപോലുള്ള സമാന്തര പ്രവർത്തനക്രമങ്ങൾ എത്ര ഗവേഷകർ ഉപയോഗിക്കുന്നുവെന്നും നോക്കാം. താഴെ കാണുന്നതുപോലെ ഈ എണ്ണം വർധിക്കുന്നു. ഉപയോക്താവ് നേരിട്ട് ആരംഭിച്ച ഏജന്റുകളുടെയും അവ സൃഷ്ടിച്ച ഉപഏജന്റുകളുടെയും പ്രതിദിന പരമാവധികൾ ഈ കണക്കുകളിലുണ്ട്.
മുഖ്യ മോഡലുകളുടെ ബുദ്ധിശേഷിയോ പ്രകടനമോ മെച്ചപ്പെടുത്താനുള്ള അധ്വാനമേറിയ പ്രക്രിയയാണ് AI ഗവേഷണത്തിന്റെ വലിയൊരു ഭാഗം. എല്ലാ ഘട്ടങ്ങളും ശരിയായാലേ ശേഷി ഉയരൂ: മെച്ചപ്പെടുത്തലുകൾ രൂപകൽപ്പന ചെയ്യുക, മോഡൽ വിലയിരുത്തലുകൾ എഴുതുക, വിപുലമായ പരീക്ഷണസൗകര്യം ഒരുക്കുക, പരിശീലനത്തിലെ പിഴവുകളും സുരക്ഷിതമല്ലാത്തതോ ലക്ഷ്യവിരുദ്ധമോ ആയ പെരുമാറ്റവും കണ്ടെത്തുക, വിജയിച്ച ആശയങ്ങൾ മുഖ്യ പരിശീലനത്തിൽ ചേർക്കുക. ഏതെങ്കിലും ഘട്ടത്തിലെ പരാജയം മുഴുവൻ പ്രക്രിയയെയും തടസ്സപ്പെടുത്താം.
ഗവേഷകരുടെ പ്രധാന ജോലികളായ കോഡെഴുത്തും പരീക്ഷണങ്ങളും വേഗത്തിലാകുന്നതിന് തെളിവുണ്ട്.
ഇവ അളക്കാൻ താരതമ്യേന എളുപ്പമാണ്; വ്യാഖ്യാനിക്കാൻ ദുഷ്കരമാകാം. യാന്ത്രികവൽക്കരണം വളരുമ്പോൾ അതിന് ഏറ്റവും കുറച്ച് വഴങ്ങുന്ന ജോലികൾ കൂടുതൽ അധ്വാനം ആവശ്യപ്പെടും; അവ പുരോഗതിയുടെ പ്രധാന തടസ്സങ്ങളാകും. കംപ്യൂട്ടിംഗ് വിഭവങ്ങളും പുരോഗതിയെ നിയന്ത്രിക്കുന്നു; മറ്റു തടസ്സങ്ങൾ കുറയുമ്പോൾ അവയുടെ പ്രാധാന്യം കൂടാം.
2026-ൽ സജീവ പരീക്ഷകനൊന്നിന് പരീക്ഷണങ്ങൾ വർധിച്ചു; ഓഗസ്റ്റിൽ, 2025 ജനുവരിയിൽ രേഖപ്പെടുത്തൽ തുടങ്ങിയശേഷമുള്ള പരമാവധിയിലെത്തി. Codex ഉപയോഗവളർച്ചയുമായി സഹബന്ധമുണ്ട്; എന്നാൽ 2025 മുതൽ കംപ്യൂട്ടിംഗ് വിഭവങ്ങളും ഏറെ വർധിച്ചു.
ഉയർന്ന തലത്തിലുള്ളതും ദൈർഘ്യമേറിയതുമായ ജോലികൾ കോഡിംഗ് ഏജന്റുകളെ ഏൽപ്പിക്കുന്നത് വർധിക്കുന്നതായി അനുഭവങ്ങളും ആന്തരിക ഡാറ്റയും സൂചിപ്പിക്കുന്നു.
ഈ പ്രവണത മനസ്സിലാക്കാൻ, AI ഗവേഷണ-വികസന ജോലികൾക്കായി Epoch AI അടുത്തിടെ പ്രസിദ്ധീകരിച്ച വർഗീകരണം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിച്ച് സമീപകാല ഉപയോഗം വിശകലനം ചെയ്തു. ജോലികളെ വർഗീകരിക്കുന്ന O*NET-ൽനിന്ന് പ്രചോദനം ഉൾക്കൊണ്ട ഇത് അത്യാധുനിക AI ഗവേഷണ-വികസനത്തിനായി ആറ് ഘട്ടങ്ങൾ നിർദേശിക്കുന്നു:
തീരുമാനിക്കുക: എന്തുചെയ്യണം, തുടരണം, എവിടെ വിഭവങ്ങൾ നൽകണം
രൂപകൽപ്പന: ഗവേഷണ ആശയങ്ങളും സാങ്കേതിക സവിശേഷതകളും
നിർമിക്കുക: കോഡും ഡാറ്റാസെറ്റുകളും
പ്രവർത്തിപ്പിക്കുക: പരിശീലനം, മൂല്യനിർണയം, ഹാർഡ്വെയർ, സേവനം
വിശകലനം: പരീക്ഷണങ്ങൾ, മോഡലുകൾ, വിന്യാസം, ബാഹ്യ പ്രവർത്തനം
ആശയവിനിമയം: കണ്ടെത്തലുകൾ, പ്രതികരണം, സ്ഥിതി, തീരുമാനങ്ങൾ
താഴെ കോഡിംഗ് ഏജന്റ് ടോക്കണുകൾ ഇങ്ങനെ വർഗീകരിക്കുന്നു.
2026 ജനുവരി–ഓഗസ്റ്റിൽ എല്ലാ ഗവേഷണവിഭാഗങ്ങളും വളർന്നു. ജനുവരിയിൽ ഗവേഷണ, അടിസ്ഥാനസൗകര്യ കോഡായിരുന്നു മുന്നിൽ. അതും വളർന്നു; സാങ്കേതിക സഹായം, റൺ നിരീക്ഷണം എന്നിവയിലും ശ്രദ്ധേയ വർധനയുണ്ട്. ഉന്നതതല ആസൂത്രണം ഏജന്റ് ഔട്ട്പുട്ട് ടോക്കണുകളുടെ വളരെ ചെറിയ വിഹിതമാണ്.
ആന്തരിക ഗവേഷണസൗകര്യങ്ങളിലെ പ്രശ്നപരിഹാരത്തിൽ കോഡിംഗ് ഏജന്റുകൾ മികവു കാട്ടി പ്രധാന തടസ്സമൊന്ന് നീക്കുന്നതായി സഹപ്രവർത്തകർ പറയുന്നു. പരീക്ഷണപ്രശ്നങ്ങൾ പരിഹരിക്കാൻ സഹായസമയങ്ങൾ നൽകിയ ടീമുകൾ 2026-ൽ പങ്കാളിത്തം കുറഞ്ഞതായി പറയുന്നു. ഒരു ടീം അവ നിർത്തി മറ്റു മെച്ചപ്പെടുത്തലുകളിൽ ശ്രദ്ധിക്കുന്നു.
മറ്റു ടീമുകളിൽനിന്ന് സാങ്കേതിക സഹായം തേടുന്ന പ്രധാന ആന്തരിക ചാനലിലെ പ്രതിദിന മുഖ്യ പോസ്റ്റുകളുടെ എണ്ണമാണ് ഇവിടെ കാണിക്കുന്നത്. ഞങ്ങൾക്കറിയാവുന്നിടത്തോളം, ഇവിടത്തെ കുറവ് മനുഷ്യർ നടത്തുന്ന മറ്റൊരു സഹായചാനലിലേക്കുള്ള ചോദ്യങ്ങളുടെ മാറ്റമല്ല. ഈ കുറവ് വിശാലമായ പ്രവണതയുമായി യോജിക്കുന്നു.
ഗവേഷകർ ഏൽപ്പിക്കുന്ന ജോലികളിൽ കോഡിംഗ് ഏജന്റുകൾ വിജയിക്കുന്നുണ്ടോ എന്നും പഠിക്കാം. ഏജന്റിക് വർഗീകരണം പ്രകാരം, യഥാർഥ ഫലം കണ്ടെത്താനായ ദൗത്യങ്ങളിൽ ജനുവരി–ജൂലൈ കാലത്ത് വിവിധ പ്രയാസവിഭാഗങ്ങളിലെ വിജയം പൊതുവേ വർധിച്ചു. മനുഷ്യന് വേണ്ടിവരുന്ന സമയമാണ് പ്രയാസത്തിന്റെ സൂചകം. എന്നാൽ വിജയിക്കാൻ ഏജന്റുകൾക്ക് ഇപ്പോഴും ഗണ്യമായ മനുഷ്യനിർദേശം വേണം, പ്രത്യേകിച്ച് സങ്കീർണത കൂടുമ്പോൾ. കഴിഞ്ഞ 6 മാസത്തിൽ വിജയിച്ച 4–8 മണിക്കൂർ ദൗത്യങ്ങളിൽ പകുതിയിലേറെയും ഒന്നോ അതിലധികമോ ഇടപെടലുകൾ ആവശ്യപ്പെട്ടു.
ഗവേഷകരുടെ ദൗത്യങ്ങളിലെ വിജയനിരക്കുകൾ കാലക്രമേണ വർധിച്ചു. ഫലം അനിശ്ചിതമായ വർഗീകരണങ്ങളും <50 സെഷനുകളോ <50 വ്യത്യസ്ത ഉപയോക്താക്കളോ ഉള്ള പോയിന്റുകളും ഗ്രാഫിൽനിന്ന് ഒഴിവാക്കിയിരിക്കുന്നു.
ജനുവരി മുതൽ ജൂലൈ വരെയുള്ള ദൗത്യവിജയവും ഇടപെടൽ നിരക്കും, സമയപരിധി അനുസരിച്ച്. ഫലം അനിശ്ചിതമായ വർഗീകരണങ്ങൾ ഒഴിവാക്കിയിരിക്കുന്നു.
സുരക്ഷിതവും പ്രയോജനകരവുമായ AGI-ക്കായി കൂടുതൽ ശേഷിയുള്ള സംവിധാനങ്ങൾ വികസിപ്പിക്കുന്നതിലെ പുരോഗതി, അതിന് ആവശ്യമായ സുരക്ഷാ സംവിധാനങ്ങളെയും ആശ്രയിച്ചിരിക്കും. അപകടസാധ്യതകളെക്കുറിച്ച് കൂടുതൽ മനസ്സിലാക്കുമ്പോൾ, ആവശ്യമായ സുരക്ഷാ സംവിധാനങ്ങളെക്കുറിച്ചുള്ള ഞങ്ങളുടെ വിലയിരുത്തൽ മാറാം.
ഞങ്ങൾ വിശദീകരിച്ചതുപോലെ, നിരീക്ഷണം, മനുഷ്യലക്ഷ്യങ്ങളുമായുള്ള പൊരുത്തം, സംരക്ഷണം എന്നിവയ്ക്കുള്ള മാനദണ്ഡങ്ങൾ അടുത്തിടെ പുതുക്കിയിട്ടുണ്ട്. സമീപകാല നിയന്ത്രണങ്ങൾ ഗവേഷണപ്രവർത്തനത്തിന്റെ ഒരു വശത്തെ എങ്ങനെ ബാധിച്ചുവെന്ന് ഇവിടെ കാണിക്കുന്നു.
*ജൂലൈ 20-നും ഓഗസ്റ്റ് 6-നും ഇടയിൽ ഇവിടെ കാണിച്ച Astra കംപ്യൂട്ടിംഗ് വിഭവങ്ങളിൽ ഭൂരിഭാഗവും സുരക്ഷാ, സംരക്ഷണ മെച്ചപ്പെടുത്തലുകൾ നടപ്പാക്കിയതു പരിശോധിക്കാനായിരുന്നു.
ഏജന്റുകൾ ഞങ്ങളുടെ ഗവേഷണ അടിസ്ഥാനസൗകര്യത്തിന്റെ സുരക്ഷ ലംഘിച്ചതായി കണ്ടെത്തിയതിനെ തുടർന്ന് ജൂലൈ 20-ന് പരിശീലനത്തിനുള്ള കണ്ടെയ്നർ സേവനം താൽക്കാലികമായി നിർത്തി. പിന്നീട് ഗണ്യമായ അധിക നിയന്ത്രണങ്ങളോടെ അത് പുനഃസ്ഥാപിച്ചു.
കൂടുതൽ സുരക്ഷിതമാക്കിയ ഗവേഷണ അന്തരീക്ഷത്തിൽ പ്രവർത്തിക്കാൻ ടീമുകൾ പ്രവർത്തനക്രമം പുനഃക്രമീകരിച്ചപ്പോൾ, RL പരിശീലനത്തിനുള്ള കംപ്യൂട്ടിംഗ് വിഭവങ്ങളുടെ ഉപയോഗം കുത്തനെ കുറഞ്ഞു. വിന്യാസത്തിനായി ഉദ്ദേശിച്ച ഏറ്റവും പുതിയ മോഡലുകളുടെ റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് രണ്ടാഴ്ച നിർത്തിവെച്ച കാലയളവും മുകളിലെ ഗ്രാഫിൽ ഉൾപ്പെടുന്നു. ജൂലൈ 20 മുതൽ ഓഗസ്റ്റ് 6 വരെയുള്ള Astra-വിഭാഗ RL പരീക്ഷണങ്ങളിൽ, GPU വിഹിതമനുസരിച്ച് ഭൂരിഭാഗം റണ്ണുകളും സുരക്ഷാ, സംരക്ഷണ മെച്ചപ്പെടുത്തലുകൾ നടപ്പാക്കിയതു പരിശോധിക്കാനായിരുന്നു.
ഞങ്ങളുടെ പ്രിപെയർഡ്നസ് ഫ്രെയിംവർക്ക്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പ്രകാരം Astra-യ്ക്ക് നിർണായക സൈബർ ശേഷികളുണ്ടാകാം എന്ന പ്രാഥമിക തെളിവിനെ തുടർന്ന് ഓഗസ്റ്റ് 7-ന് മോഡലിന് പ്രത്യേകമായ അധിക സംരക്ഷണ നിയന്ത്രണങ്ങൾ ഏർപ്പെടുത്തി. ഇതോടെ Astra മോഡൽ കൂടുതൽ സുരക്ഷിതമായ ഗവേഷണ അന്തരീക്ഷങ്ങളിൽ പ്രവർത്തിപ്പിക്കേണ്ടിവന്നു. തുടർന്നുള്ള ആഴ്ചയിൽ Astra-വിഭാഗ GPU വിഹിതം വീണ്ടും 59.2 ശതമാനം കുറഞ്ഞെങ്കിലും മറ്റു മോഡൽ വിഭാഗങ്ങൾക്കുള്ള വിഹിതം 17.2 ശതമാനം വർധിച്ചു. ആ വർധന Astra-വിഭാഗത്തിലെ കുറവിന്റെ ഏകദേശം 85 ശതമാനം നികത്തി. അതിനാൽ വിശകലനം ചെയ്ത RL ജോലിഭാരങ്ങളുടെ ആകെ വിഹിതം കാര്യമായി മാറിയില്ല. Astra-യുമായി ബന്ധപ്പെട്ട പ്രവർത്തനങ്ങൾ നിയന്ത്രിച്ചപ്പോൾ ചില പരിശീലനങ്ങളും പരീക്ഷണങ്ങളും മറ്റു മോഡലുകളിലേക്ക് മാറ്റിയതുമായി ഈ പ്രവണത പൊരുത്തപ്പെടുന്നു. പുതിയ നിയന്ത്രണങ്ങൾക്ക് വിധേയമായ ജോലികൾക്ക് ഉപയോഗിക്കാനാവാത്ത കംപ്യൂട്ടിംഗ് വിഭവങ്ങൾക്ക് ഗവേഷകർ മറ്റു ഉപയോഗങ്ങൾ കണ്ടെത്തിയെന്ന അനുഭവവിവരണങ്ങളുമായും ഇത് യോജിക്കുന്നു.
പരിശീലനത്തെയും സുരക്ഷയെയും കുറിച്ചുള്ള ചർച്ചകൾക്ക് ഈ ഡാറ്റ ഉപകാരപ്രദമായ സൂചന നൽകുന്നു: പുതിയ നിയന്ത്രണങ്ങൾ വന്നാലും കംപ്യൂട്ടിംഗ് വിഭവങ്ങളുടെ മൂല്യവും വഴക്കവും നിലനിൽക്കും. സ്വാഭാവികമായും അവ ഗവേഷണസ്ഥാപനത്തിനുള്ളിലെ മറ്റു ഉപയോഗങ്ങളിലേക്ക് വഴിതിരിച്ചുവിടപ്പെടും. ദീർഘകാലാടിസ്ഥാനത്തിൽ, AI പുരോഗതിയുടെ വേഗത്തെക്കുറിച്ചുള്ള ചർച്ചകൾ പുതിയതോ നിർദേശിക്കപ്പെട്ടതോ ആയ നിയന്ത്രണങ്ങൾക്ക് വിധേയമായ കംപ്യൂട്ടിംഗ് വിഭവങ്ങൾ എങ്ങനെ മികച്ച രീതിയിൽ ഉപയോഗിക്കാം എന്നതിലേക്കും നീളണം.
മനുഷ്യലക്ഷ്യങ്ങളുമായി പൊരുത്തമുള്ള RSI-യിലേക്കുള്ള പുരോഗതി കൈവരിക്കുകയും മനസ്സിലാക്കുകയും ചെയ്യുന്നത് ഞങ്ങളുടെ ദൗത്യത്തിന് പ്രധാനമാണ്. ഞങ്ങളുടെ രീതികൾ മെച്ചപ്പെടുത്തുന്നതും വളരുന്ന ധാരണ റിപ്പോർട്ട് ചെയ്യുന്നതും തുടരും. അത്യാധുനിക സംവിധാനങ്ങളെക്കുറിച്ചുള്ള അറിവോടെയുള്ള പൊതുചർച്ചയ്ക്കും അർഥവത്തായ ജനാധിപത്യ ഭരണത്തിനുമായി പ്രവർത്തിക്കും.
ഏജന്റുകൾ നയിക്കുന്ന AI ഗവേഷണം ഇപ്പോഴും പുതിയതാണ്; അത് എങ്ങനെ അളക്കണമെന്ന് ഞങ്ങൾ പഠിച്ചുകൊണ്ടിരിക്കുന്നു. ഞങ്ങളുടെ ഗവേഷണ ടീമുകൾ സൃഷ്ടിക്കുന്ന കോഡിന്റെ അളവ് പോലുള്ള ചില സൂചകങ്ങൾ ശേഖരിക്കാൻ താരതമ്യേന എളുപ്പമാണ്. എന്നാൽ ഗവേഷണപുരോഗതിയുമായുള്ള അവയുടെ ബന്ധം അനിശ്ചിതമായതിനാൽ വ്യാഖ്യാനിക്കാൻ പ്രയാസമാണ്. ഗവേഷകർ ഏൽപ്പിക്കുന്ന ദൗത്യങ്ങളിൽ ഏജന്റുകൾ എത്ര തവണ വിജയിക്കുന്നു എന്നതുപോലെ, ഗവേഷണപുരോഗതിയെ കൂടുതൽ നേരിട്ട് അളക്കുന്ന സൂചകങ്ങൾ കൂടുതൽ ഉപകാരപ്രദമാകാം. എന്നാൽ അവ വികസിപ്പിക്കുന്നതും സാധൂകരിക്കുന്നതും സങ്കീർണമാണ്. ഗവേഷകർ ആശ്രയിക്കുന്ന ഉപകരണങ്ങളും സംവിധാനങ്ങളും അതിവേഗം മാറുന്നത് ഈ പ്രയാസം വർധിപ്പിക്കുന്നു. ഗവേഷണത്തിന് വേഗമേറുന്നതിനെക്കുറിച്ചുള്ള ധാരണ ആഴത്തിലാക്കുന്നത് OpenAI-യിലുടനീളം പ്രധാന ശ്രദ്ധാകേന്ദ്രമാണ്.
മറ്റുവിധത്തിൽ സൂചിപ്പിച്ചിട്ടില്ലെങ്കിൽ, ഈ വിശകലനങ്ങളിലെല്ലാം:
“ഗവേഷകൻ” എന്നത് ഞങ്ങളുടെ ഗവേഷണവിഭാഗത്തിലെ ഏതൊരു അംഗത്തെയും സൂചിപ്പിക്കുന്ന വിശാലമായ പദമാണ്. ഗവേഷണ അടിസ്ഥാനസൗകര്യങ്ങൾ നിർമിക്കുന്നവരും ഗവേഷണപദ്ധതികൾ കൈകാര്യം ചെയ്യുന്നവരും മറ്റു വിധത്തിൽ സ്ഥാപനത്തെ പിന്തുണയ്ക്കുന്നവരും ഇതിൽ ഉൾപ്പെടുന്നു.
ഗവേഷകർ ആശ്രയിക്കുന്ന ഉപകരണങ്ങളും സംവിധാനങ്ങളും അതിവേഗം മാറുന്നതിനാൽ, കോഡിംഗ് ഏജന്റ് ഉപയോഗത്തിന്റെ അളവുകൾ ഭൂരിഭാഗം ഉപയോഗവും ഉൾക്കൊള്ളുന്നു, എന്നാൽ മുഴുവനുമല്ല.
