തേർഡ് മൊമെന്റ്: 10,000 ഏജന്റുകൾ, 36+ മണിക്കൂർ

ഓരോ കമ്പനിക്കും തനതായ പ്രവർത്തനരീതികളും ഉപകരണങ്ങളും അപൂർവ സാഹചര്യങ്ങളും വിജയത്തിന്റെ മാനദണ്ഡങ്ങളുമുണ്ട്. ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)മികച്ച ഏജന്റുകൾ അതത് ജോലിയിൽ മികവ് പുലർത്തണമെന്നും കൂടുതൽ ഉപയോഗിക്കുന്തോറും അവയുടെ കഴിവുകൾ മെച്ചപ്പെടണമെന്നും തേർഡ് മൊമെന്റ് റിസർച്ച്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വിശ്വസിക്കുന്നു.

ഈ ആശയം അടിസ്ഥാനമാക്കി സ്വയം മെച്ചപ്പെടുന്ന ഒരു എഐ സംവിധാനം കമ്പനി വികസിപ്പിക്കുന്നു. ഏജന്റുകളുടെ പെരുമാറ്റം മനസ്സിലാക്കാനും ആവർത്തിക്കുന്ന ദൗർബല്യങ്ങൾ തിരിച്ചറിയാനും ആ പ്രശ്നങ്ങളെ ആസ്പദമാക്കി ആയിരക്കണക്കിന് കൃത്രിമ സാഹചര്യങ്ങൾ സ്വയമേവ സൃഷ്ടിക്കാനും OpenAI-യുടെ ഏറ്റവും പുതിയ മോഡലുകളാണ് ഉപയോഗിക്കുന്നത്. ഈ സാഹചര്യങ്ങൾ ഉപയോഗിച്ച് സംഘം ഏജന്റുകളെ മെച്ചപ്പെടുത്തുന്നു. പുതിയ പ്രശ്നങ്ങൾ ഉയരുമ്പോൾ ഈ പ്രക്രിയ ആവർത്തിക്കുന്നു.

Codex, GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol എന്നിവ ഈ സംവിധാനത്തിന്റെ ഗവേഷണത്തിനും ഗണനാധിഷ്ഠിത ജോലികൾക്കും പിന്തുണ നൽകുന്നു. ഇതിലൂടെ 36–48 മണിക്കൂർ നീളുന്ന അന്വേഷണങ്ങളിൽ ഒരേസമയം 10,000 ഏജന്റുകളെ പ്രവർത്തിപ്പിക്കാൻ തേർഡ് മൊമെന്റിന് കഴിയുന്നു. ഏജന്റുകൾ പ്രവർത്തിക്കുന്ന പരിതസ്ഥിതികളുടെ സുരക്ഷ പരിശോധിക്കാൻ കമ്പനി ഡേബ്രേക്കും ഉപയോഗിക്കുന്നു.

വിജയം അളക്കാൻ വ്യക്തമായ മാനദണ്ഡമുള്ളതിനാൽ, തേർഡ് മൊമെന്റിന്റെ ആദ്യകാല പ്രയോഗങ്ങളിലൊന്ന് ഗണിതാധിഷ്ഠിത ധനകാര്യ മേഖലയിലാണ്. ഏജന്റുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും എവിടെയാണ് ബുദ്ധിമുട്ടുന്നതെന്നും പഠിക്കാൻ ഈ മേഖല വ്യക്തമായ ഒരു പശ്ചാത്തലം നൽകുന്നു. ഗവേഷണ പരിതസ്ഥിതിയിലെ പ്രശ്നങ്ങൾ കണ്ടെത്താനും പരിഹരിക്കാനും സംഘം Codex ഉപയോഗിക്കുന്നു.

ഒരിക്കൽ, രേഖപ്പെടുത്തിയ ആയിരക്കണക്കിന് സിമുലേഷൻ പ്രവർത്തനക്രമങ്ങൾ—ഏജന്റുകളുടെ പ്രവർത്തനങ്ങളും പരിതസ്ഥിതിയുടെ പ്രതികരണങ്ങളും—സമയമുദ്രകൾക്കും കോഡ് ശേഖരത്തിനുമൊപ്പം വിശകലനം ചെയ്യാൻ സംഘം Codex ഉപയോഗിച്ചു. അക്കാലത്തെ ഏറ്റവും പുതിയ GPT മോഡലായ GPT‑5.6 ആയിരുന്നു അതിനൊപ്പം ഉപയോഗിച്ചത്.

പ്രവർത്തനം മന്ദഗതിയിലാക്കുന്ന ഒരു തടസ്സം Codex കണ്ടെത്തി: യുഎസ് ഓഹരികളുടെ ഒരു വർഷത്തെ ഓർഡർതല ഡാറ്റ ഉപയോഗിച്ച് ഒരു വ്യാപാര തന്ത്രത്തിന്റെ മുൻകാല പ്രകടനം പരിശോധിക്കാൻ മണിക്കൂറുകളെടുത്തിരുന്നു. കാത്തിരിക്കുമ്പോൾ, പരിശോധന പൂർത്തിയായോ എന്ന് ഏജന്റുകൾ ആവർത്തിച്ച് അന്വേഷിച്ചു. ഇത് ടോക്കണുകൾ പാഴാക്കുകയും അവയുടെ സന്ദർഭത്തിൽ സ്ഥിതി പരിശോധനകൾ നിറയ്ക്കുകയും ചെയ്തു.

ഈ മുൻകാല പരിശോധനയുടെ പ്രവർത്തനക്ഷമത അളക്കുകയും അതിന്റെ ഇൻപുട്ടുകളും ഉപയോഗവും വിശകലനം ചെയ്യുകയും ചെയ്തശേഷം, കാഷിംഗ് മെച്ചപ്പെടുത്താനുള്ള വഴിയും മെമ്മറിയിൽ ഡാറ്റ കൂടുതൽ ഒതുക്കി സൂക്ഷിക്കാനുള്ള സാങ്കേതികവിദ്യയും Codex കണ്ടെത്തി. വിവിധ പരിഹാരങ്ങൾ പരീക്ഷിച്ചശേഷം അത് തിരുത്തൽ യഥാർഥ പ്രവർത്തന സംവിധാനത്തിൽ നടപ്പാക്കി. ഇതോടെ മുൻകാല പരിശോധനയ്ക്കുള്ള സമയം ഏകദേശം 3 മണിക്കൂറിൽ നിന്ന് 3 മുതൽ 5 മിനിറ്റായി കുറഞ്ഞു. ഇത് ടോക്കൺ ഉപയോഗവും സന്ദർഭത്തിൽ അനാവശ്യ വിവരങ്ങൾ നിറയുന്നതും കുറച്ചു. അതുവഴി ഏജന്റുകൾക്ക് അനുവദിച്ച ടോക്കണുകളിൽ കൂടുതൽ തുടർപരീക്ഷണങ്ങൾക്ക് ഉപയോഗിക്കാനായി.

ഓരോ ഏജന്റിനും ഒരു പ്രത്യേക ജോലിക്കാവശ്യമായ ഉപകരണങ്ങളും വിവരങ്ങളും പരിതസ്ഥിതിയും തേർഡ് മൊമെന്റ് നൽകുന്നു. ഗണിതാധിഷ്ഠിത ഗവേഷണത്തിനായി, ഡോക്കർ ഉപയോഗിച്ച് സജ്ജമാക്കിയ പരിതസ്ഥിതിയിൽ സംഘം ഡിഫോൾട്ട് Codex ഹാർനെസ് പ്രവർത്തിപ്പിക്കുന്നു. ഏജന്റുകൾക്ക് ഒരു ടെറാബൈറ്റ് ഡാറ്റയും മാർഗരേഖകളും ഒരു ഗവേഷണ റിപ്പോസിറ്ററിയും ലഭിക്കുന്നു. സവിശേഷതകൾ രൂപപ്പെടുത്തൽ, ജിപിയു സഹായത്തോടെയുള്ള മോഡൽ പരിശീലനം, വ്യാപാര തന്ത്രങ്ങൾ, സിമുലേഷൻ എന്നിവയ്ക്കുള്ള ഘടകങ്ങൾ ഈ റിപ്പോസിറ്ററിയിലുണ്ട്.

GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol എന്നിവ റീസണിംഗ് നൽകുന്നു. പ്രവർത്തിക്കാനും പദ്ധതികൾ തയ്യാറാക്കാനും ലക്ഷ്യങ്ങൾ നിശ്ചയിക്കാനും ഉപഏജന്റുകളെ സൃഷ്ടിക്കാനും ജോലി പുരോഗമിക്കുമ്പോൾ സന്ദർഭം ചുരുക്കാനും വേണ്ട ഉപകരണങ്ങൾ Codex ഹാർനെസ് ഏജന്റുകൾക്ക് നൽകുന്നു.

ജോലി പൂർത്തിയാക്കുംമുമ്പ് ഏജന്റുകൾ നിർത്തുന്നത് പരിഹരിക്കാൻ, GPT‑6 Sol അല്ലെങ്കിൽ GPT‑6.1 Sol പ്രവർത്തിപ്പിക്കുന്ന പുറം ഹാർനെസിനുള്ളിൽ Codex-നെ ഒരു ഉപഏജന്റായാണ് തേർഡ് മൊമെന്റ് ഉപയോഗിക്കുന്നത്. ഒരു ജോലി പൂർത്തിയാകാതെ വരുമ്പോൾ പുറം ഹാർനെസ് അതുവരെയുള്ള പ്രവർത്തനക്രമം പരിശോധിക്കുന്നു. വീണ്ടും ശ്രമിക്കണോ, ജോലി അവസാനിപ്പിക്കണോ, മനുഷ്യരുടെ അവലോകനത്തിന് കൈമാറണോ എന്ന് അത് തീരുമാനിക്കുന്നു.

ആ ഗവേഷണ പരിതസ്ഥിതിയിൽ, തേർഡ് മൊമെന്റിന്റെ എൻജിനീയർമാർ നിർമിച്ച അടിസ്ഥാന വ്യാപാര സംവിധാനം മെച്ചപ്പെടുത്താനാണ് ഏജന്റുകൾ പ്രവർത്തിക്കുന്നത്. അവ മുൻകാല ഡാറ്റയിൽ വ്യാപാര തന്ത്രങ്ങൾ പരീക്ഷിക്കുന്നു. കണ്ട മെച്ചം അർഥവത്താണോ അതോ യാദൃച്ഛിക വ്യതിയാനമാണോ എന്ന് വിലയിരുത്തുകയും ഓരോ ഫലവും ഉപയോഗിച്ച് അടുത്ത പരീക്ഷണം തിരഞ്ഞെടുക്കുകയും ചെയ്യുന്നു. അവയുടെ പ്രവർത്തനം അടിസ്ഥാന വ്യാപാര സംവിധാനത്തെ മെച്ചപ്പെടുത്തിയിട്ടുണ്ടെന്ന് ആഡം പറയുന്നു.

GPT‑5.5‑ന് മുമ്പ്, ഉപയോക്താവ് നിർദേശിച്ച പരീക്ഷണങ്ങൾ നടത്താൻ മാത്രമേ മോഡലുകൾക്ക് കഴിഞ്ഞിരുന്നുള്ളൂ എന്ന് ആഡം പറയുന്നു. GPT‑5.5, GPT‑5.6 എന്നിവ വന്നതോടെ, Codex ഹാർനെസിൽ പ്രവർത്തിക്കുന്ന മോഡലുകൾക്ക് ഫലങ്ങൾ ഉപയോഗിച്ച് തുടർപരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്യാനായി. ഇപ്പോൾ GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol എന്നിവ ഉപയോഗിച്ച്, ഉപഏജന്റുകൾക്കൊപ്പം നൂറുകണക്കിന് പരീക്ഷണങ്ങൾ സമാന്തരമായി നടത്തി മൂലകാരണങ്ങൾ അന്വേഷിക്കാൻ ഏജന്റുകൾക്ക് കഴിയുന്നു.

ഈ പുരോഗതി, സംഘം മുൻകൂട്ടി കണ്ടിട്ടില്ലാത്ത ഗവേഷണ ദിശകൾ പര്യവേക്ഷണം ചെയ്യാൻ ഏജന്റുകളെ സഹായിച്ചു. ഒരു സെഷനിൽ, ഒരു എക്സ്ചേഞ്ചിലെ പരസ്യമായി പ്രദർശിപ്പിക്കാത്ത വ്യാപാര ഇടപാടുകളുടെ സ്വാധീനം GPT‑6.1 Sol കണ്ടെത്തി. അവിടെ മൊത്തം വ്യാപാര അളവിൽ ഇത്തരം ഇടപാടുകളുടെ വിഹിതം അപ്രതീക്ഷിതമായി കൂടുതലായിരുന്നു. “ഞങ്ങളുടെ ഗവേഷണ സംഘം ആദ്യം പരിഗണിക്കാതിരുന്ന, എളുപ്പത്തിൽ കണ്ടെത്താനാകാത്ത ഒരു ഫലമായിരുന്നു ഇത്,” ആഡം പറയുന്നു.

ഒപ്റ്റിമൈസേഷൻ, യന്ത്രപഠന സംവിധാനങ്ങൾ, ഗണിതാധിഷ്ഠിത ഗവേഷണം എന്നിവയിൽ തേർഡ് മൊമെന്റ് മോഡലുകളെ വിലയിരുത്തുന്നു. അത്യാധുനിക മോഡൽ പതിപ്പുകളെ അവയുടെ പരമാവധി റീസണിംഗ് ക്രമീകരണങ്ങളിലാണ് കമ്പനി പരീക്ഷിക്കുന്നത്. റിപ്പോസിറ്ററികളിൽ ആവശ്യമായത് കണ്ടെത്താനും കാര്യക്ഷമമായ കോഡ് എഴുതാനും അന്വേഷണം തുടരാനുമുള്ള കഴിവാണ് വിലയിരുത്തുന്നത്. നിലവിലെ പരിശോധനകളിൽ GPT‑6 Luna-യും ഉൾപ്പെടുന്നു.

ഒരു മാനദണ്ഡ പരിശോധനയിൽ, തത്സമയ സ്കോർബോർഡ് സേവനം നൽകുന്ന വിവരങ്ങൾ മാറ്റാതെ അതിന്റെ പുതുക്കൽ കാലതാമസം കുറയ്ക്കാനാണ് ഏജന്റുകളോട് ആവശ്യപ്പെടുന്നത്. ഫലങ്ങൾ ശരിയാണെന്ന് ഉറപ്പാക്കിയശേഷം, ഒരേ ഹാർഡ്‌വെയറിൽ വിദഗ്ധൻ തയ്യാറാക്കിയ പരിഹാരത്തിന്റെ ശരാശരി പ്രവർത്തനസമയത്തെ മോഡൽ തയ്യാറാക്കിയ പരിഹാരത്തിന്റെ ശരാശരി പ്രവർത്തനസമയം കൊണ്ട് ഹരിച്ചാണ് സംഘം വേഗവർധന അളക്കുന്നത്. ഏറ്റവും വലിയ വേഗവർധന നൽകിയത് GPT‑6 Astra ആണെന്ന് ആഡം പറയുന്നു.

സിമുലേഷൻ സംവിധാനത്തിലെ നിർദിഷ്ട സുരക്ഷാ ദൗർബല്യങ്ങൾ പരിശോധിക്കുന്നതുൾപ്പെടെയുള്ള ലക്ഷ്യബദ്ധമായ ജോലികൾക്ക്, GPT‑5.6 Terra പോലുള്ള കൂടുതൽ കാര്യക്ഷമമായ മോഡലുകളാണ് സംഘം ഉപയോഗിക്കുന്നത്. ആഴത്തിലുള്ള ഗവേഷണത്തിന് കൂടുതൽ ശക്തമായ റീസണിംഗ് ലഭിക്കുന്നുവെങ്കിൽ ഉയർന്ന ചെലവ് ന്യായീകരിക്കാനാകുമെന്ന് ആഡം വിശ്വസിക്കുന്നു: “ഗണിതാധിഷ്ഠിത ധനകാര്യ മേഖലയിൽ, ശ്രദ്ധേയമായ ഒരു സൂചന കണ്ടെത്തുന്നതിന്റെ മൂല്യം വളരെ വലുതാണ്.”

10,000 ഏജന്റുകൾ സ്വയം പ്രവർത്തിക്കുന്നതിനാൽ, ഗവേഷണ പരിതസ്ഥിതികളുടെ സുരക്ഷ വലിയ തോതിൽ പരിശോധിക്കാനുള്ള മാർഗം തേർഡ് മൊമെന്റിന് ആവശ്യമാണ്. സിമുലേഷനുകൾ ആരംഭിക്കുന്നതിന് മുമ്പ് ഈ പരിശോധന സ്വയമേവ നടത്താൻ സംഘം ഡേബ്രേക്ക് സൈബർ സുരക്ഷാ പ്ലാറ്റ്‌ഫോം ഉപയോഗിക്കുന്നു.

ഒരു ഏജന്റിന് അതിന്റെ ഗവേഷണ പരിതസ്ഥിതിയുടെ നിയന്ത്രണങ്ങൾ മറികടന്ന് വിശാലമായ നെറ്റ്‌വർക്കിലേക്ക് പ്രവേശിക്കാനാകുമോ എന്നാണ് പരിശോധനകൾ പരിശോധിക്കുന്നത്. “ഡേബ്രേക്ക് ഉപയോഗിക്കുന്നതിലൂടെ, ഏജന്റുകളെക്കൊണ്ടുതന്നെ സിമുലേഷനിൽ നുഴഞ്ഞുകയറ്റ പരിശോധന നടത്താനും അതിന്റെ അടിസ്ഥാന സൗകര്യവും സുരക്ഷയും പരിശോധിക്കാനും ഞങ്ങൾക്ക് കഴിയുന്നു,” ആഡം പറയുന്നു.

കമ്പനികൾ ദിവസവും ചെയ്യുന്ന പ്രത്യേക വൈദഗ്ധ്യം ആവശ്യമായ ജോലികളിലേക്കും തേർഡ് മൊമെന്റിന്റെ ലക്ഷ്യം വ്യാപിക്കുന്നു. ഒരു ചില്ലറ വ്യാപാരിക്ക്, സ്റ്റോക്ക് കുറയുമ്പോഴോ വിതരണക്കാരൻ വൈകുമ്പോഴോ വിതരണ ശൃംഖലയുമായി ബന്ധപ്പെട്ട് മികച്ച തീരുമാനങ്ങൾ എടുക്കുന്നതാകാം അത്. ഒരു എൻജിനീയറിംഗ് സംഘത്തിന്, വലിയൊരു കോഡ് ശേഖരത്തിൽ പ്രവർത്തനക്ഷമത കുറയ്ക്കുന്ന തടസ്സങ്ങൾ കണ്ടെത്തുന്നതാകാം അത്. രേഖകളെ വളരെയധികം ആശ്രയിക്കുന്ന ഒരു സ്ഥാപനത്തിന്, ഒരു രേഖയിലെ വാഗ്ദാനങ്ങളും മറ്റൊന്നിൽ രേഖപ്പെടുത്തിയ ഫലങ്ങളും തമ്മിലുള്ള പൊരുത്തക്കേടുകൾ കണ്ടെത്തുന്നതാകാം അത്.

GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol എന്നിവയുടെ റീസണിംഗ് കഴിവുകളെ അടിസ്ഥാനമാക്കി, ഒറ്റപ്പെട്ട അന്വേഷണങ്ങളിൽ നിന്ന് പരസ്പരം സഹകരിക്കുന്ന ലക്ഷക്കണക്കിന് ഉപഏജന്റുകളിലേക്ക് വ്യാപിക്കാനാണ് തേർഡ് മൊമെന്റ് പദ്ധതിയിടുന്നത്. പരസ്പരം ആശ്രയിക്കുന്ന ഡസൻകണക്കിന് പരീക്ഷണങ്ങളുടെ ശൃംഖലകൾക്ക് ട്രില്യൺ കണക്കിന് ടോക്കണുകളുടെ പിന്തുണ നൽകാനാണ് കമ്പനിയുടെ വികസന പദ്ധതി. പുതിയ വെല്ലുവിളികൾ ഉയരുമ്പോൾ ഈ ഗവേഷണം ഉപയോഗിച്ച് ഏജന്റുകളെ സ്വയമേവ മെച്ചപ്പെടുത്തുകയാണ് ലക്ഷ്യം.

ഏജന്റുകൾ എങ്ങനെ പഠിക്കണമെന്നും പ്രവർത്തിക്കണമെന്നും നിർണയിക്കാൻ ഇത് മനുഷ്യർക്ക് കൂടുതൽ കഴിവ് നൽകുമെന്ന് ആഡം കരുതുന്നു: “ഗവേഷണം നേരിട്ട് ചെയ്യുന്നതിനു പകരം, അത് എങ്ങനെ നടത്തണമെന്നും ഗവേഷണ പ്രക്രിയതന്നെ എങ്ങനെ മെച്ചപ്പെടുത്തണമെന്നും ചിന്തിക്കാൻ മനുഷ്യർക്ക് കഴിയും. അങ്ങനെ അവരുടെ ശ്രമങ്ങൾക്ക് കൂടുതൽ വലിയ ഫലമുണ്ടാകും.”