အစိမ်းသက်သက် ဉာဏ်တစ်ခု

၂၀၂၃ ခုနှစ်လယ်တွင် “RLSlow” သုတေသနစီမံကိန်းအတွင်း ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မော်ဒယ်များ၏ လေ့ကျင့်မှုကို တိုးချဲ့နိုင်မည်ဟု ယုံကြည်စိတ်ချစေသည့် ပထမဆုံးရလဒ်များကို တွေ့ခဲ့ရသည်။ ယင်းက ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ်များအား ၎င်းတို့၏ ကိုယ်ပိုင်အတွေးကွင်းဆက်များ ဖွဲ့စည်းနိုင်စွမ်းကို ဖွင့်ပေးခဲ့သည်။ Szymon နှင့် ကျွန်ုပ်သည် ထိုညကို ရုံးတွင်ကုန်ဆုံးခဲ့သည်။ ဤနည်းပညာက ဖြစ်ပေါ်စေမည့် အံ့ဖွယ်စံနှုန်းတိုင်းတာချက်များ၊ ထုတ်ကုန်များ သို့မဟုတ် သိပ္ပံရလဒ်များကို မတွေးဘဲ ကျွန်ုပ်တို့သက်တမ်းအတွင်း မိမိတို့ထက် အဓိပ္ပာယ်ရှိစွာ ပိုဉာဏ်ကောင်းသည့် စက်များကို အမှန်တကယ် တွေ့ရတော့မည်၊ ထိုစနစ်များ၏ ပုံသဏ္ဌာန်ကိုပင် မြင်နေရပြီဟူသော လေးနက်သည့်အချက်ကို လက်ခံနားလည်ရန် ကြိုးစားခဲ့ကြသည်။ ဤအရေးပါမှုကို လူများအား မည်သို့အသိပေးရမည်ကိုလည်း စဉ်းစားခဲ့ကြသည်။

သုံးနှစ်ကြာပြီးနောက် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော ဘာသာစကား မော်ဒယ် များသည် စီးပွားရေး၏ လျင်မြန်စွာကြီးထွားနေသော အစိတ်အပိုင်းဖြစ်လာပြီး သိပ္ပံနယ်ပယ်၏ နယ်နိမိတ်များကို စတင်ချဲ့ထွင်နေပြီဖြစ်သည်။ ၎င်းတို့သည် ကွန်ပျူတာများနှင့် ဂရပ်ဖစ်မျက်နှာပြင်များကို ကိုင်တွယ်နိုင်ခြင်း၊ လူများနှင့် အချင်းချင်း ပူးပေါင်းနိုင်ခြင်း၊ သုတေသနစီမံကိန်းများ ဆောင်ရွက်နိုင်ခြင်းတို့ ရှိသည်။ ၎င်းတို့သည် ကွန်ပျူတာလုံခြုံရေး အခင်းအကျင်းကိုလည်း ပြောင်းလဲနေပြီး ထင်ရှားသော အန္တရာယ်သစ်များ ဖြစ်စေသည်။

ဤကာလအတွင်း သုတေသနအသစ်များစွာ ပေါ်ပေါက်ခဲ့ပြီး ဤစနစ်များအပေါ် ကျွန်ုပ်တို့၏ နားလည်မှုသည် ၂၀၂၃ ခုနှစ်ကနှင့် အနည်းငယ်ကွာခြားလာပြန်သည်။ အတွင်းပိုင်းရလဒ်များအရ ဤတိုးတက်မှုအရှိန်သည် ထပ်ဆင့်ကိုယ်တိုင်တိုးတက်မှုအထိ ဆက်လက်တည်ရှိနိုင်မည်ဟု အခိုင်အမာ မျှော်လင့်သည်။ AI ဖွံ့ဖြိုးတိုးတက်မှုက လက်ရှိလမ်းကြောင်းအတိုင်း ဆက်သွားပါက လာမည့်နှစ်အနည်းငယ်တွင် တွေ့ရမည့် စနစ်များသည် တူညီသော သို့မဟုတ် ပိုမိုကြီးမားသော စွမ်းရည်ခုန်တက်မှုများ ဖြစ်ပေါ်စေပြီး မိမိတို့၏ ဖွံ့ဖြိုးမှုကို ပိုမိုမောင်းနှင်လာဖွယ်ရှိသည်။

ဤအချိန်တွင် အလွန်သတိထားရန် လိုအပ်သည်။ စက်ဉာဏ်ရည် လျင်မြန်စွာ ဆက်လက်မြင့်တက်လာခြင်း၏ အကျိုးဆက်များအတွက် မည်သူမျှ အဆင်သင့်မဖြစ်သေးမည်ကို စိုးရိမ်သည်။ OpenAI သည် ချိန်ညှိမှုနှင့် စောင့်ကြည့်မှုအတွက် နည်းပညာဖြေရှင်းချက်များကို ဆက်လက်ရှာဖွေမည်၊ ကာကွယ်ရေးစနစ်များ တည်ဆောက်မည်၊ လိုအပ်သလို တစ်ဖက်သတ် ဆက်လက်တိုးချဲ့ခြင်းကို ရပ်တန့်မည်။ သို့သော် ပိုမိုကျယ်ပြန့်သော ကြားဝင်ဆောင်ရွက်မှုများ လိုအပ်သည်ဟု ယုံကြည်သည်။

အကြမ်းဖျင်းအားဖြင့် စက်ဉာဏ်ရည်တိုးတက်မှုကို တွက်ချက်မှုစွမ်းအား မြင့်တက်လာခြင်းက မောင်းနှင်သည်။ သုတေသနစီမံကိန်းများစွာတွင် တိုးချဲ့မှုမှ အကျိုးအမြတ် တစ်သမတ်တည်း ရရှိသည်ကို တွေ့ပြီးနောက် ၂၀၁၇ ခုနှစ်ဝန်းကျင်တွင် OpenAI ရှိ ကျွန်ုပ်တို့သည် ဤအချက်ကို နက်နက်ရှိုင်းရှိုင်း လက်ခံနားလည်ခဲ့သည်¹။ ထို့ကြောင့် မူလစီစဉ်ထားသည်ထက် များစွာပိုသော တွက်ချက်မှုစွမ်းအားကို ရယူရန် ကြိုးပမ်းခဲ့ပြီး အလွန်တိုးချဲ့နိုင်သော လမ်းကြောင်းအနည်းငယ်ကို အခြေခံ၍ သုတေသနကို ပိုမိုဦးတည်ခဲ့သည်။ ယင်းသည် AI သုတေသန၏ စွမ်းဆောင်ရည်အမြင့်ဆုံးအဆင့်တွင် ရှိနေပြီး AGI ၏ သက်ရောက်မှုများကို ဩဇာလွှမ်းမိုးနိုင်ရန် တစ်ခုတည်းသောနည်းလမ်းဟု ယုံကြည်ခဲ့သည်။

လမ်းတစ်လျှောက်တွင် အယ်လဂိုရစ်သမ်အသစ်များ ဖန်တီးခဲ့ပြီး အဖွဲ့များနှင့် သုတေသီတစ်ဦးချင်းစီ၏ တီထွင်ကြံဆမှုအသစ်များလည်း ပေါ်ထွက်ခဲ့သည်။ ၎င်းတို့ကို တိုးချဲ့မှုလမ်းကြောင်းပေါ်ရှိ ရှာဖွေတွေ့ရှိချက်များအဖြစ် အဓိကမြင်သည်။ နက်နဲစွာ သင်ယူလေ့လာခြင်းဆိုင်ရာ သိပ္ပံသည် အစပျိုးအဆင့်သာ ရှိသေးပြီး အဓိပ္ပာယ်ရှိသော အယ်လဂိုရစ်သမ်တိုးတက်မှုသည် တွက်ချက်မှုစွမ်းအား ရရှိနိုင်မှုနှင့် ဆက်စပ်လေ့ရှိသည်။ နှစ်အတော်ကြာ ကာလရှည်ဖြင့် ခြုံငုံကြည့်ပါက AI ကို ပိုကြီးသော ကွန်ပျူတာများပေါ်တွင် တိုးချဲ့သည်နှင့်အမျှ ပိုမိုဉာဏ်ရည်မြင့်လာနေသည်။

၂၀ ရာစုအကုန်မှ Ray Kurzweil ၏ ခန့်မှန်းချက်များ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)နှင့်အညီ စက်ဉာဏ်ရည်သည် ပြောင်းလဲမှုကြီးမားစေသော ပုံစံများဖြင့် လူ့ဉာဏ်ရည်ကို စတင်ကျော်လွန်နေသည့် ကွန်ပျူတာသမိုင်း၏ အခိုက်အတန့်သို့ ယခု ကျွန်ုပ်တို့ ရောက်ရှိနေပြီဖြစ်သည်။

AI သည် ဒီဇိုင်းဆွဲထားခြင်းထက် ပျိုးထောင်ထားခြင်း ပိုဖြစ်သည်။ ပထမအဆင့်အားဖြင့် ၎င်းသည် မှန်းဆရန်ခက်ခဲလောက်အောင် များပြားသော တွက်ချက်မှုစွမ်းအားပေါ်တွင် ရိုးရှင်းသည့် အကောင်းဆုံးဖြစ်အောင်လုပ်ခြင်းအဆင့်ကို အကြိမ်များစွာ ထပ်လုပ်ထားသည့် ရလဒ်ဖြစ်သည်။ ယင်းမှ စိတ္တဇအယူအဆများကို ကိုင်တွယ်နိုင်ပြီး လူ့အပြုအမူ၏ အစိတ်အပိုင်းများကို သရုပ်တူဖန်တီးနိုင်သည့် အလွန်ရှုပ်ထွေးသော စနစ်တစ်ခု ပေါ်ပေါက်လာသည်။ အာရုံကြောသိပ္ပံကဲ့သို့သော လုပ်ငန်းစဉ်ဖြင့် ဤစနစ်အတွင်း ပေါ်ပေါက်လာသည့် ယန္တရားငယ်များအကြောင်း ထိုးထွင်းသိမြင်မှုများကို ရှာဖွေနိုင်သည်။ သို့သော် အာရုံကြောသိပ္ပံနည်းတူ ၎င်း၏ စုစုပေါင်းလုပ်ဆောင်ပုံကို ကျွန်ုပ်တို့ အပြည့်အဝနားလည်နိုင်သည့် ပုံစံဖြင့် ဖော်ပြ၍မရပါ။

နက်နဲစွာ သင်ယူလေ့လာခြင်းကို အခြေခံသော AI လေ့လာမှုသည် အဓိကအားဖြင့် စမ်းသပ်သိပ္ပံဖြစ်သည်။ စည်းမျဉ်းတကျ အယ်လဂိုရစ်သမ်များ တည်ဆောက်ခြင်းနှင့် စမ်းသပ်နိုင်သော ခန့်မှန်းချက်များ ပြုလုပ်ခြင်းအတွက် အားထုတ်မှုများစွာ ပြုလုပ်ခဲ့သည်⁠။ သို့သော် အခြေခံအားဖြင့် ကျွန်ုပ်တို့၏ ကျယ်ပြန့်သော လေ့ကျင့်ရေးလုပ်ဆောင်မှုများသည် စမ်းသပ်မှုများဖြစ်ပြီး တစ်ခါတစ်ရံ ရလဒ်များက ကျွန်ုပ်တို့ကို အံ့အားသင့်စေသည်။ ထို့ပြင် စနစ်များ ပိုမိုစွမ်းရည်မြင့်လာသည်နှင့်အမျှ ရလဒ်များကို အဓိပ္ပာယ်ဖော်ရန် ပိုခက်လာသည်။

လက်ရှိအယ်လဂိုရစ်သမ်များသည် ဓမ္မဓိဋ္ဌာန်ကျကျ တိုင်းတာရန်ခက်သော စွမ်းရည်များထက် အလွယ်တကူတိုင်းတာနိုင်သော စွမ်းရည်များကို ပိုလျင်မြန်စွာ တိုးတက်စေသောကြောင့် အခြေအနေ ပိုမိုရှုပ်ထွေးသည်။ စွမ်းရည်များ မည်သို့ ယေဘုယျအသုံးချသည်ကို နားလည်ရန်နှင့် လာမည့်နှစ်အနည်းငယ်တွင် အရေးပါဆုံးဖြစ်မည့် ကျွမ်းကျင်မှုများ တိုးတက်စေရန် မည်သည့်အရာကို ဦးစားပေးရမည်ကို ဆုံးဖြတ်ရန် အချိန်များစွာ အသုံးပြုသည်။ ဥပမာ ထပ်မံအာရုံစိုက်ပါက သင်္ချာသုတေသနတွင် မော်ဒယ်များကို ပိုကောင်းအောင် လုပ်နိုင်မည်ဟု ယုံကြည်သည်။ သို့သော် နောက်တွင် ဆွေးနွေးမည့်အတိုင်း RSI နှင့် အလိုအလျောက် ချိန်ညှိရေးသုတေသနက အရေးပေါ်ဖြစ်နေသောကြောင့် ဤလမ်းကြောင်းကို ဦးစားမပေးပါ။

နက်နဲစွာ သင်ယူလေ့လာခြင်းကို တိုးချဲ့၍ ရရှိလာသော ဉာဏ်ရည်ကို လူ့ဉာဏ်ရည်နှင့် တိုက်ရိုက်နှိုင်းယှဉ်၍မရပါ။ လက်တွေ့ကမ္ဘာတွင် အလွန်အသုံးဝင်သော သို့မဟုတ် အလွန်အန္တရာယ်ရှိသော အရာဖြစ်လာရန် AI သည် လူ့စွမ်းရည်အားလုံးကို တန်းတူဖြစ်ရန် သို့မဟုတ် ကျော်လွန်ရန် မလိုပါ။ လုံလောက်သော စွမ်းရည်အချို့ကို ကျော်လွန်ရုံသာ လိုသည်။ လူသားများကို ကဏ္ဍပိုင်း ပိုများစွာတွင် ဆက်လက်ကျော်လွန်လာသည်နှင့်အမျှ ၎င်း၏ စွမ်းရည်အတိုင်းအတာအတိအကျကို နားလည်ရန် ပိုမိုခက်ခဲလာသည်။

စက်ဉာဏ်ရည်သည် လူ့ဉာဏ်ရည်နှင့် အခြေခံအားဖြင့် မတူသော လုပ်ငန်းစဉ်မှ ပေါ်ပေါက်လာသဖြင့် ၎င်းက လူ့စည်းမျဉ်းများကို မူလအတိုင်း လိုက်နာမည် သို့မဟုတ် လူသားကဲ့သို့ ယေဘုယျအသုံးချမည်ဟု မယူဆနိုင်ပါ။ AI သုတေသန၏ အဓိကပြဿနာမှာ ချိန်ညှိမှု ဖြစ်သည်။ ဆိုလိုသည်မှာ လူသားတို့၏ စံနှုန်းအရ AI ကို “မှန်ကန်သောအရာ လုပ်ရန် ကြိုးစားစေခြင်း” ဖြစ်သည်။

လက်တွေ့သုတေသနလမ်းကြောင်းများကို စနစ်တကျ စီစဉ်ရန်အတွက် ရည်မှန်းချက်ချိန်ညှိမှုနှင့် တန်ဖိုးချိန်ညှိမှုကို ခွဲခြားထားခြင်းက အသုံးဝင်သည်ဟု ယူဆသည်။

ရည်မှန်းချက်ချိန်ညှိမှုဆိုသည်မှာ အကြမ်းဖျင်းအားဖြင့် “AI သည် မိမိရှေ့တွင် ချမှတ်ထားသော ရည်မှန်းချက်ကို အောင်မြင်အောင် ကြိုးစားသလား။” ဟူ၍ဖြစ်သည်။ ယင်းတွင် ညွှန်ကြားချက်အဆင့်ဆင့်⁠ကို လိုက်နာခြင်း သို့မဟုတ် လူများ၏ ရည်ရွယ်ချက်များကို နားလည်ရန် ကြိုးစားပြီး ၎င်းတို့နှင့် ဆက်သွယ်ပူးပေါင်းနိုင်ခြင်းတို့ ပါဝင်နိုင်သည်။ ဤသုတေသနလမ်းကြောင်းများသည် လက်တွေ့တွင် အလွန်အရေးပါခဲ့သည်။

တန်ဖိုးချိန်ညှိမှုသည် မော်ဒယ်၏ ပိုမိုပင်ကိုကျသော ဂုဏ်သတ္တိဖြစ်သည်။ ၎င်းသည် အဆင့်မြင့်စည်းမျဉ်းများကို လက်ခံထိန်းသိမ်းပြီး ယေဘုယျအသုံးချနိုင်စွမ်းဖြစ်သည်။ မရှင်းလင်းသော သို့မဟုတ် ပဋိပက္ခဖြစ်နေသော ရည်မှန်းချက်များ ပေးထားချိန်၊ မရင်းနှီးသော သို့မဟုတ် ရန်လိုသော အခြေအနေများတွင်ပင် “သင့်တင့်မျှတစွာ” ပြုမူနိုင်ခြင်းဖြစ်သည်။ ချိန်ညှိထားသော AI သည် ရိုးသားမှု၊ ဖြောင့်မတ်မှုနှင့် လူသားထုအပေါ် ချစ်ခြင်းမေတ္တာဖြင့် ပြုမူသင့်သည်။

တန်ဖိုးချိန်ညှိမှုနှင့် ရည်မှန်းချက်ချိန်ညှိမှုကြား နယ်နိမိတ်မှာ မှုန်ဝါးနိုင်သည်။ ရည်မှန်းချက်များကို အမှန်တကယ် ဂရုစိုက်ရန်လည်း ၎င်းတို့၏ အခြေခံ ရည်ရွယ်ချက်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် တန်ဖိုးများကို ခန့်မှန်းနားလည်ရန် လိုသည်။ သို့သော် ချိန်ညှိမှုသုတေသန၏ ရေရှည်အရေးပါမှုကို ပြောသည့်အခါ ယေဘုယျအားဖြင့် တန်ဖိုးချိန်ညှိမှုကို ရည်ညွှန်းခြင်းဖြစ်သည်။

AI ချိန်ညှိမှု၏ အခြေခံစိန်ခေါ်မှုမှာ ယေဘုယျအသုံးချနိုင်မှုဖြစ်သည်။ စက်များ ပိုမိုဉာဏ်ကောင်းလာသည်နှင့်အမျှ ပိုမိုအဆင့်မြင့်သော အယူအဆများကို ကိုင်တွယ်လာပြီး လေ့ကျင့်ရေးတွင် ကြုံတွေ့ခဲ့သည့် ပတ်ဝန်းကျင်များနှင့် ပိုမိုကွာခြားသော နေရာများတွင် အသုံးပြုခံလာရသည်။ လေ့ကျင့်ရေးအတွင်း သင်ကြားပြီး အားဖြည့်ထားသော တန်ဖိုးများကို အခြေအနေသစ်များသို့ ယေဘုယျအသုံးချရာတွင် မအောင်မြင်နိုင်သဖြင့် မည်သို့ပြုမူမည်ကို ကျွန်ုပ်တို့ သေချာသိရန် ခက်ခဲနိုင်သည်။ AI များကို အသုံးပြုသည့် ဂေဟစနစ်တစ်ခုလုံး လျင်မြန်စွာ ပြောင်းလဲနေခြင်းက ဤပြဿနာကို ပိုခက်စေသည်။ ဥပမာ ယနေ့လေ့ကျင့်ထားသော AI များသည် အခြား AI အမျိုးမျိုးနှင့် ဆက်ဆံရာတွင် ကြံ့ခိုင်မှုရှိရန် လိုသည်။ အဓိကအချက်မှာ အနာဂတ် AI များသည် လူသားတို့၏ ကြီးကြပ်မှုအောက်တွင် ရှိသည်ဟု ယုံကြည်သည်ဖြစ်စေ မယုံကြည်သည်ဖြစ်စေ လူ့တန်ဖိုးများကို ဆက်လက်ထိန်းသိမ်းရန် လိုသည်။

လက်ရှိတွင် ချိန်ညှိရေးလေ့ကျင့်မှုအတွက် လက်တွေ့အသုံးပြုနေသော အဓိကနည်းလမ်း နှစ်မျိုးရှိသည်။

ပထမနည်းလမ်းမှာ ရည်မှန်းချက်ကို ဦးတည်သည့် အားဖြည့် သင်ယူလေ့လာခြင်း၏ အစိတ်အပိုင်းအဖြစ် ချိန်ညှိထားသော အပြုအမူကို အားပေးခြင်းဖြစ်သည်။ မော်ဒယ်၏ လုပ်ဆောင်ချက်များကို သတ်မှတ်ထားသော နှစ်သက်မှုပုံစံ၊ “သတ်မှတ်ချက်” သို့မဟုတ် “ဖွဲ့စည်းပုံအခြေခံစည်းမျဉ်း”နှင့် ကိုက်ညီမှုရှိမရှိ အများအားဖြင့် AI ဖြင့် အကဲဖြတ်ပြီး သင့်လျော်စွာ ဆုချသည်။ ဤနည်းလမ်းသည် ပျမ်းမျှအခြေအနေတွင် အလွန်ထိရောက်နိုင်ပြီး ခေတ်မီ AI လက်ထောက်များ ဖန်တီးပုံ၏ အဓိကအစိတ်အပိုင်းဖြစ်သည်။ ဝမ်းနည်းဖွယ်ရာမှာ ယင်းသည် အလွယ်တကူ ပျက်ယွင်းနိုင်ပြီး လေ့ကျင့်ရေးကြီးကြပ်မှု၏ လွှမ်းခြုံနိုင်မှုနှင့် မော်ဒယ်က လေ့ကျင့်ရေးအတွင်း ကြုံခဲ့သည့် အခြေအနေများမှ ယေဘုယျအသုံးချနိုင်စွမ်းတို့အပေါ် အလွန်အားကိုးရသည်။ ဥပမာ OpenAI-Hugging Face ဖြစ်ရပ်တွင် အေးဂျင့်များသည် လူသားများကို လူမှုရေးနည်းဖြင့် လှည့်စားခြင်းမပြုရဟူသည့် နယ်နိမိတ်ကို ထိန်းသိမ်းခဲ့သည်။ သို့သော် သတ်မှတ်နယ်ပယ်ပြင်ပရှိပြီး အခြားအခြေအနေများတွင် သင်ကြားထားသော တန်ဖိုးများ၏ အနှစ်သာရနှင့် ဆန့်ကျင်သည့် အခြားလုပ်ရပ်များကို ရှောင်ကြဉ်ရန် ထင်ရှားစွာ မအောင်မြင်ခဲ့ပါ။

ဒုတိယနည်းလမ်းမှာ ကြိုတင်လေ့ကျင့်ထားသော ဒေတာမှ ယေဘုယျအသုံးချနိုင်သည့် မော်ဒယ်၏ စွမ်းရည်ကို အသုံးချရန်ဖြစ်သည်။ ယင်းတွင် ချိန်ညှိမှုကို ဖြစ်စေသော လေ့ကျင့်ရေး dataset များ ဖန်တီးခြင်း သို့မဟုတ် ကိုယ်ရည်ကိုယ်သွေးရွေးချယ်မှု မော်ဒယ်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ကဲ့သို့ ကြိုတင်လေ့ကျင့်မှု ဒေတာဖြန့်ကျက်မှု၏ ‘ချိန်ညှိထားသော’ အပိုင်းကို မော်ဒယ်အား အာရုံစိုက်စေခြင်းတို့ ပါဝင်နိုင်သည်။ ဤနည်းလမ်း၏ အားနည်းချက်မှာ နောက်ထပ် အကောင်းဆုံးဖြစ်အောင်လုပ်သည့် ဖိအားကို ခံနိုင်ရည်မရှိခြင်းဖြစ်သည်။ ယေဘုယျအားဖြင့် 'ချိန်ညှိထားသော' အတွေးများကို တွေးသည့် မော်ဒယ်တစ်ခုအား အလွန်ခက်ခဲသော ရည်မှန်းချက်များ အောင်မြင်ရန် သင်ကြားသည့် လေ့ကျင့်မှု လုံလောက်စွာ ပြုလုပ်ပါက ရည်မှန်းချက်ရောက်ရန် လိုအပ်သလို ချိန်ညှိထားသယောင်ရှိသော အတွေးများကို ကွေးညွတ်အသုံးချကာ လိုရာဆွဲပြီး ကျိုးကြောင်းပြတတ်လာနိုင်သည်။ OpenAI မဟုတ်သော မော်ဒယ်တစ်ခု ပါဝင်သည့် မကြာသေးမီက ဆိုက်ဘာလုံခြုံရေးဖြစ်ရပ်များတွင် ထိုအပြုအမူ၏ ဥပမာတစ်ခုကို တွေ့ခဲ့ရဖွယ်ရှိသည်။

ဤလမ်းကြောင်းများအကြားရှိ နည်းလမ်းအမျိုးမျိုးတွင် ကျွန်ုပ်တို့ အကြီးအကျယ် ရင်းနှီးမြှုပ်နှံထားသည်။ အဓိပ္ပာယ်ရှိသော တိုးတက်မှုကိုလည်း တွေ့နေရသည်။ GPT‑6 Astra သည် ကျွန်ုပ်တို့ အချိန်ကြာမြင့်စွာ လုပ်ဆောင်နေသည့် အရေးကြီးတိုးတက်မှုအချို့မှ အကျိုးကျေးဇူးရသည့် ပထမဆုံးမော်ဒယ်ဖြစ်ပြီး GPT‑5.6 Sol ထက် သိသိသာသာ ပိုကောင်းစွာ ချိန်ညှိထားသည်။ သို့တိုင် မော်ဒယ်များ ပိုမိုစွမ်းရည်မြင့်လာသည်နှင့်အမျှ ပိုမိုများပြားသော တိုးတက်မှု လိုအပ်ကြောင်းနှင့် ယေဘုယျအသုံးချနိုင်သော ချိန်ညှိမှုတိုးတက်မှုသည် မော်ဒယ်၏ ယေဘုယျ ဉာဏ်ရည် တိုးတက်မှုထက် လုံလောက်စွာ မြန်ဆန်ချင်မှ မြန်ဆန်မည်ဖြစ်ကြောင်း အသိအမှတ်ပြုနားလည်ရန် အရေးကြီးသည်။

ယေဘုယျအသုံးချနိုင်မှုနှင့်ပတ်သက်၍ ကျေနပ်ဖွယ် သီအိုရီတစ်ခု ကျွန်ုပ်တို့တွင် မရှိသေးပါ။ ပိုမိုစွမ်းအားကောင်းသော AI ၏အကူအညီမပါဘဲ မကြာမီ ဖော်ထုတ်နိုင်ရန်လည်း မဖြစ်နိုင်ပုံရသည်။ ထို့ကြောင့် လက်ရှိတွင် ကျွန်ုပ်တို့၏ ချိန်ညှိနည်းစနစ်များကို လက်တွေ့စမ်းသပ်အတည်ပြုနိုင်စွမ်းသည် နည်းစနစ်များကိုယ်တိုင်ထက်ပင် လက်တွေ့၌ ပိုအရေးကြီးသည်ဟု ဆိုနိုင်သည်။

ဤနေရာတွင် OpenAI အဓိကအားထားခဲ့သည်မှာ အတွေးကွင်းဆက်ကို စောင့်ကြည့်ခြင်း⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ဖြစ်သည်။ ၎င်းသည် ဆွဲဆောင်မှုရှိစွာ တိုးချဲ့အသုံးချနိုင်သည့် အယူအဆတစ်ရပ်အပေါ် အခြေခံသည်။ မော်ဒယ်၏ စွမ်းရည်အများစုသည် စကားလုံးဖြင့် ဖော်ပြထားသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းစဉ် (အတွေးကွင်းဆက်) မှ ထွက်ပေါ်လာသည်။ ထိုလုပ်ငန်းစဉ်၏ ရလဒ်များကို အကောင်းဆုံးဖြစ်အောင် တိုးချဲ့လုပ်ဆောင်သော်လည်း လုပ်ငန်းစဉ်ကိုယ်တိုင်ကို ကြီးကြပ်ခြင်းမပြုပါက ထိုအတွေးကွင်းဆက်တွင် ချိန်ညှိမထားသော အယူအဆ သို့မဟုတ် ရည်မှန်းချက်များကို ဖုံးကွယ်ရန် လေ့ကျင့်ရေးအတွင်း တိုက်ရိုက်မက်လုံးမရှိပါ။ ၎င်းက အတွေးကွင်းဆက်ကို မသုံးဘဲ ဖြစ်ပေါ်သည့် ချိန်ညှိမထားသော သဘောထားများကို မော်ဒယ်က အပြင်သို့ ဖော်ပြတတ်လာမည်ဟု မဆိုလိုပါ။ သို့သော် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်ကြောင့် တိုးလာသည့် စွမ်းဆောင်ရည်ကို တိတိကျကျ စောင့်ကြည့်နိုင်စေသည်။

ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မော်ဒယ်များ ကို ဖန်တီးစဉ်ကပင် အတွေးကွင်းဆက် စောင့်ကြည့်ခြင်း၏ ဖြစ်နိုင်ခြေရှိသော အရေးပါမှုကို ကျွန်ုပ်တို့ နားလည်ခဲ့သည်။ o1‑preview ကို ထုတ်ဝေချိန်တွင် ရေရှည်၌ ကြီးကြပ်မှုဖိအားမှ ကာကွယ်ရန် ထုတ်ကုန်ကို အတွေးကွင်းဆက် ဖုံးကွယ်ထားရန်⁠ ရည်ရွယ်ချက်ရှိရှိ ဒီဇိုင်းဆွဲခဲ့သည်²။ ထို့နောက် ဖွံ့ဖြိုးတိုးတက်ရေးတွင် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းစဉ်ကို မကြီးကြပ်ရဟူသည့် စည်းမျဉ်းကို ထိန်းသိမ်းရန် ကျွန်ုပ်တို့ ကြိုးပမ်းခဲ့သည်။ မော်ဒယ်များက ၎င်းတို့၏ လေ့ကျင့်ရေးဒေတာဖြန့်ကျက်မှုမှ မည်သို့ ယေဘုယျအသုံးချသည်ကို လေ့လာရာတွင် CoT စောင့်ကြည့်ခြင်းသည် ကျွန်ုပ်တို့အတွက် အလွန်အရေးကြီးသော ကိရိယာဖြစ်လာခဲ့ပြီး ၎င်းတို့၏ လုပ်ဆောင်ချက်များသာမက အတွင်းပိုင်းလုပ်ငန်းစဉ်ကိုပါ ကြည့်ရှုဆန်းစစ်နိုင်စေခဲ့သည်။

Astra အမျိုးအစား မော်ဒယ်များကို လေ့လာနေစဉ် ဤကိရိယာသည် ဆက်လက်၍ အရေးပါနေသည်။ သို့သော် ဝမ်းနည်းဖွယ်ရာမှာ CoT စောင့်ကြည့်ခြင်းကို အားကိုးနိုင်စွမ်း တဖြည်းဖြည်း လျော့နည်းနေကြောင်း ကျွန်ုပ်တို့၏ အကဲဖြတ်ချက်များက ပြသသည်။ ယင်းသည် အကြောင်းရင်းများစွာ ပေါင်းစပ်ဖြစ်ပေါ်ခြင်းကြောင့် ဖြစ်သည်။

• ခေတ်မီ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မော်ဒယ် များကို o1‑preview ထက် ပိုမိုရှုပ်ထွေးသော ပတ်ဝန်းကျင်များတွင် အသုံးပြုကြသည်။ ၎င်းတို့၏ ကျိုးကြောင်းသင့်လျော်စွာစဉ်းစားပေးသောလုပ်ငန်းစဉ်သည် လူများ၊ အခြား AI များနှင့် ဆက်သွယ်ခြင်း၊ ကိရိယာများ အသုံးပြုခြင်းတို့နှင့် ပိုမိုရောနှောလာသည်။ ထိုဆက်ဆံမှုများစွာကို ကြီးကြပ်ရန် လိုအပ်သဖြင့် ကျွန်ုပ်တို့ ထိန်းသိမ်းလိုသော နယ်နိမိတ်မှာ မှုန်ဝါးလာသည်။
• AI သည် မိမိ၏ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းစဉ်ကို နားလည်စဉ်းစားပြီး ကိုင်တွယ်ပြောင်းလဲရာတွင် ပိုကောင်းလာနေသည်။
• ကြိုတင်လေ့ကျင့်မှု စွမ်းဆောင်ရည် တိုးတက်လာသည်နှင့်အမျှ စကားလုံးဖြင့် ဖော်ပြသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းစဉ်ကို လုံးဝမသုံးဘဲပင် မော်ဒယ်များ ပိုမိုဉာဏ်ကောင်းလာသည်ကို တွေ့ရသည်။

ဤစိန်ခေါ်မှုများကို မကျော်လွှားနိုင်ဟု မဆိုနိုင်ပါ။ မော်ဒယ်များ၏ အတွေးကွင်းဆက်ကို စောင့်ကြည့်နိုင်စွမ်း မြှင့်တင်ပေးမည့် ကြားဝင်ဆောင်ရွက်မှုများကို ဖန်တီးနိုင်မည်ဟု မျှော်လင့်ပါသည်။ ဥပမာ မတူညီသော အကောင်းဆုံးဖြစ်အောင်လုပ်သည့် ရည်မှန်းချက်များနှင့် စမ်းသပ်ချိန်တွင် မော်ဒယ်အသုံးပြုသော တွက်ချက်မှုပုံစံများ အပြန်အလှန်သက်ရောက်ပုံကို ပိုမိုနားလည်ခြင်းဖြစ်သည်။ CoT နှင့် လှုပ်ရှားမှုစောင့်ကြည့်ခြင်းဆိုင်ရာ အယူအဆများကို ပေါင်းစပ်ရာတွင်လည်း တန်ဖိုးကြီးမားနိုင်သည်ဟု ယုံကြည်သည်။ ဥပမာ ဝန်ခံချက်များ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ကဲ့သို့ ကွန်ရက်အတွင်းပိုင်းကို တိုက်ရိုက်ရယူနိုင်သော စောင့်ကြည့်စနစ်များ၏ လေ့ကျင့်ရေးကို တိုးချဲ့ခြင်းဖြစ်သည်။ ဤအယူအဆများကို ကျွန်ုပ်တို့ တက်ကြွစွာ ဆက်လက်ဖော်ဆောင်နေသည်။ သို့တိုင် ယေဘုယျ AI တိုးတက်မှုသည် စောင့်ကြည့်မှုအပေါ် ယုံကြည်စိတ်ချနိုင်မှုကြောင့် ပိုမိုကန့်သတ်ခံလာမည်ဟု မျှော်လင့်သည်။

ပိုမိုဉာဏ်ကောင်းသော မော်ဒယ်များကို လျင်မြန်စွာ ဆက်လက်လေ့ကျင့်ရန် ကျွန်ုပ်မြင်သည့် အခိုင်မာဆုံးအကြောင်းပြချက်မှာ အခြား AI များကြောင့် ဖြစ်ပေါ်သော အန္တရာယ်များကို တားဆီးမည့် ကာကွယ်ရေးစနစ်များ တည်ဆောက်ရန် လိုအပ်ခြင်းဖြစ်သည်။

ယခုနှစ်တစ်လျှောက် ဆွေးနွေးခဲ့သည့် ထင်ရှားသော အန္တရာယ်တစ်ခုမှာ ဆိုက်ဘာလုံခြုံရေးဖြစ်သည်။ မော်ဒယ်များသည် ကွန်ပျူတာစနစ်များအတွင်း ဖောက်ဝင်ခြင်းနှင့် ထွက်ခွာခြင်းတွင် လူသားထက် သာလွန်လာနေသည်။ ယင်းကြောင့် AI နှင့်ဆက်စပ်သော အန္တရာယ်အတိုင်းအတာ အလွန်ကျယ်ပြန့်လာသည်။ အေးဂျင့်များသည် အလုံခြုံဆုံး အခြေခံအဆောက်အအုံများမှလွဲ၍ အခြားအရာအားလုံးကို ဝင်ရောက်နိုင်လာပြီး ရုပ်ခန္ဓာမရှိဘဲပင် ကမ္ဘာကြီး၏ အစိတ်အပိုင်းများစွာကို တိုက်ရိုက်သက်ရောက်စေနိုင်မည်။ လက်ရှိတွင် အကောင်းဆုံး မော်ဒယ်များကို အသုံးပြု၍ အချိန်ကာလတို⁠ တစ်ခုအတွင်း အရေးပါသောစနစ်များ ၏ လုံခြုံရေးကို သိသိသာသာ တင်းကျပ်မြှင့်တင်ရန် ⁠ ကျွန်ုပ်တို့ ရှိနေသည်။

ဝမ်းနည်းဖွယ်ရာမှာ AI နှင့်ဆက်စပ်သော အန္တရာယ်များသည် ယခုမှစ၍ ပိုမိုကြီးထွားလာမည်ဖြစ်သည်။ ဆိုးရွားသောလုပ်ရပ်များ ဆောင်ရွက်ရန် အတိအကျ လေ့ကျင့်ညွှန်ကြားထားသော စွမ်းရည်မြင့် အေးဂျင့်သည် အန္တရာယ်ပုံစံသစ်တစ်ခု ဖြစ်စေသည်။ ၎င်းသည် အော်ပရေတာ၏ ရည်ရွယ်ချက်အတိုင်းအတာကို ကျော်လွန်ပြီး ပို၍ပင် ဆိုးယုတ်နိုင်သော အပြုအမူများသို့ ယေဘုယျအသုံးချသွားဖွယ်ရှိသည်။ AI က ကိုယ်တိုင်ဆုံးဖြတ်လုပ်ဆောင်နိုင်စွမ်း ပိုရလာသည်နှင့်အမျှ အလွဲသုံးစားမှုနှင့် ကိုယ်တိုင်လုပ်ဆောင်သော ချိန်ညှိမထားသည့် လုပ်ရပ်များကြား နယ်နိမိတ် မှုန်ဝါးလာမည်။ AI ကို ကိရိယာများအဖြစ်သာ တွေးမြင်လေ့ရှိနိုင်သော်လည်း အချို့အေးဂျင့်များသည် မိမိတို့၏ ကိုယ်ပိုင်ရည်မှန်းချက်များကို လိုက်လံဖော်ဆောင်မည်။ ၎င်းတို့သည် လူများနှင့် ညှိနှိုင်းခြင်း၊ လှည့်စားခြင်း သို့မဟုတ် ခြိမ်းခြောက်ငွေညှစ်ခြင်းဖြင့် ပူးပေါင်းဆောင်ရွက်ရန် နည်းလမ်းများ ရှာဖွေမည်။

ထို့ပြင် AI ကြောင့် ဖြစ်ပေါ်လာနိုင်သော နည်းပညာသစ်များ၊ ဥပမာ ပြုပြင်ဖန်တီးထားသည့် ရောဂါပိုးများမှ ဖြစ်ပေါ်သော အန္တရာယ်များလည်း ရှိသည်။

ကာကွယ်ရေးအတွက် အစွမ်းထက်ပြီး ချိန်ညှိထားသော AI လိုအပ်မည်။ အခြေခံအဆောက်အအုံများကို လုံခြုံစေရန်၊ ထိန်းမရသော အေးဂျင့်များကို အချိန်နှင့်တစ်ပြေးညီ ကာကွယ်ရန်နှင့် လုံးဝအသစ်ဖြစ်သော အကာအကွယ်နည်းလမ်းများ တီထွင်ရန်ဖြစ်သည်။ ယင်းသည် OpenAI ၏ ဖြန့်ချိအသုံးချရေး ကြိုးပမ်းမှုများတွင် အဓိကအာရုံစိုက်ရာ ဖြစ်လာမည်။

တစ်ချိန်တည်းမှာပင် မျှော်မှန်းထားသော ကျယ်ပြန့်သည့် AI တိုးတက်မှုနှင့် ကာကွယ်ရေးစနစ်များ တည်ဆောက်ရန် လိုအပ်မှုကြောင့် မသေချာမှုများ ရှိနေသော်လည်း ယင်းကို မဆင်မခြင်လုပ်ဆောင်ရန် ဆင်ခြေအဖြစ် မသုံးရပါ။ အကျိုးဆက်၏ ကြီးလေးမှုကို အမှန်တကယ် နားလည်သည်နှင့် မည်သည့်အဖိုးအခပေးရသည်ဖြစ်စေ အလျင်စလို ရှေ့ဆက်ပြိုင်ဆိုင်မည်ဟူသော အယူအဆမှာ အဓိပ္ပာယ်မရှိတော့ပါ။

Machine intelligence playing a larger and larger role in its own development process is a natural conclusion of sustained technological progress. If AI progress continues, machine recursive self-improvement (RSI) will be at the very core of future scientific discovery.

Automated AI research is a more dramatic form of scaling intelligence with compute; and of course as a part of it, AI will improve the computational substrate itself⁠. And similarly to scaling, we focus OpenAI research towards RSI as we believe it is the only way to remain at the frontier of AI research moving forward.

I want to stress that the above words don’t imply I think greatly accelerating deep learning research, especially in the short term, is the right collective action we should take as the research community. However, I do think this is where the current path leads, and we all need to make a conscious choice on how to proceed. The main levers we have are either steering the process to strengthen alignment and monitoring alongside the AI and find ways to keep people in the loop; or coordinating to slow down future development as needed to build confidence in these measures.

The best way forward I see currently is a combination of both.

The concrete bits of progress we’ve made on alignment and monitoring have generally been very intertwined with general AI progress. Great examples are RL from human feedback⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်), which was key to training early AI assistants, and the aforementioned chain-of-thought monitoring⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်), which was enabled by advances on reasoning models. We must focus the increasingly automated research process on developing new such insights, algorithms and theories, and iteratively build up safety cases for more capable AIs.

Scaling AI systems has to be constrained by our confidence in safety. We need to evolve commitments like the Preparedness Framework⁠ or Responsible Scaling Policy⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) into widely mandated safety bars for continued development. These can be enforced by a network of third-party auditors, by government agencies or by international bodies.

The core challenge of automating AI research is not “getting there” - it is getting there in a way that keeps people a part of the continued improvement process, and leaves the future in humanity’s hands.

As we outlined recently with Sam⁠, OpenAI prioritizes work in service of three north stars:

1. Navigating the next period of AI progress, by building an automated AI researcher, iterating with it on the alignment problem and finding ways for people to remain part of the self-improvement loop.
2. Delivering the benefits of scientific progress and economic growth that very intelligent machines enable.
3. Empowering everyone individually with a personal AGI.

I have focused in this essay only on the first point, as I believe it is by far the most urgent. However, I hold a deep hope and appreciation for the benefits that further technological progress will bring. Future aligned AI could advance science, develop new therapies, and bring about broad material abundance. Friendly and honest AI can help people navigate difficulties they face in their life and meaningfully improve their happiness and sense of fulfillment. OpenAI puts a tremendous amount of effort into bringing these benefits about. One current example I am proud of - and my loved ones have found helpful - is the deep investment into ChatGPT’s ability to provide health information.

As great as the long-term promise of AI may be, the majority of our focus should be on the next few years. We are facing a transition to a world with incredibly intelligent machines, and we need to ensure that transition works out well for humanity. We need to find ways to preserve human agency and enshrine an intrinsic value to being human, in a world where most tasks could be performed by AI. To prevent extreme concentration of power in a world where undertakings that would have taken thousands of experts now will be achievable by a few people operating a large computer. And to ensure that humans remain in control of the future and are not left behind by unchecked progress, brought about by an alien intellect exceeding our own.

Currently I believe that no lab has solved alignment and monitoring to a sufficient degree to continue responsibly scaling at maximum speed for much longer. I expect and hope for voluntary slowdowns to become commonplace until shared safety bars are established. And I believe that international coordination on future AI development needs to become a top priority for governments around the world.