ਮੁੱਖ ਸਮੱਗਰੀ 'ਤੇ ਜਾਓ
OpenAI

3 ਮਾਰਚ 2022

ਪ੍ਰਕਾਸ਼ਨ

ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਖੋਜ ਐਜੰਡਾ

ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਖੋਜ ਐਜੰਡਾ
ਲੋਡ ਹੋ ਰਿਹਾ ਹੈ…

ਸਾਰ

OpenAI ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਖੋਜ ਪ੍ਰੋਗਰਾਮ ਵਿਕਸਿਤ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਬਾਹਰੀ ਖੋਜਕਰਤਿਆਂ ਨਾਲ ਸਹਿਯੋਗ ਲਈ ਸੱਦਾ ਦੇ ਰਿਹਾ ਹੈ. ਕੋਡ ਉੱਤੇ ਤਰਬੀਅਤ ਪ੍ਰਾਪਤ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ (LLMs) ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਤੇਜ਼ ਤਰੱਕੀ ਨੇ ਵਿਅਕਤੀਆਂ, ਫਰਮਾਂ ਅਤੇ ਸਮਾਜ ਉੱਤੇ ਉਨ੍ਹਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨਾ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਣ ਬਣਾ ਦਿੱਤਾ ਹੈ. Codex – OpenAI ਵੱਲੋਂ GitHub ਤੋਂ ਸਰਵਜਨਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਕੋਡ ਦੀਆਂ ਅਰਬਾਂ ਲਾਈਨਾਂ ਉੱਤੇ GPT‑3 ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਕੇ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਇੱਕ LLM – ਨੇ ਮੁਲਾਂਕਣ ਸਮੱਸਿਆਵਾਂ ਦੇ ਇੱਕ ਨਮੂਨੇ ਵਿੱਚ 28.8% ਵਾਰ ਕਾਰਗੁਜ਼ਾਰੀ ਪੱਖੋਂ ਸਹੀ ਕੋਡ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦਿਖਾਈ ਹੈ (Chen et al. 2021). ਇਸ ਦੇ ਕੋਡਿੰਗ ਦੇ ਭਵਿੱਖ ਅਤੇ ਇਸ 'ਤੇ ਨਿਰਭਰ ਉਦਯੋਗਾਂ ਦੀ ਅਰਥਵਿਵਸਥਾ ਲਈ ਮਹੱਤਵਪੂਰਣ ਅਰਥ ਹੋ ਸਕਦੇ ਹਨ. ਇਸ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ, ਅਸੀਂ ਨੀਤੀ-ਨਿਰਧਾਰਕਾਂ, ਫਰਮਾਂ ਅਤੇ ਜਨਤਾ ਲਈ ਰੁਚਿਕਰ ਆਰਥਿਕ ਕਾਰਕਾਂ ਉੱਤੇ Codex ਦੇ ਪ੍ਰਭਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਖੋਜ ਐਜੰਡਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ. ਅਸੀਂ ਇਸ ਖੋਜ ਐਜੰਡੇ ਦੇ ਹੱਕ ਵਿੱਚ ਦਲੀਲ ਦਿੰਦੇ ਹਾਂ, ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਲਈ ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਸੰਭਾਵਿਤ ਵਿਸ਼ਾਲ ਲਾਗੂਯੋਗਤਾ, ਮਾਡਲ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਤਰੱਕੀ ਨਾਲ ਹੋਰ LLMs ਵੱਲੋਂ ਮਹੱਤਵਪੂਰਣ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ, ਅਤੇ ਭਵਿੱਖ ਦੇ ਮਾਡਲਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਬਾਰੇ ਖੋਜ ਲਈ ਲਾਗੂ ਹੋ ਸਕਣ ਵਾਲੇ ਸਬੂਤ ਅਤੇ ਕਾਰਜ-ਵਿਧੀਆਂ ਸਥਾਪਿਤ ਕਰਨ ਵਿੱਚ Codex ਦੀ ਵਰਤੋਂ ਦੇ ਮੁੱਲ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਾਂ. ਅਸੀਂ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ ਕਿ ਅਕਾਦਮਿਕ ਅਤੇ ਨੀਤੀ ਖੋਜ ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਅਤੇ ਹੋਰ LLMs ਦੇ ਅਧਿਐਨ ਉੱਤੇ ਕੇਂਦਰਿਤ ਹੋਵੇ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਬਾਰੇ ਸਬੂਤ ਤਿੰਨ ਮੁੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਫੈਸਲਾ-ਲੈਣ ਨੂੰ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਣ: ਡਿਪਲੌਇਮੈਂਟ ਨੀਤੀ, AI ਸਿਸਟਮ ਡਿਜ਼ਾਇਨ, ਅਤੇ ਸਰਕਾਰੀ ਨੀਤੀ. ਇਸ ਖੋਜ ਨੂੰ ਦਿਸ਼ਾ ਦੇਣ ਲਈ, ਅਸੀਂ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਦੇ ਖੇਤਰ ਅੰਦਰ ਛੇ ਪ੍ਰਾਥਮਿਕ ਨਤੀਜਾ ਖੇਤਰਾਂ ਦੀ ਰੂਪਰੇਖਾ ਦਿੰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਅਸੀਂ Codex ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੇ ਹਾਂ: ਉਤਪਾਦਕਤਾ, ਰੁਜ਼ਗਾਰ, ਹੁਨਰ ਵਿਕਾਸ, ਫਰਮਾਂ-ਵਿਚਕਾਰ ਮੁਕਾਬਲਾ, ਉਪਭੋਗਤਾ ਕੀਮਤਾਂ, ਅਤੇ ਆਰਥਿਕ ਅਸਮਾਨਤਾ. ਹਰ ਖੇਤਰ ਲਈ, ਅਸੀਂ ਇਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਉੱਤੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਪ੍ਰਭਾਵਾਂ ਬਾਰੇ ਪਿਛਲੇ ਸਾਹਿਤ ਦੀ ਸੰਖੇਪ ਵਿੱਚ ਚਰਚਾ ਕਰਦੇ ਹਾਂ, ਉਹ ਪ੍ਰਸ਼ਨ ਵੇਰਵਾ ਕਰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਉੱਪਰ ਦਰਸਾਏ ਤਿੰਨ ਫੈਸਲਾ-ਲੈਣ ਵਾਲੇ ਖੇਤਰਾਂ ਲਈ ਮੁੱਖ ਇਨਪੁੱਟ ਮੰਨਦੇ ਹਾਂ, ਅਤੇ Codex ਨਾਲ ਕੀਤੀ ਜਾ ਸਕਣ ਵਾਲੀ ਖੋਜ ਦੇ ਉਦਾਹਰਨ ਦਿੰਦੇ ਹਾਂ. ਇਸ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਐਜੰਡੇ ਤੋਂ ਅੱਗੇ ਬਣਦੇ ਕੰਮ ਨੂੰ ਗਤੀ ਦੇਣ ਲਈ, ਅਸੀਂ ਬਾਹਰੀ ਖੋਜਕਰਤਿਆਂ ਵੱਲੋਂ OpenAI ਦੇ ਖੋਜਕਰਤਿਆਂ ਅਤੇ ਗਾਹਕਾਂ ਨਾਲ ਮਿਲਕੇ ਕੋਡ ਜਨਰੇਸ਼ਨ ਮਾਡਲਾਂ ਅਤੇ ਹੋਰ LLMs ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਹੋਰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮਾਪਣ ਲਈ ਸਹਿਯੋਗ ਕਰਨ ਵਾਸਤੇ ਇੱਕ ਰੁਚੀ ਪ੍ਰਗਟਾਵਿਆਂ ਲਈ ਸੱਦੇ ਦਾ ਐਲਾਨ ਕਰ ਰਹੇ ਹਾਂ.

ਲੇਖਕ, ਸਮਾਨ ਯੋਗਦਾਨ

Sam Manning (OpenResearch)Pamela Mishkin (OpenAI)

ਲੇਖਕ

Gillian Hadfield (University of Toronto)Tyna Eloundou (OpenAI)Emily Eisner (University of California, Berkeley)