Budowanie powszechnie dostępnej inteligencji

Infrastruktura AI nie jest wartościowa tylko dlatego, że jest rozbudowana. Jej wartość wynika z tego, co umożliwia: bardziej zaawansowaną inteligencję, dostępną dla większej liczby osób i przy niższych kosztach.

Tak właśnie rozumiem powszechną dostępność. Jest ona wpisana zarówno w naszą misję — zapewnienie, by ogólna sztuczna inteligencja przynosiła korzyści całej ludzkości — jak i w mechanizm ekonomiczny napędzający naszą działalność.

Gdy spada koszt użytecznej inteligencji, podejmowanie kolejnych działań staje się opłacalne, a gdy modele zyskują większe możliwości, działania te generują większą wartość. Wraz ze wzrostem popularności ich działania zyskujemy przychody, informacje zwrotne o praktycznych zastosowaniach oraz wiedzę o popycie, dzięki której możemy dalej inwestować w kolejną generację badań i infrastruktury.

Lepsza inteligencja sprzyja szerszemu adaptację. Szersza adaptacja pozwala zwiększać inwestycje. Większe inwestycje ulepszają inteligencję i wydajność. To jest właśnie cykl, jaki tworzymy.

Nasz niedawny komunikat o cenach pokazuje, jak szybko ten cykl przynosi korzyści klientom. Wczoraj obniżyliśmy cenę GPT‑5.6 Luna o 80 procent, a GPT‑5.6 Terra o 20 procent. Luna kosztuje teraz 0,20 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych, a Terra — odpowiednio 2 USD i 12 USD.

W przypadku GPT‑5.6 Sol Tryb szybki zapewnia nawet 2,5-krotnie większą szybkość niż standardowe przetwarzanie za dwukrotnie wyższą cenę, bez zmiany poziomu inteligencji.

Nie są to zwykłe zmiany w cenniku. One poszerzają zakres zadań, których realizacja staje się praktyczna, i dają klientom większą swobodę w równoważeniu inteligencji, szybkości, niezawodności i kosztów.

Właściwe pytanie nie brzmi: który model pasuje do danego zadania? Należy pytać, jakiego poziomu inteligencji wymaga oczekiwany rezultat, jak szybko jest ona potrzebna i ile powinno kosztować jego osiągnięcie. Ta równowaga może zmieniać się wielokrotnie w ramach jednego procesu pracy.

Klienci nie kupują tokenów dla samych tokenów. Chcą rozwiązania problemu pomocy technicznej, wydania oprogramowania, przeanalizowania umowy lub odpowiedzi na pytanie naukowe. Właściwą miarą jest koszt osiągnięcia oczekiwanego rezultatu, obejmujący czas, ponowne próby, nadzór i błędy.

Bardziej zaawansowany model, który wykonuje pracę prawidłowo i sprawnie, może ostatecznie okazać się bardziej ekonomiczny niż tańszy model wymagający wielokrotnych prób lub znacznej ingerencji człowieka. Z kolei tańszy model może znacząco zwiększyć dostępność, jeśli spełnia te same wymagania jakościowe. Szansa polega na zastosowaniu maksymalnego użytecznego poziomu inteligencji w odpowiedniej cenie.

Zapewnienie tej wartości wymaga czegoś więcej niż budowy kolejnych centrów danych. Trzeba zwiększać produktywność każdej jednostki mocy obliczeniowej.

Nasze niedawne prace inżynieryjne pokazują, jak wygląda to w praktyce. GPT‑5.6 Sol, współpracując z naszymi zespołami technicznymi, pomógł zoptymalizować oprogramowanie produkcyjne służące do udostępniania naszych modeli, obniżając całkowite koszty ich obsługi o 20 procent. Pomógł również udoskonalić dekodowanie spekulatywne, zwiększając wydajność generowania tokenów o ponad 15 procent.

Co równie ważne, wydajność nie zależy wyłącznie od samego modelu. Znaczenie ma także otaczający go system. Lepsze kierowanie zadań zapewnia produktywne wykorzystanie sprzętu. Inteligentniejsze zarządzanie kontekstem zapobiega powtarzaniu pracy przez agentów. Skuteczniejsze narzędzia i projektowanie produktów zmniejszają liczbę kroków potrzebnych do wykonania zadania.

W niedawnej analizie porównawczej usprawnienia w zachowywaniu toku rozumowania i zarządzaniu kontekstem podniosły wynik GPT‑5.6 Sol w publicznym zestawie zadań ARC-AGI-3 z 13,3 do 38,3 procent przy sześciokrotnie mniejszej liczbie tokenów wyjściowych. Model się nie zmienił. Zmienił się otaczający go system.

Korzyści te wzajemnie się wzmacniają. Bardziej zaawansowane modele pomagają naszym zespołom odkrywać nowe sposoby zwiększania wydajności. Te usprawnienia obniżają koszty obsługi klientów i poszerzają zakres pracy, który możemy realizować za pomocą tej samej infrastruktury. To z kolei zwiększa dostępność kolejnej generacji inteligencji.

Korzyść z działania na wszystkich poziomach — infrastruktury, modeli, platformy i produktów — nie polega jedynie na naszej obecności w każdym z nich. Każdy z tych poziomów udoskonala pozostałe.

Rzeczywisty sposób korzystania z produktów pokazuje nam, co klienci cenią najbardziej i gdzie napotykają trudności. Uzyskane w ten sposób informacje zwrotne wyznaczają kierunek naszych badań. Postępy badawcze udoskonalają nasze produkty i obniżają koszty ich obsługi. Analiza popytu na usługi ChatGPT, ChatGPT Work, Codex i API pomaga nam podejmować trafniejsze decyzje dotyczące zwiększania mocy obliczeniowych.

Skala płynącej z tego wiedzy ma znaczenie. Z naszych modeli korzysta obecnie ponad miliard aktywnych użytkowników i ponad dwa miliony firm. Wraz ze wzrostem zaufania do technologii ludzie wykorzystują ją w coraz bardziej zaawansowany sposób. Po sześciu miesiącach od rejestracji użytkownicy wysyłają dziennie około 50 procent więcej wiadomości i używają ChatGPT do mniej więcej dwukrotnie większej liczby rodzajów zapytań. ChatGPT Work zmienia charakter pracy umysłowej, wykraczając poza udzielanie odpowiedzi na pytania na rzecz realizowania złożonych, wieloetapowych zadań — przechodząc od „pytania” do „działania”. W całym OpenAI praca wykonywana przez agentów AI za pośrednictwem modelu Codex stanowi aż 99,8% wszystkich tygodniowych tokenów wyjściowych, a dział finansów należy do zespołów, które uczyniły narzędzia agentowe podstawowym elementem swojej pracy.

W organizacjach obserwujemy podobny schemat. Firma może zacząć od jednego zespołu lub jednego przepływu pracy. Wraz z poprawą jakości i opłacalności rozwiązanie upowszechnia się w kolejnych obszarach, a AI staje się częścią codziennego funkcjonowania firmy.

Powstaje w ten sposób wartościowa pętla informacji zwrotnych między popytem, doskonaleniem produktów, wydajnością i planowaniem infrastruktury. Nie jest konieczne posiadanie wszystkich zasobów ani samodzielnie tworzenie każdego komponentu. Możemy posiadać, współpracować z partnerami lub kupować — zależnie od tego, co najlepiej służy klientom i jest najbardziej opłacalne. Liczy się koordynacja całego systemu i wyciąganie wniosków ze wszystkich jego elementów.

Infrastrukturę AI trzeba planować wiele lat przed tym, zanim będzie potrzebna, podczas gdy modele, produkty i popyt klientów zmieniają się znacznie szybciej. Ta rozbieżność wymaga dużej dyscypliny w planowaniu.

Decyzje inwestycyjne opieramy na danych: wzroście liczby użytkowników i obciążeń, zobowiązaniach klientów korporacyjnych, wykorzystaniu API i zasobów, przychodach oraz postępach w możliwościach i wydajności modeli. Osiągnięcie celów technicznych i komercyjnych pomaga określić, kiedy projekty mogą przejść do kolejnego etapu. Długoterminowe partnerstwa łączą finansowanie, infrastrukturę i kompetencje operacyjne niezbędne do działania na dużą skalę.

Przychody z produktów, kapitał prywatny i partnerstwa komercyjne odgrywają różne role we wspieraniu tego wzrostu. Celem nie jest zbudowanie jak największej infrastruktury, ale uruchomianie odpowiednich mocy we właściwym czasie i w odpowiedzi na realny popyt.

Dla mnie kluczowe pytania są proste: jak szybko nowe moce przerobowe zaczynają przynosić korzyści? Jak efektywnie są wykorzystywane? Na jakie potrzeby klientów odpowiadają? Jak szybko postęp techniczny może obniżać koszt dostarczania użytecznej inteligencji?

Te pytania łączą długoterminowe ambicje z dyscypliną operacyjną.

To wciąż początek. Bardziej zaawansowane systemy będą realizować dłuższe projekty, koordynować działania wielu narzędzi i wykonywać więcej zadań na etapie między pomysłem a gotowym rezultatem. Osoby prywatne i małe firmy zyskają możliwości, które dotąd były dostępne tylko dla znacznie większych organizacji. Duże przedsiębiorstwa będą szerzej wykorzystywać inteligencję w swojej działalności.

Naszym celem nie jest po prostu większa moc obliczeniowa, większe modele ani niższe ceny tokenów. Chodzi o to, aby zapewnić łatwy dostęp do bardziej użytecznej inteligencji.

Na tym polega powszechna dostępność: inteligencja, która staje się coraz bardziej zaawansowana, przystępna cenowo i wartościowa dla osób, które z niej korzystają. Postępy będziemy mierzyć tym, jak wiele użytecznej pracy umożliwia, jak efektywnie ją dostarczamy oraz jak szeroko można dzielić się jej korzyściami.