மிகுதியாகக் கிடைக்கும் நுண்ணறிவை உருவாக்குதல்

பெரியதாக இருப்பதால் மட்டும் செயற்கை நுண்ணறிவு உள்கட்டமைப்பு மதிப்புமிக்கதாகாது. அது சாத்தியமாக்கும் விஷயங்களால்தான் மதிப்புமிக்கதாகிறது: குறைந்த செலவில் அதிக மக்களுக்குக் கிடைக்கும், மேலும் திறன்மிக்க நுண்ணறிவு.

மிகுதி என்பதை நான் இவ்வாறுதான் புரிந்துகொள்கிறேன். மனிதகுலம் முழுவதற்கும் ஆர்டிஃபிஷியல் ஜெனரல் இன்டெலிஜென்ஸ் பயனளிப்பதை உறுதிசெய்வது என்ற எங்கள் நோக்கத்திலும், எங்கள் வணிகத்தை இயக்கும் பொருளாதார இயந்திரத்திலும் இது பொதிந்துள்ளது.

பயனுள்ள நுண்ணறிவின் செலவு குறையும்போது, அதிகமான பணிகளைச் செய்வது பயனுள்ளதாகிறது. மாடல்கள் அதிகத் திறன் பெறும்போது, அதிக மதிப்பை அந்தப் பணி உருவாக்குகிறது. பயன்பாடு அதிகரிக்கும்போது, அடுத்த தலைமுறை ஆராய்ச்சியிலும் உள்கட்டமைப்பிலும் தொடர்ந்து முதலீடு செய்வதற்குத் தேவையான வருவாய், நிஜ உலகப் பின்னூட்டம் மற்றும் தேவை குறித்த தெளிவு ஆகியவை நமக்குக் கிடைக்கின்றன.

மேம்பட்ட நுண்ணறிவு பரவலான பயன்பாட்டைத் தூண்டுகிறது. பரவலான பயன்பாடு கூடுதல் முதலீட்டை ஆதரிக்கிறது. கூடுதல் முதலீடு நுண்ணறிவையும் செயல்திறனையும் மேம்படுத்துகிறது. நாங்கள் உருவாக்கிவரும் சுழற்சி இதுதான்.

வாடிக்கையாளர்களுக்கு எவ்வளவு விரைவாக அந்தச் சுழற்சி பயனளிக்கிறது என்பதை எங்கள் அண்மைய விலை அறிவிப்பு காட்டுகிறது. நேற்று GPT‑5.6 Luna-இன் விலையை 80 சதவீதமும், GPT‑5.6 Terra-இன் விலையை 20 சதவீதமும் குறைத்தோம். Luna-இல் பத்து லட்சம் உள்ளீட்டு டோக்கன்களுக்கு இப்போது $0.20-உம், பத்து லட்சம் வெளியீட்டு டோக்கன்களுக்கு $1.20-உம் செலவாகிறது; Terra-இல் முறையே $2 மற்றும் $12 செலவாகிறது.

GPT‑5.6 Sol-க்கு, நுண்ணறிவில் எந்த மாற்றமும் இல்லாமல், வழக்கமான செயலாக்கத்தைவிட இரு மடங்கு விலையில் 2.5 மடங்கு வரையிலான வேகத்தை விரைவுப் பயன்முறை வழங்குகிறது.

இவை வெறும் விலைப்பட்டியல் மாற்றங்கள் அல்ல. இவை நடைமுறைக்குச் சாத்தியமாகும் பணிகளின் வரம்பை விரிவாக்கி, நுண்ணறிவு, வேகம், நம்பகத்தன்மை மற்றும் செலவு ஆகியவற்றைச் சமநிலைப்படுத்த வாடிக்கையாளர்களுக்கு அதிக நெகிழ்வுத்தன்மையை அளிக்கின்றன.

எந்த மாடல் எந்தப் பணிக்குப் பொருந்துகிறது என்பது சரியான கேள்வியல்ல. தேவையான முடிவைப் பெற எவ்வளவு நுண்ணறிவு வேண்டும், அது எவ்வளவு விரைவாகக் கிடைக்க வேண்டும், அதை அடைவதற்கான செலவு எவ்வளவு இருக்க வேண்டும் என்பதே சரியான கேள்வி ஆகும். ஒரே பணிப்பாய்வுக்குள்ளேயே இந்தச் சமநிலை பலமுறை மாறலாம்.

டோக்கன்களுக்காகவே வாடிக்கையாளர்கள் அவற்றை வாங்குவதில்லை. ஆதரவுச் சிக்கல் தீர்க்கப்பட வேண்டும், மென்பொருள் வெளியிடப்பட வேண்டும், ஒப்பந்தம் ஆய்வுசெய்யப்பட வேண்டும் அல்லது அறிவியல் கேள்விக்குப் பதில் கிடைக்க வேண்டும் என்பதே அவர்களின் தேவை ஆகும். வெற்றிகரமான முடிவை அடைவதற்குத் தேவையான நேரம், மறுமுயற்சிகள், மேற்பார்வை மற்றும் பிழைகள் உட்பட அதன் மொத்தச் செலவே சரியான அளவீடு ஆகும்.

பணியைச் சரியாகவும் திறம்படவும் முடிக்கும் வலுவான மாடல், மீண்டும் மீண்டும் முயற்சி செய்யவோ விரிவான மனிதத் தலையீட்டைப் பெறவோ வேண்டிய மலிவான மாடலைவிட இறுதியில் சிக்கனமானதாக இருக்கலாம். மாறாக, அதே தரநிலையை எட்டும் குறைந்த செலவுள்ள மாடல், அணுகலைப் பெருமளவில் விரிவுபடுத்தலாம். சரியான விலையில் அதிகபட்சப் பயனுள்ள நுண்ணறிவைப் பயன்படுத்துவதே வாய்ப்பு ஆகும்.

அந்த மதிப்பை வழங்க, கூடுதல் தரவு மையங்களை உருவாக்குவது மட்டும் போதாது. ஒவ்வொரு கணிப்புத்திறன் அலகையும் மேலும் பயனுள்ளதாக மாற்ற வேண்டும்.

அது எவ்வாறு அமையும் என்பதை எங்கள் அண்மைய பொறியியல் பணி எடுத்துக்காட்டுகிறது. எங்கள் தொழில்நுட்பக் குழுக்களுடன் இணைந்து, மாடல்களை வழங்கப் பயன்படுத்தப்படும் உற்பத்தி மென்பொருளை மேம்படுத்த GPT‑5.6 Sol உதவியது. இதனால் தொடக்கம் முதல் முடிவு வரையிலான வழங்கல் செலவுகள் 20 சதவீதம் குறைந்தன. ஊக மறைகுறியாக்கத்தை மேம்படுத்தவும் அது உதவியது. இதனால் டோக்கன் உருவாக்கச் செயல்திறன் 15 சதவீதத்திற்கும் அதிகமாக உயர்ந்தது.

அதே அளவு முக்கியமாக, செயல்திறனை மாடல் மட்டுமே தீர்மானிப்பதில்லை. அதைச் சுற்றியுள்ள முறைமையும் முக்கியமானது. வன்பொருளைத் தொடர்ந்து பயனுள்ள வகையில் மேம்பட்ட வழித்தடத் தேர்வு இயங்கச் செய்கிறது. நுண்ணிய சூழல் மேலாண்மை, ஏஜென்ட்கள் ஒரே பணியை மீண்டும் செய்வதைத் தடுக்கிறது. வலுவான கருவிகளும் தயாரிப்பு வடிவமைப்பும் ஒரு பணியை முடிக்கத் தேவையான படிகளின் எண்ணிக்கையைக் குறைக்கின்றன.

ஓர் அண்மைய அளவுகோல் பகுப்பாய்வில், தக்கவைக்கப்பட்ட ரீஸனிங் மற்றும் சூழல் மேலாண்மையில் செய்யப்பட்ட மேம்பாடுகள், ஆறு மடங்கு குறைவான வெளியீட்டு டோக்கன்களைப் பயன்படுத்தியபோதும், பொதுவான ARC-AGI-3 பணித்தொகுப்பில் GPT‑5.6 Sol பெற்ற மதிப்பெண்ணை 13.3 சதவீதத்திலிருந்து 38.3 சதவீதமாக உயர்த்தின. மாடல் மாறவில்லை. அதைச் சுற்றியிருந்த முறைமைதான் மாறியது.

இந்த முன்னேற்றங்கள் ஒன்றின் பலனை மற்றொன்று பெருக்குகின்றன. அதிகத் திறன்மிக்க மாடல்கள் புதிய செயல்திறன் மேம்பாடுகளைக் கண்டறிய எங்கள் குழுக்களுக்கு உதவுகின்றன. அந்தச் செயல்திறன் மேம்பாடுகள், வாடிக்கையாளர்களுக்குச் சேவை வழங்கும் செலவைக் குறைத்து, அதே உள்கட்டமைப்பில் நாம் ஆதரிக்கக்கூடிய பணிகளின் வரம்பை விரிவாக்குகின்றன. இதன் மூலம் அடுத்த தலைமுறை நுண்ணறிவு மேலும் பலருக்கு அணுகக்கூடியதாகிறது.

உள்கட்டமைப்பு, மாடல்கள், தளம், தயாரிப்புகள் என அனைத்து அடுக்குகளிலும் உருவாக்குவதன் நன்மை, ஒவ்வொரு அடுக்கிலும் நாம் பங்கேற்பது மட்டுமல்ல. ஒவ்வொரு அடுக்கும் மற்றவற்றை மேம்படுத்துகிறது என்பதே அதன் நன்மை ஆகும்.

நிஜ உலகில் தயாரிப்புகள் பயன்படுத்தப்படும் விதம், வாடிக்கையாளர்கள் எதில் மதிப்பைக் காண்கிறார்கள், எதில் சிரமத்தை எதிர்கொள்கிறார்கள் என்பதைக் காட்டுகிறது. அந்தப் பின்னூட்டம் எங்கள் ஆராய்ச்சியை வடிவமைக்க உதவுகிறது. ஆராய்ச்சி மேம்பாடுகள் எங்கள் தயாரிப்புகளை வலுப்படுத்துவதுடன், அவற்றை வழங்குவதற்கான செலவையும் குறைக்கின்றன. ChatGPT, ChatGPT Work, Codex மற்றும் API ஆகியவற்றுக்கான தேவை, எந்த இடங்களில் திறனை அதிகரிப்பது என்பது குறித்து மேம்பட்ட முடிவுகளை எடுக்க உதவுகிறது.

அந்தக் கற்றலின் அளவு முக்கியமானது. எங்கள் மாடல்கள் இப்போது நூறு கோடிக்கும் மேற்பட்ட செயலில் உள்ள பயனர்களையும், இருபது லட்சத்திற்கும் மேற்பட்ட வணிகங்களையும் சென்றடைகின்றன. மக்களுக்கு இந்தத் தொழில்நுட்பத்தின் மீதான நம்பிக்கை வளரும்போது, அதை மேலும் ஆழமாகப் பயன்படுத்துகிறார்கள். பதிவுசெய்த ஆறு மாதங்களுக்குப் பிறகு, மக்கள் தினமும் ஏறத்தாழ 50 சதவீதம் அதிகமான செய்திகளை அனுப்புவதுடன், சுமார் இரு மடங்கு அதிகமான பணிவகைகளுக்கு ChatGPT‑ஐப் பயன்படுத்துகிறார்கள். கேள்விகளுக்குப் பதிலளிப்பதைத் தாண்டி சிக்கலான, பல படிகளைக் கொண்ட பணிகளை முடிப்பதன் மூலம், அறிவுசார் பணியாளர் என்பதன் பொருளையே ChatGPT Work மாற்றிவருகிறது—“கேட்பதிலிருந்து” “செய்வதற்கு.” OpenAI முழுவதிலும், Codex வழியான ஏஜென்ட்டிக் சார்ந்த பணிகள் தற்போது வாராந்திர வெளியீட்டு டோக்கன்களில் 99.8%-ஆக உள்ளன. ஏஜென்ட்டிக் சார்ந்த கருவிகளைத் தங்கள் பணிமுறையின் முதன்மைப் பகுதியாக்கிய குழுக்களில் நிதிக் குழுவும் ஒன்றாகும்.

நிறுவனங்களுக்குள்ளும் இதே போக்குதான் காணப்படுகிறது. ஒரு நிறுவனம் ஒரு குழு அல்லது ஒரு பணிப்பாய்வுடன் தொடங்கலாம். தரமும் பொருளாதாரப் பயனும் மேம்படும்போது, பயன்பாடு பல்வேறு செயல்பாடுகளுக்குப் பரவி, வணிகத்தின் செயல்பாட்டில் செயற்கை நுண்ணறிவு ஓர் அங்கமாகிறது.

இது தேவை, தயாரிப்பு மேம்பாடு, செயல்திறன் மற்றும் உள்கட்டமைப்புத் திட்டமிடல் ஆகியவற்றுக்கு இடையே மதிப்புமிக்க பின்னூட்டச் சுழற்சியை உருவாக்குகிறது. இதற்காக ஒவ்வொரு சொத்தையும் சொந்தமாக்கவோ, ஒவ்வொரு கூறையும் நாமே உருவாக்கவோ தேவையில்லை. வாடிக்கையாளருக்குச் சிறப்பாகப் பயனளிப்பதும், பொருளாதார ரீதியாக மிகுந்த பொருத்தமுடையதும் எது என்பதைப் பொறுத்து, நாம் சொந்தமாக்கலாம், கூட்டாளியாகலாம் அல்லது வாங்கலாம். முறைமையை ஒருங்கிணைத்து, அதன் அனைத்து பகுதிகளிலிருந்தும் கற்றுக்கொள்வதே முக்கியம்.

செயற்கை நுண்ணறிவு உள்கட்டமைப்பு தேவைப்படுவதற்குப் பல ஆண்டுகளுக்கு முன்பே திட்டமிடப்பட வேண்டும். ஆனால் மாடல்கள், தயாரிப்புகள் மற்றும் வாடிக்கையாளர் தேவை ஆகியவை மிக வேகமாக மாறுகின்றன. கட்டுப்பாட்டை இந்த வேக வேறுபாடு இன்றியமையாததாக்குகிறது.

பயனர் மற்றும் பணிச்சுமை வளர்ச்சி, பெருநிறுவன உறுதிப்பாடுகள், API பயன்பாடு, திறன் பயன்பாட்டு விகிதம், வருவாய் மற்றும் மாடல் திறனிலும் செயல்திறனிலும் ஏற்படும் முன்னேற்றம் ஆகிய ஆதாரங்களின் அடிப்படையில் முதலீட்டு முடிவுகளை எடுக்கிறோம். தொழில்நுட்ப மற்றும் வணிக மைல்கற்கள், திட்டப்பணிகளை எப்போது முன்னெடுப்பது என்பதைத் தீர்மானிக்க உதவுகின்றன. பெருமளவில் வழங்கத் தேவையான நிதியளிப்பு, உள்கட்டமைப்பு மற்றும் செயல்பாட்டு நிபுணத்துவத்தை நீண்டகாலக் கூட்டாண்மைகள் ஒருங்கிணைக்கின்றன.

அந்த வளர்ச்சியை ஆதரிப்பதில் தயாரிப்பு வருவாய், தனியார் மூலதனம் மற்றும் வணிகக் கூட்டாண்மைகள் வெவ்வேறு பங்குகளை வகிக்கின்றன. மிக அதிகமான உள்கட்டமைப்பை உருவாக்குவது எங்கள் நோக்கமல்ல. நம்பகமான தேவைக்கேற்ப சரியான திறனைச் சரியான நேரத்தில் செயல்படுத்துவதே நோக்கம் ஆகும்.

என்னைப் பொறுத்தவரை, முக்கியக் கேள்விகள் நேரடியானவை: புதிய திறன் எவ்வளவு விரைவாகப் பயனளிக்கத் தொடங்குகிறது? அது எவ்வளவு திறம்படப் பயன்படுத்தப்படுகிறது? அது எந்த வாடிக்கையாளர் தேவையை ஆதரிக்கிறது? பயனுள்ள நுண்ணறிவை வழங்குவதற்கான செலவைத் தொழில்நுட்ப முன்னேற்றத்தால் எவ்வளவு விரைவாகக் குறைக்க முடியும்?

அந்தக் கேள்விகள் நீண்டகால இலட்சியத்தைச் செயல்பாட்டுக் கட்டுப்பாட்டுடன் இணைக்கின்றன.

நாம் இன்னும் தொடக்கக் கட்டத்தில்தான் இருக்கிறோம். மேலும் திறன்மிக்க முறைமைகள் நீண்டகாலத் திட்டப்பணிகளை முடித்து, பல்வேறு கருவிகளின் செயல்பாட்டை ஒருங்கிணைத்து, ஓர் எண்ணத்திற்கும் முழுமையான முடிவுக்கும் இடையிலான பெரும்பாலான பணிகளைக் கையாளும். முன்பு மிகப் பெரிய நிறுவனங்களுக்கு மட்டுமே கிடைத்த திறன்களைத் தனிநபர்களும் சிறு வணிகங்களும் பெறுவார்கள். பெருநிறுவனங்கள் தங்கள் செயல்பாடுகள் முழுவதிலும் நுண்ணறிவை மேலும் பரவலாகப் பயன்படுத்தும்.

கூடுதல் கணிப்புத்திறன், பெரிய மாடல்கள் அல்லது குறைந்த டோக்கன் விலைகள் மட்டுமே எங்கள் இலக்கல்ல. மேலும் பயனுள்ள நுண்ணறிவை அனைவருக்கும் எட்டக்கூடியதாக்குவதே இலக்கு ஆகும்.

மிகுதி என்பதன் பொருள் இதுதான்: தொடர்ந்து அதிகத் திறனும், குறைந்த விலையும், பயன்படுத்துவோருக்கு அதிக மதிப்பும் கொண்டதாகும் நுண்ணறிவு. அது எவ்வளவு பயனுள்ள பணியைச் சாத்தியமாக்குகிறது, அதை எவ்வளவு திறம்பட வழங்குகிறோம், அதன் பலன்களை எவ்வளவு பரவலாகப் பகிர முடிகிறது என்பதன் அடிப்படையில் எங்கள் முன்னேற்றத்தை அளவிடுவோம்.