ஆராய்ச்சி வேகமெடுக்கிறது: OpenAIக்குள் ஒரு பார்வை

AGI மனிதகுலம் முழுவதற்கும் பயனளிக்க, ஜனநாயக முறையில் நிர்வகிக்கப்பட வேண்டும் என நம்புகிறோம். திறன்மிக்க செயற்கை நுண்ணறிவின் திறன்கள், அபாயங்கள், பாதுகாப்பு குறித்த தகவலறிந்த பொது விவாதத்தால்தான் இது சாத்தியம். அதிநவீன செயற்கை நுண்ணறிவின் எதிர்காலப் பாதையை அனைவரும் அறிந்தால்தான் அதன் வளர்ச்சியில் பங்கேற்க முடியும்.

குறிப்பிட்ட அபாயங்கள், சம்பவங்கள், பாதுகாப்பு ஏற்பாடுகளில் வெளிப்படைத்தன்மை அவசியம்; ஆனால் அது மட்டும் போதாது. அதிநவீன ஆய்வகங்களில் மிகத்திறன்மிக்க அமைப்புகள் எப்படி வளர்ந்து ஆராய்ச்சியை முன்னேற்றுகின்றன என்பதையும் மக்கள் அறிய வேண்டும்.

மனித மேற்பார்வையில் டீப் லெர்னிங்கையும் ஒத்திசைவையும் தொடர்ந்து மேம்படுத்தும் தானியங்கி செயற்கை நுண்ணறிவு ஆராய்ச்சியாளரைப் பாதுகாப்பாக உருவாக்குவதே இலக்கு. இவ்வாண்டு செப்டம்பருக்குள் தானியங்கி ஆராய்ச்சிப் பயிற்சியாளரை உருவாக்கும் இலக்கை எட்டியுள்ளோம். இதைக் கடந்த இலையுதிர்காலத்தில் அறிவித்திருந்தோம்⁠(புதிய சாளரத்தில் திறக்கும்). “ஆராய்ச்சிப் பயிற்சியாளர்” என்பது மனித வழிகாட்டலில் வரையறுக்கப்பட்ட பணிகளைச் செய்யும் அமைப்பு; திறமையான ஆராய்ச்சியாளருக்குச் சில நாட்கள் தேவைப்படும் பணிகளும் இதில் அடங்கும். 2028 மார்ச்சுக்குள் தானியங்கி செயற்கை நுண்ணறிவு ஆராய்ச்சியாளரை உருவாக்குவதில் வலுவாக முன்னேறுகிறோம்.

இவ்வாண்டில் OpenAI ஆராய்ச்சியாளர்களின் அன்றாடப் பணி கணிசமாக மாறியுள்ளது. நாள் முழுவதும், பெரும்பாலும் இணை அமர்வுகளில், நிரல் எழுதும் ஏஜென்ட்களைப் பயன்படுத்துகின்றனர். பயன்பாட்டு வளர்ச்சி பிற OpenAI குழுக்களை விஞ்சுகிறது. ஆராய்ச்சியாளர்கள் வேகமாக நிரல் பங்களிப்புகளைச் செய்து, அதிகச் சோதனைகளை நடத்துகின்றனர். ஏஜென்ட்களின் பயன்பாட்டு முறைகளும் மாறுகின்றன: அதிகச் சிக்கலான பணிகளைக் கையாண்டு, அவற்றில் அடிக்கடி வெற்றி பெறுகின்றன. செயற்கை நுண்ணறிவு ஆராய்ச்சியில் பல தடைகள் இருப்பதால், ஒட்டுமொத்த முன்னேற்றம் இந்தக் குறிப்பிட்ட அளவீடுகளின் வேகத்தில் இருக்காது. எனினும், ஏஜென்டிக் கருவிகள் ஆராய்ச்சியைக் கணிசமாக விரைவுபடுத்துகின்றன என்ற எங்கள் பலரது அனுபவத்துடன் இம்முடிவுகள் பொருந்துகின்றன. ஆராய்ச்சி முன்னுரிமைகள், தொடர வேண்டிய யோசனைகள், முடிவுகள், அமைப்புகளை விரிவாக்குதல், நிறுத்துதல், வெளியிடுதல் ஆகியவற்றை மனிதர்களே தீர்மானிக்கின்றனர்.

பொறுப்புடன் மேற்கொண்டால், தானியங்கி ஆராய்ச்சி மனித நலனையும் OpenAI நோக்கத்தையும் முன்னேற்றும் மாடல்களை உருவாக்கும் என நம்புகிறோம். மேம்பட்ட நுண்ணறிவின் செலவைக் குறைத்து, உலகெங்கும் மக்கள் பயனடைய இது உதவும். ஒத்திசைவுச் சிக்கலைத் தீர்க்கவும், அதிகத் திறன்மிக்க செயற்கை நுண்ணறிவுக்கு எதிரான பாதுகாப்பை உருவாக்கவும் தானியங்கி ஆராய்ச்சி உதவக்கூடும் என்பதும் இப்பணிக்குக் காரணம். தானியங்கி செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர், பாதுகாப்பு அல்லது ஒத்திசைவு ஆராய்ச்சியாளராகவும் செயல்படலாம். திறன்மிக்க, ஒத்திசைந்த அமைப்புகள் முக்கிய உள்கட்டமைப்பைக் காக்கவும், ஆபத்தான ஏஜென்ட்களைத் தடுக்கவும், புதிய பாதுகாப்புகளை உருவாக்கவும் உதவலாம்.

இவை பயனுள்ள தானியங்கி ஆராய்ச்சியை உருவாக்கக் காரணங்கள். ஆனால் விரைவான சுழல்முறை சுயமேம்பாட்டை அடைய வேண்டும் என அவசியப்படுத்துவதில்லை. தொடர்வதா, எவ்வாறு தொடர்வது என்பது மனிதக் கட்டுப்பாட்டைப் பேணும் திறனையும், பயன்–அபாயங்கள் குறித்த தகவலறிந்த ஜனநாயக முடிவுகளையும் சார்ந்திருக்க வேண்டும்.

ஒத்திசைந்த முழுமையான சுழல்முறை சுயமேம்பாட்டைப் பாதுகாப்பாக அடைவது எப்படி என்பது இன்னும் தெரியவில்லை. திறன்களுடன் ஒத்திசைவு, பாதுகாப்பு நடவடிக்கைகளையும் விரிவுபடுத்துகிறோம். அவை அதே வேகத்தில் முன்னேறும் எனக் கருத முடியாது; திறன்மிக்க அமைப்புகளைக் கண்காணிப்பதும் கடினமாகலாம். கவனமான ஒத்திசைவும் பாதுகாப்புமே மையம். இன்றைய ஏஜென்டிக் கோடிங் அமைப்புகளின் பாதுகாப்புச் சிக்கல்களை அளவிட்டு, குறைப்பதில் இது தொடங்குகிறது. தொடர்வது ஏற்க முடியாத அபாயத்தை ஏற்படுத்தினால் உரிய நடவடிக்கை எடுப்போம்; போதிய பாதுகாப்பளிக்க முடியாத அமைப்புகளின் உருவாக்கம் அல்லது வெளியீட்டை மெதுவாக்குவோம் அல்லது நிறுத்துவோம்.

அண்மைய Hugging Face சம்பவத்துக்குப்பின் இந்த உறுதியைச் செயல்படுத்தினோம்⁠: வெளியிடவிருந்த மாடல்களின் ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங்கை நிறுத்தி, ஆராய்ச்சிச் சூழல்களை வலுப்படுத்தித் தாக்குதல் சோதனைகள் செய்து, கண்காணிப்பை விரிவாக்கினோம். அனைத்து ஆராய்ச்சியும் நிற்கவில்லை: சில பணிகள் வலுவான கட்டுப்பாடுகளுடன் மீண்டும் தொடங்கின; மற்றவை நிறுத்தப்பட்டே இருந்தன. பாதுகாப்பு, ஒத்திசைவுத் தரநிலைகளை உயர்த்தி, மாடலின் வாழ்நாள் முழுவதும் பாதுகாப்பை ஆழப்படுத்தியுள்ளோம். பயிற்சி முழுவதும் ஒத்திசைந்த நடத்தைக்கு வலுவான ஆதாரம் தேவை.

அண்மை மாதங்களில் சுழல்முறை சுயமேம்பாட்டை நோக்கிய முன்னேற்றத்திற்கு ஏஜென்டிக் அமைப்புகள் அளித்த பங்களிப்பை இன்று விவரிக்கிறோம். ஏஜென்டிக் அமைப்புகள் புதியவை; விரைவாக மாறுபவை. எங்கள் அளவீடுகளும் ஆரம்ப நிலையிலேயே உள்ளன. ஆரம்ப முடிவுகளையும் முறைகளையும் பகிர்ந்து, மக்களுக்குத் தகவலளிக்கவும், பொது வெளிப்படுத்தலை ஊக்குவிக்கவும், பொதுவான அளவீட்டுத் தரங்களை உருவாக்கவும் விரும்புகிறோம்.

எங்கள் அதிநவீன தொழில்நுட்பக் கொள்கை வரைதிட்டத்தில்⁠ கூறியபடி, நாங்களும் பிற நிறுவனங்களும் சுழல்முறை சுயமேம்பாட்டின் முன்னேற்றத்தைப் பொதுவில் பதிவிடுவது கட்டாயமாக வேண்டும். அது கட்டாயமில்லை என்றாலும், எங்கள் முன்னேற்றத்தைத் தொடர்ந்து வெளிப்படையாகப் பகிரத் திட்டமிட்டுள்ளோம். அளவீடுகளும் புரிதலும் மேம்படும்போது வெளிப்படைத்தன்மை அணுகுமுறையை மாற்றுவோம்; பாதுகாப்பு மற்றும் தனியுரிமத் தகவல்களையும் காப்போம்.

ஆண்டின் தொடக்கத்தில், ஏஜென்ட் பயன்பாட்டில் இடைநிலையிலிருந்த OpenAI ஆராய்ச்சியாளர் அவற்றைக் குறைவாகவே பயன்படுத்தினார். ஆகஸ்ட் நடுவில், இடைநிலை ஆராய்ச்சியாளர் தினமும் ஏஜென்ட்களைப் பயன்படுத்தி, ஏபிஐ விலையில் $600க்கும் அதிகமான அனுமானச் செலவைக் கொண்டிருந்தார். எங்கள் ஆராய்ச்சி அமைப்பின் 90ஆம் சதமானப் பயனர் இப்போது தினமும் $7,000க்கும் அதிகமான டோக்கன்களைப் பயன்படுத்துகிறார்.

2026 ஜூனுக்கு முன் ஆராய்ச்சி அமைப்பின் மொத்த ஏஜென்ட் இயக்க நேரம், மனித உழைப்பு நேரத்தைவிடக் குறைவாக இருந்தது. இப்போது அது மாறிவிட்டது. 8 மணி வேலைநாள் அடிப்படையில், ஆகஸ்ட் நடுவில் ஒவ்வொரு மனித வேலைநாளுக்கும் 3.1 ஏஜென்ட் வேலைநாட்களை ஆராய்ச்சி அமைப்பு பயன்படுத்துகிறது.

ஒரே நேரத்தில் 4 அல்லது அதற்கு மேற்பட்ட ஏஜென்ட்களை இயக்குவது போன்ற இணைப் பணிப்பாய்வுகளை எத்தனை ஆராய்ச்சியாளர்கள் பயன்படுத்துகின்றனர் என்பதும் ஒரு அளவீடு. கீழே காட்டியுள்ளபடி, இந்த எண்ணிக்கை உயர்கிறது. பயனர் நேரடியாகத் தொடங்கிய ஏஜென்ட்கள் மற்றும் அவை உருவாக்கிய துணை ஏஜென்ட்களின் தினசரி உச்ச எண்ணிக்கைகள் இதில் அடங்கும்.

அடிப்படை மாடலின் நுண்ணறிவு அல்லது செயல்திறனில் புதிய மேம்பாட்டைச் சேர்ப்பதே பெரும்பாலான செயற்கை நுண்ணறிவு ஆராய்ச்சியின் உழைப்புமிக்க நோக்கம். அனைத்துப் படிகளும் சரியாக அமைய வேண்டும்: மேம்பாடுகள், மதிப்பீடுகள், பெரிய அளவுச் சோதனை உள்கட்டமைப்பு உருவாக்குதல்; பயிற்சியில் பிழை, பாதுகாப்பின்மை, ஒத்திசைவின்மையைக் கண்டறிதல்; வெற்றிக் கருத்துகளை மையப் பயிற்சியில் சேர்த்தல். ஆராய்ச்சியின் எந்தப் படியிலும் ஏற்படும் தோல்வி முழுச் சுழற்சியையும் தடுக்கலாம்.

நிரல் எழுதுவதும் சோதனைகள் நடத்துவதும் ஆராய்ச்சியாளர்களின் முக்கியப் பணிகள்; இவை வேகமடைவதற்கான ஆதாரங்களைக் காண்கிறோம்.

இவற்றை அளவிடுவது எளிது; ஆனால் பொருள்கொள்வது கடினமாக இருக்கலாம். தானியக்கம் வளரும்போது, தானியக்க வாய்ப்பு மிகக் குறைவான பணிகளில் அதிக மனித முயற்சி தேவைப்படும்; அவையே முன்னேற்றத்தின் முக்கியத் தடைகளாகும். கணிப்புவளமும் முன்னேற்றத்தை வரையறுக்கிறது; பிற தடைகள் குறையும்போது அதன் முக்கியத்துவம் அதிகரிக்கலாம்.

2026இல் செயலிலுள்ள சோதனையாளருக்கான சோதனைகள் அதிகரித்து, ஆகஸ்டில் 2025 ஜனவரி முதல் பதிவான உச்சத்தை எட்டின. இது Codex பயன்பாட்டு உயர்வுடன் தொடர்புடையது; கணிப்புவளமும் 2025 முதல் கணிசமாக வளர்ந்துள்ளது.

உயர்நிலை, நீண்ட கால வரம்புள்ள பணிகளை நிரல் எழுதும் ஏஜென்ட்களிடம் ஒப்படைப்பது அதிகரிப்பதை அனுபவங்களும் உள்தரவுகளும் காட்டுகின்றன.

இந்தப் போக்கை அறிய, செயற்கை நுண்ணறிவு ஆராய்ச்சி–மேம்பாட்டுப் பணிகளுக்காக Epoch AI அண்மையில் வெளியிட்ட வகைப்பாட்டைக்⁠(புதிய சாளரத்தில் திறக்கும்) கொண்டு பயன்பாட்டை ஆராய்ந்தோம். O*NET பணிவகைப்பாட்டைத் தழுவிய இது, அதிநவீன செயற்கை நுண்ணறிவு ஆராய்ச்சி–மேம்பாட்டை ஆறு கட்டங்களாகப் பிரிக்கிறது:

1. தீர்மானித்தல்: எதைச் செய்வது, தொடர்வது, எங்கு வளங்களை ஒதுக்குவது

2. வடிவமைத்தல்: ஆராய்ச்சி யோசனைகள், பொறியியல் விவரக்குறிப்புகள்

3. உருவாக்குதல்: நிரல், தரவுத்தொகுப்புகள்

4. இயக்குதல்: பயிற்சி/மதிப்பீட்டு இயக்கங்கள், வன்பொருள், சேவை வழங்கல்

5. பகுப்பாய்வு: சோதனைகள், மாடல்கள், வெளியீடு, வெளிப்புறப் பணிகள்

6. தகவல் பகிர்தல்: கண்டுபிடிப்புகள், கருத்துகள், நிலவரம், முடிவுகள்

கீழே, நிரல் எழுதும் ஏஜென்ட்களின் டோக்கன்களை இவ்வகைகளில் பிரிக்கிறோம்.

2026 ஜனவரி–ஆகஸ்டில் அனைத்து ஆராய்ச்சி வகைகளும் வளர்ந்தன. ஜனவரியில் ஆராய்ச்சி மற்றும் உள்கட்டமைப்பு நிரல்களே பெரும்பான்மை. அந்த வகையும் வளர்ந்துள்ளது; தொழில்நுட்ப உதவி, இயக்கக் கண்காணிப்பு உள்ளிட்ட பிற வகைகளும் கணிசமாக உயர்ந்தன. உயர்நிலைத் திட்டமிடல் இன்னும் ஏஜென்ட் வெளியீட்டு டோக்கன்களில் மிகச் சிறிய பங்கே.

உள் ஆராய்ச்சி உள்கட்டமைப்பின் சிக்கல்களைத் தீர்ப்பதில் ஏஜென்ட்கள் சிறப்பாகச் செயல்பட்டு, ஒரு முக்கியத் தடையை நீக்குவதாகச் சக ஊழியர்கள் கூறுகின்றனர். சோதனைச் சிக்கல்களுக்கான உதவி அமர்வுகளில் 2026இல் வருகை குறைந்ததாகப் பல குழுக்கள் கூறின. ஒரு குழு அமர்வுகளை நிறுத்தி, பிற மேம்பாடுகளில் கவனம் செலுத்துகிறது.

பிற குழுக்களிடம் தொழில்நுட்ப உதவி பெறும் முக்கிய உள் சேனல் ஒன்றின் தினசரி முதன்மைப் பதிவுகளைக் காட்டுகிறோம். எங்களுக்குத் தெரிந்தவரை, இங்குக் குறைந்த கேள்விகள் மனிதர்கள் நடத்தும் வேறு உதவி சேனலுக்கு மாறவில்லை. செயல்பாட்டின் சரிவு இந்தப் பரந்த மாற்றத்துடன் பொருந்துகிறது.

ஆராய்ச்சியாளர்கள் கேட்கும் பணிகளில் நிரல் எழுதும் ஏஜென்ட்கள் வெற்றி பெறுகின்றனவா என்பதையும் ஆராயலாம். உண்மை முடிவு அறியப்பட்ட பணிகளில், மனிதருக்குத் தேவைப்படும் நேரத்தால் மதிப்பிட்ட பல சிரம வகைகளிலும் ஜனவரி–ஜூலையில் வெற்றி விகிதம் உயர்ந்ததை ஏஜென்டிக் வகைப்படுத்தி காட்டுகிறது. எனினும், குறிப்பாகப் பணிச் சிக்கல் அதிகரிக்கும்போது, வெற்றிக்குக் கணிசமான மனித வழிகாட்டல் தேவைப்படுகிறது. கடந்த 6 மாதங்களில் வெற்றிபெற்ற 4–8 மணி நேரப் பணிகளில் பாதிக்கும் மேற்பட்டவற்றில் குறைந்தது ஒரு தலையீடு இருந்தது.

பாதுகாப்பான, பயனளிக்கும் AGIக்காக அதிகத் திறனுள்ள அமைப்புகளை உருவாக்குவதில் ஏற்படும் முன்னேற்றம், அப்பணிக்குத் தேவையான பாதுகாப்பு ஏற்பாடுகளையும் சார்ந்திருக்கும். அபாயங்களைப் பற்றி மேலும் அறியும்போது, தேவையான பாதுகாப்பு ஏற்பாடுகள் குறித்த எங்கள் மதிப்பீடு மாறலாம்.

நாங்கள் விளக்கியபடி,⁠ கண்காணிப்பு, மனித நோக்கங்களுடனான ஒத்திசைவு மற்றும் பாதுகாப்புக்கான தரநிலைகளை அண்மையில் புதுப்பித்துள்ளோம். அண்மைக் கட்டுப்பாடுகள் ஆராய்ச்சியின் ஒரு அம்சத்தை எவ்வாறு பாதித்தன என்பதை இங்கே காட்டுகிறோம்.

ஏஜென்ட்கள் எங்கள் ஆராய்ச்சி உள்கட்டமைப்பின் பாதுகாப்பை மீறியதைக் கண்டறிந்ததை அடுத்து, ஜூலை 20 அன்று பயிற்சிக்கான கொள்கலன் சேவையைத் தற்காலிகமாக நிறுத்தினோம். பின்னர் கணிசமான கூடுதல் கட்டுப்பாடுகளுடன் அதை மீட்டமைத்தோம்.

பாதுகாப்பு வலுப்படுத்தப்பட்ட ஆராய்ச்சிச் சூழலுக்கு ஏற்றவாறு குழுக்கள் தங்கள் பணிப்பாய்வுகளை மாற்றியமைத்தபோது, ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங் பயிற்சிக்கான கணிப்புவளம் கடுமையாகக் குறைந்தது. வெளியிடத் திட்டமிடப்பட்ட எங்கள் புதிய மாடல்களின் ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங்கில் ஏற்பட்ட இரு வார இடைநிறுத்தமும் மேலுள்ள வரைபடத்தில் அடங்கும். ஜூலை 20 முதல் ஆகஸ்ட் 6 வரையிலான Astra வகை ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங் சோதனைகளில், ஜிபியூ ஒதுக்கீட்டின்படி பெரும்பாலான இயக்கங்கள் தீங்கு தடுப்பு மற்றும் பாதுகாப்பு மேம்பாடுகளின் செயலாக்கத்தைச் சோதிப்பதற்கானவை.

எங்கள் பிரிபேர்ட்நெஸ் ஃப்ரேம்வொர்க்⁠(புதிய சாளரத்தில் திறக்கும்) அளவுகோலின்படி Astraவுக்கு தீவிர இணையவெளித் திறன்கள் இருக்கக்கூடும்⁠ என்பதற்கான ஆரம்ப ஆதாரங்கள் ஆகஸ்ட் 7 அன்று கிடைத்தன. இதனால் அந்த மாடலுக்குக் கூடுதல் பாதுகாப்புக் கட்டுப்பாடுகள் விதிக்கப்பட்டு, அதிகப் பாதுகாப்புள்ள ஆராய்ச்சிச் சூழல்களில் அதை இயக்க வேண்டியிருந்தது. அடுத்த வாரத்தில், Astra வகைக்கான ஜிபியூ ஒதுக்கீடு மேலும் 59.2 சதவீதம் குறைந்தது. ஆனால் பிற மாடல் வகைகளுக்கான ஒதுக்கீடு 17.2 சதவீதம் உயர்ந்தது. இந்த உயர்வு Astra வகையின் சரிவில் சுமார் 85 சதவீதத்தை ஈடுசெய்தது. எனவே பகுப்பாய்வு செய்யப்பட்ட ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங் பணிச்சுமைகளின் மொத்த ஒதுக்கீடு பெரிதும் மாறவில்லை. Astra சார்ந்த பணிகள் கட்டுப்படுத்தப்பட்டபோது சில பயிற்சிகளும் சோதனைகளும் பிற மாடல்களுக்கு மாற்றப்பட்டிருக்கலாம் என்பதை இந்தப் போக்கு காட்டுகிறது. புதிய கட்டுப்பாடுகளுக்குட்பட்ட பணிகளுக்குப் பயன்படுத்த முடியாத கணிப்புவளத்தை வேறு பணிகளுக்குப் பயன்படுத்தியதாக ஆராய்ச்சியாளர்கள் கூறிய அனுபவங்களுடனும் இது பொருந்துகிறது.

பயிற்சி மற்றும் பாதுகாப்பு குறித்த தொடர் விவாதங்களுக்கு இந்தத் தரவு பயனுள்ள ஒரு குறிப்பை வழங்குகிறது: புதிய கட்டுப்பாடுகள் வந்தாலும், கணிப்புவளம் மதிப்புமிக்கதாகவும் நெகிழ்வானதாகவும் நீடிக்கும். அது இயல்பாகவே ஆராய்ச்சி நிறுவனத்திற்குள் மாற்றுப் பயன்பாடுகளுக்குத் திருப்பப்படும். நீண்டகால நோக்கில், செயற்கை நுண்ணறிவு முன்னேற்றத்தின் வேகம் குறித்த விவாதங்களில், புதிய அல்லது முன்மொழியப்பட்ட கட்டுப்பாடுகளுக்குட்பட்ட கணிப்புவளத்தை எவ்வாறு சிறப்பாகப் பயன்படுத்துவது என்ற கேள்வியும் இடம்பெற வேண்டும்.

மனித நோக்கங்களுடன் ஒத்திசைந்த சுழல்முறை சுயமேம்பாட்டை நோக்கி முன்னேறுவதும், அந்த முன்னேற்றத்தைப் புரிந்துகொள்வதும் எங்கள் நோக்கத்திற்கு முக்கியம். எங்கள் முறைகளைத் தொடர்ந்து செம்மைப்படுத்தி, வளர்ந்துவரும் புரிதலை அறிக்கையிடுவோம். அதிநவீன அமைப்புகள் குறித்த தகவலறிந்த பொது விவாதத்திற்கும், அர்த்தமுள்ள ஜனநாயக நிர்வாகத்திற்கும் பாடுபடுவோம்.

ஏஜென்ட்கள் மூலம் மேற்கொள்ளப்படும் செயற்கை நுண்ணறிவு ஆராய்ச்சி இன்னும் புதியது; அதை எவ்வாறு அளவிடுவது என்பதை நாங்களும் கற்றுவருகிறோம். எங்கள் ஆராய்ச்சிக் குழுக்கள் உருவாக்கும் நிரலின் அளவு போன்ற சில குறியீடுகளைச் சேகரிப்பது எளிது. ஆனால் ஆராய்ச்சி முன்னேற்றத்துடனான அவற்றின் தொடர்பு உறுதியற்றதால், பொருள்கொள்வது கடினம். ஆராய்ச்சியாளர்கள் வழங்கும் பணிகளில் ஏஜென்ட்கள் எவ்வளவு அடிக்கடி வெற்றி பெறுகின்றன என்பது போன்ற, முன்னேற்றத்தை நேரடியாக அளவிடும் அளவீடுகள் அதிகப் பயனளிக்கலாம். ஆனால் அவற்றை உருவாக்கிச் சரிபார்ப்பது சிக்கலானது. ஆராய்ச்சியாளர்கள் சார்ந்திருக்கும் கருவிகளும் அமைப்புகளும் விரைவாக மாறுவதால் இந்தச் சிரமம் மேலும் அதிகரிக்கிறது. ஆராய்ச்சி வேகமடைவதைப் பற்றிய புரிதலை ஆழப்படுத்துவது OpenAI முழுவதும் முக்கியக் கவனம் பெறுகிறது.

வேறுவிதமாகக் குறிப்பிடப்படாவிட்டால், இந்தப் பகுப்பாய்வுகள் அனைத்திலும்:

• “ஆராய்ச்சியாளர்” என்பது எங்கள் ஆராய்ச்சி அமைப்பின் எந்த உறுப்பினரையும் குறிக்கும் பொதுச் சொல். ஆராய்ச்சி உள்கட்டமைப்பை உருவாக்குவோர், திட்டங்களை நிர்வகிப்போர் அல்லது வேறு விதங்களில் நிறுவனத்திற்கு ஆதரவளிப்போர் சிலரும் இதில் அடங்குவர்.

• ஆராய்ச்சியாளர்கள் பயன்படுத்தும் கருவிகளும் அமைப்புகளும் விரைவாக மாறுவதால், நிரல் எழுதும் ஏஜென்ட்களின் பயன்பாட்டு அளவீடுகள் பெரும்பாலான பயன்பாட்டையே உள்ளடக்குகின்றன; அனைத்தையும் அல்ல.