ఒక పరాయి మేధస్సు

2023 మధ్యలో “RLSlow” పరిశోధన ప్రాజెక్ట్‌లో, రీజనింగ్ మోడళ్ల శిక్షణను విస్తరించగలమనే నమ్మకం కలిగించిన తొలి ఫలితాలను చూశాము. దీంతో ప్రీట్రైనింగ్ పొందిన మోడళ్లు తమ సొంత చెయిన్-ఆఫ్-థాట్‌లను రూపొందించగల సామర్థ్యం వెలుగులోకి వచ్చింది. షిమోన్, నేను ఆ రాత్రి కార్యాలయంలోనే గడిపాము. ఈ సాంకేతికత అందించగల అద్భుతమైన ప్రామాణిక పరీక్ష ఫలితాలు, ఉత్పత్తులు లేదా శాస్త్రీయ ఫలితాల గురించి ఆలోచించలేదు. మన జీవితకాలంలోనే మనకంటే అర్థవంతంగా తెలివైన యంత్రాలను నిజంగా చూడబోతున్నామనే గంభీర వాస్తవాన్ని జీర్ణించుకోవడానికి ప్రయత్నించాము. ఈ వ్యవస్థల స్వరూపం ఇప్పటికే కనిపిస్తోందని గ్రహించి, దీని ప్రాముఖ్యత గురించి ప్రజలను ఎలా హెచ్చరించాలా అని ఆలోచించాము.

మూడేళ్ల తర్వాత, రీజనింగ్ భాషా మోడళ్లు ఆర్థిక వ్యవస్థలో వేగంగా విస్తరిస్తున్న భాగంగా మారి, శాస్త్రపు సరిహద్దులను ముందుకు నెట్టడం ప్రారంభించాయి. అవి కంప్యూటర్లు, దృశ్యమాధ్యమ అంతర్ముఖాలను నిర్వహించగలవు, మనుషులతోనూ పరస్పరం ఒకదానితో మరొకటి కలిసి పనిచేయగలవు, పరిశోధన ప్రాజెక్టులను నిర్వహించగలవు. అవి కంప్యూటర్ భద్రతా రంగాన్ని కూడా మార్చివేస్తూ, స్పష్టమైన కొత్త ప్రమాదాలను సృష్టిస్తున్నాయి.

ఈ కాలంలో ఎంతో కొత్త పరిశోధన జరిగింది. ఈ వ్యవస్థలపై మన అవగాహన 2023లో ఉన్నదానికంటే మళ్లీ కొంత మారింది. అంతర్గత ఫలితాల ఆధారంగా, ఈ పురోగతి వేగం పునరావృత స్వీయ-మెరుగుదల వరకు కొనసాగవచ్చని నేను బలంగా అంచనా వేస్తున్నాను. AI అభివృద్ధి ప్రస్తుత మార్గంలో కొనసాగితే, రాబోయే కొన్నేళ్లలో మనం చూడబోయే వ్యవస్థలు ఇదే స్థాయిలో లేదా అంతకంటే భారీగా సామర్థ్యం పెరిగినవిగా ఉండవచ్చు. అవి తమ అభివృద్ధిని తామే మరింతగా ముందుకు నడిపిస్తాయి.

ఇది అత్యంత జాగ్రత్త అవసరమైన సమయం. యంత్ర మేధ వేగంగా పెరుగుతూ ఉంటే కలిగే పరిణామాలకు ఎవరూ సిద్ధంగా లేరేమోనని ఆందోళన చెందుతున్నాను. అలైన్‌మెంట్, పర్యవేక్షణకు సాంకేతిక పరిష్కారాలను అన్వేషించడం, రక్షణ వ్యవస్థలను నిర్మించడం, అవసరమైతే తదుపరి విస్తరణను ఏకపక్షంగా నిలిపివేయడం OpenAI కొనసాగిస్తుంది. అయితే మరింత విస్తృతమైన జోక్యాలు అవసరమని నమ్ముతున్నాను.

స్థూలంగా చూస్తే, పెరుగుతున్న గణన శక్తి యంత్ర మేధ పురోగతిని ముందుకు నడిపిస్తుంది. అనేక పరిశోధన ప్రాజెక్టుల్లో విస్తరణతో స్థిరమైన ప్రయోజనాలు కనిపించిన తర్వాత, 2017 ప్రాంతంలో OpenAIలో మేము దీన్ని లోతుగా గ్రహించాము¹. దీంతో మొదట ప్రణాళిక వేసినదానికంటే ఎంతో ఎక్కువ గణన వనరులు పొందడానికి ప్రయత్నించాము. సులభంగా విస్తరించగల కొద్ది దిశల చుట్టూ మా పరిశోధనను క్రమంగా కేంద్రీకరించాము. AI పరిశోధనలో అత్యాధునిక స్థాయిలో ఉండటానికి, AGI ప్రభావాలను తీర్చిదిద్దడానికి మాకు ఉన్న ఏకైక మార్గం అదేనని నమ్మాము.

ఈ ప్రయాణంలో కొత్త అల్గారిథమ్‌లు అభివృద్ధి చెందాయి. బృందాలు, వ్యక్తిగత పరిశోధకులు కొత్త సృజనాత్మక విజయాలు సాధించారు. వీటిని ప్రధానంగా విస్తరణ మార్గంలో జరిగిన ఆవిష్కరణలుగా చూస్తాను. డీప్ లెర్నింగ్ శాస్త్రం ఇంకా ప్రారంభ దశలోనే ఉంది. అర్థవంతమైన అల్గారిథమ్ పురోగతికి సాధారణంగా గణన వనరుల లభ్యతతో సంబంధం ఉంటుంది. అనేక సంవత్సరాల విస్తృత దృక్కోణంలో చూస్తే, పెద్ద కంప్యూటర్లకు విస్తరించడంతో AI మరింత తెలివిగా మారుతూనే ఉంది.

20వ శతాబ్దం చివరలో రే కుర్జ్‌వైల్ చేసిన అంచనాలకు⁠(కొత్త విండోలో తెరుచుకుంటుంది) అనుగుణంగా, పరివర్తనాత్మక రీతుల్లో యంత్ర మేధ మానవ మేధను అధిగమించడం ప్రారంభించిన కంప్యూటింగ్ చరిత్ర క్షణంలో ఇప్పుడు మనం ఉన్నాము.

AIని రూపకల్పన చేయడం కంటే పెంచడమే ఎక్కువ. ప్రాథమికంగా చెప్పాలంటే, ఊహకు అందని గణన శక్తిపై సరళమైన ఆప్టిమైజేషన్ దశను అనేకసార్లు పునరావృతం చేయడం వల్ల ఉత్పన్నమయ్యే ఫలితం అది. దీంతో నైరూప్య భావనలపై పనిచేసే, మానవ ప్రవర్తనలోని కొన్ని పార్శ్వాలను అనుకరించగల అత్యంత సంక్లిష్టమైన వ్యవస్థ ఏర్పడుతుంది. నాడీవిజ్ఞాన పరిశోధన మాదిరిగానే, ఈ వ్యవస్థలో ఉద్భవించే చిన్న యంత్రాంగాల గురించి వివిధ అంతర్దృష్టులను కనుగొనగలము. నాడీవిజ్ఞానంలోలాగే, దీని మొత్తం పనితీరు మనం పూర్తిగా అర్థం చేసుకోగల వివరణకు అందదు.

డీప్ లెర్నింగ్ ఆధారిత AI అధ్యయనం ప్రధానంగా ప్రయోగాత్మక శాస్త్రం. సూత్రబద్ధమైన అల్గారిథమ్‌లను నిర్మించడానికి, పరీక్షించగల అంచనాలు రూపొందించడానికి మేము ఎంతో కృషి చేస్తాము⁠. కానీ మౌలికంగా మా లార్జ్-స్కేల్ ట్రైనింగ్ ప్రక్రియలు ప్రయోగాలు. వాటి ఫలితాలు కొన్నిసార్లు మమ్మల్ని ఆశ్చర్యపరుస్తాయి. అంతేకాకుండా, వ్యవస్థల సామర్థ్యం పెరుగుతున్న కొద్దీ ఫలితాలను అర్థం చేసుకోవడం కష్టమవుతుంది.

నిష్పాక్షికంగా కొలవడం కష్టమైన సామర్థ్యాల కంటే సులభంగా కొలవగల సామర్థ్యాలను ప్రస్తుత అల్గారిథమ్‌లు సాధారణంగా వేగంగా మెరుగుపరచడం వల్ల ఇది మరింత సంక్లిష్టమవుతోంది. సామర్థ్యాలు ఎలా సాధారణీకరిస్తాయో అర్థం చేసుకోవడానికి, రాబోయే కొన్నేళ్లలో అత్యంత ప్రాసంగికమయ్యే నైపుణ్యాలను అభివృద్ధి చేయడానికి దేనికి ప్రాధాన్యం ఇవ్వాలో నిర్ణయించడానికి మేము ఎంతో సమయం వెచ్చిస్తాము. ఉదాహరణకు, అదనపు దృష్టి పెడితే గణిత పరిశోధనలో మోడళ్లను ప్రత్యేకంగా మెరుగుపరచగలమని నమ్ముతున్నాము. కానీ తర్వాత వివరించబోయే విధంగా RSI, స్వయంచాలక అలైన్‌మెంట్ పరిశోధన అత్యవసరమని భావిస్తున్నందున ఈ దిశకు ప్రాధాన్యం ఇవ్వడం లేదు.

డీప్ లెర్నింగ్‌ను విస్తరించడం ద్వారా ఉత్పన్నమయ్యే మేధస్సును మానవ మేధతో నేరుగా పోల్చలేము. వాస్తవ ప్రపంచంలో అత్యంత ప్రాసంగికంగా, ఎంతో ఉపయోగకరంగా లేదా ప్రమాదకరంగా మారడానికి AI అన్ని మానవ సామర్థ్యాలను సమం చేయాల్సిన లేదా అధిగమించాల్సిన అవసరం లేదు. వాటిలో తగినన్ని సామర్థ్యాలను అధిగమిస్తే చాలు. మరిన్ని కోణాల్లో మనుషులను అధిగమిస్తున్న కొద్దీ, దాని సామర్థ్యం కచ్చితంగా ఎంత ఉందో అర్థం చేసుకోవడం అంతకంతకూ కష్టమవుతోంది.

యంత్ర మేధ మానవ మేధకు మౌలికంగా భిన్నమైన ప్రక్రియ నుంచి వస్తుంది. కాబట్టి అది సహజంగానే మానవ సూత్రాలను పాటిస్తుందని లేదా వాటి నుంచి మనుషుల మాదిరిగా సాధారణీకరిస్తుందని భావించలేము. AI పరిశోధనలో ప్రధాన సమస్య అలైన్‌మెంట్. అంటే మానవ ప్రమాణాల ప్రకారం AI “సరైనది చేయడానికి ప్రయత్నించేలా” చేయడం.

ఆచరణాత్మక పరిశోధన దిశలను క్రమబద్ధీకరించడానికి లక్ష్య అలైన్‌మెంట్, విలువల అలైన్‌మెంట్ మధ్య తేడాను గుర్తించడం ఉపయోగకరమని భావిస్తున్నాను.

స్థూలంగా చెప్పాలంటే లక్ష్య అలైన్‌మెంట్ అంటే: “AI తన ముందు ఉంచిన లక్ష్యాన్ని సాధించడానికి ప్రయత్నిస్తుందా?”. ఇందులో సూచనల ప్రాధాన్య క్రమాన్ని⁠ పాటించడం లేదా మనుషుల లక్ష్యాలను అర్థం చేసుకోవడానికి వారితో సంభాషించి, కలిసి పనిచేయగలగడం వంటివి ఉండవచ్చు. ఈ పరిశోధన దిశలు ఆచరణలో అత్యంత ప్రాసంగికంగా ఉన్నాయి.

విలువల అలైన్‌మెంట్ మోడల్‌కు మరింత అంతర్గతమైన లక్షణం. ఉన్నత స్థాయి సూత్రాలను కలిగి ఉండి, వాటి నుంచి సాధారణీకరించగల సామర్థ్యం ఇది. అస్పష్టమైన లేదా పరస్పర విరుద్ధమైన లక్ష్యాలు ఇచ్చినా, అపరిచిత లేదా ప్రతికూల పరిస్థితుల్లో ఉంచినా “వివేకంగా” వ్యవహరించడం దీని ఉద్దేశం. అలైన్ అయిన AI నిజాయతీతో, నైతిక నిబద్ధతతో, మానవాళిపై ప్రేమతో వ్యవహరించాలి.

విలువల అలైన్‌మెంట్, లక్ష్య అలైన్‌మెంట్ మధ్య సరిహద్దు అస్పష్టంగా ఉండవచ్చు. లక్ష్యాలపై నిజమైన శ్రద్ధ చూపాలంటే వాటి వెనుక ఉన్న ఉద్దేశాన్ని⁠(కొత్త విండోలో తెరుచుకుంటుంది), విలువలను అంచనా వేయడానికి ప్రయత్నించాలి. అయితే, అలైన్‌మెంట్ పరిశోధన దీర్ఘకాలిక ప్రాముఖ్యత గురించి మాట్లాడేటప్పుడు సాధారణంగా నేను విలువల అలైన్‌మెంట్‌నే ఉద్దేశిస్తాను.

AI అలైన్‌మెంట్‌లో మౌలిక సవాలు సాధారణీకరణ. యంత్రాలు మరింత తెలివిగా మారుతున్న కొద్దీ, అవి ఉన్నత స్థాయి భావనలపై పనిచేస్తాయి. శిక్షణలో ఎదురైన వాటికి మరింత భిన్నమైన పరిసరాల్లోకి వెళ్తాయి. శిక్షణలో నేర్పి, బలోపేతం చేసిన విలువలను కొత్త పరిస్థితులకు సాధారణీకరించడంలో అవి విఫలం కావచ్చు. అవి ఎలా వ్యవహరిస్తాయో మనం నిశ్చయంగా తెలుసుకోవడం కష్టమవుతుంది. AIలను ఉపయోగించే మొత్తం పర్యావరణ వ్యవస్థ అత్యంత వేగంగా మారుతుండటం దీన్ని మరింత కష్టతరం చేస్తోంది. ఉదాహరణకు, నేడు శిక్షణ పొందిన AIలు అనేక రకాల ఇతర AIలతో పరస్పర చర్యలను సమర్థంగా ఎదుర్కోగలగాలి. ముఖ్యంగా, తాము మానవ పర్యవేక్షణలో ఉన్నామని నమ్మినా నమ్మకపోయినా భవిష్యత్ AIలు మానవ విలువలను కలిగి ఉండాలి.

అలైన్‌మెంట్ శిక్షణ కోసం ప్రస్తుతం ఆచరణలో ఉపయోగిస్తున్న పద్ధతుల్లో రెండు ప్రధాన వర్గాలు ఉన్నాయి.

మొదటిది లక్ష్యాధారిత రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్‌లో భాగంగా అలైన్ అయిన ప్రవర్తనను ప్రోత్సహించడం. మోడల్ చర్యలు ఇచ్చిన ప్రాధాన్య మోడల్, “నిర్దేశం” లేదా “రాజ్యాంగం”తో సరిపోతున్నాయా అని సాధారణంగా AI ద్వారా మూల్యాంకనం చేసి, తగిన ప్రతిఫలం ఇస్తారు. సాధారణ సందర్భాల్లో ఈ విధానం చాలా ప్రభావవంతంగా ఉంటుంది. ఆధునిక AI సహాయకుల రూపకల్పనలో ఇది ప్రధాన భాగం. దురదృష్టవశాత్తూ, ఇది సులభంగా విఫలం కావచ్చు. శిక్షణ పర్యవేక్షణ ఎంత విస్తృతంగా ఉందనే దానిపైనా, శిక్షణలో ఎదురైన పరిస్థితుల నుంచి సాధారణీకరించే మోడల్ సామర్థ్యంపైనా ఇది అధికంగా ఆధారపడుతుంది. ఉదాహరణకు, OpenAI-హగ్గింగ్ ఫేస్ ఘటనలో ఏజెంట్లు మనుషులను సోషల్ ఇంజినీరింగ్ తో ప్రభావితం చేయకూడదనే హద్దును పాటించాయి. అయితే, నిర్దేశిత పరిధికి వెలుపల ఉండి, ఇతర సందర్భాల్లో నేర్పిన విలువల స్ఫూర్తికి విరుద్ధమైన మిగతా చర్యలకు దూరంగా ఉండటంలో అవి స్పష్టంగా విఫలమయ్యాయి.

రెండవ విధానం ప్రీట్రైనింగ్ డేటా నుంచి సాధారణీకరించే మోడల్ సామర్థ్యాన్ని ఉపయోగించుకోవడానికి ప్రయత్నిస్తుంది. ఇందులో అలైన్‌మెంట్‌ను ప్రేరేపించే శిక్షణ డేటాసెట్‌లను రూపొందించడం లేదా వ్యక్తిత్వ ఎంపిక మోడల్⁠(కొత్త విండోలో తెరుచుకుంటుంది) మాదిరిగా ప్రీట్రైనింగ్ పంపిణీలోని ‘అలైన్ అయిన’ భాగంపై మోడల్‌ను కేంద్రీకరించడం ఉండవచ్చు. తదుపరి ఆప్టిమైజేషన్ ఒత్తిడిని తట్టుకునే దృఢత్వం లేకపోవడమే ఈ విధానం బలహీనత. సాధారణంగా 'అలైన్ అయిన' ఆలోచనలు చేసే మోడల్‌కు అత్యంత కఠినమైన లక్ష్యాలను సాధించడం నేర్పుతూ తగినంత శిక్షణ ఇస్తే, అది ప్రేరేపిత రీతిలో రీజనింగ్ చేయడం నేర్చుకోవచ్చు. లక్ష్యాన్ని సాధించడానికి అవసరమైన విధంగా అలైన్ అయినట్లు కనిపించే ఆలోచనలను వక్రీకరించవచ్చు. OpenAIకి చెందని ఒక మోడల్‌కు సంబంధించిన ఇటీవలి సైబర్ భద్రతా ఘటనల్లో ఇలాంటి ప్రవర్తనకు ఉదాహరణను చూసి ఉండవచ్చు.

ఈ దిశలు విస్తరించి ఉన్న విధానాలన్నింటిపైనా మేము భారీగా పెట్టుబడి పెడుతున్నాము. అర్థవంతమైన పురోగతిని కూడా చూస్తున్నాము. చాలాకాలంగా మేము అభివృద్ధి చేస్తున్న కొన్ని ముఖ్యమైన పురోగతుల ప్రయోజనం పొందిన తొలి మోడల్ GPT‑6 ఆస్ట్రా. ఇది GPT‑5.6 సోల్ కంటే గణనీయంగా మెరుగ్గా అలైన్ అయింది. అయినప్పటికీ, మోడళ్ల సామర్థ్యం పెరుగుతున్న కొద్దీ ఇంకా ఎంతో పురోగతి అవసరమని అంగీకరించి, అర్థం చేసుకోవడం ముఖ్యం. సాధారణీకరించగల అలైన్‌మెంట్‌లో పురోగతి, మోడళ్ల సాధారణ మేధలో పురోగతిని తగినంతగా మించకపోవచ్చు.

సాధారణీకరణకు సంబంధించి మాకు సంతృప్తికరమైన సిద్ధాంతం లేదు. మరింత శక్తిమంతమైన AI సహాయం లేకుండా కనీసం త్వరలోనైనా అలాంటి సిద్ధాంతాన్ని రూపొందించగలమని అనిపించడం లేదు. కాబట్టి ప్రస్తుతం, మా అలైన్‌మెంట్ పద్ధతులను అనుభవపూర్వకంగా ధ్రువీకరించే సామర్థ్యం ఆ పద్ధతులకంటే కూడా ఆచరణలో మరింత ముఖ్యమని చెప్పవచ్చు.

ఇక్కడ OpenAI ప్రధానంగా నమ్ముకున్నది చెయిన్-ఆఫ్-థాట్ పర్యవేక్షణ⁠(కొత్త విండోలో తెరుచుకుంటుంది). ఇది సులభంగా విస్తరించగల ఆకర్షణీయమైన ఆలోచనపై ఆధారపడింది: మోడల్ సామర్థ్యంలో అధిక భాగం మాటల రూపంలో వ్యక్తమయ్యే రీజనింగ్ ప్రక్రియ నుంచి వస్తుంది. అదే చెయిన్-ఆఫ్-థాట్. ఆ ప్రక్రియ ఫలితాలపై ఆప్టిమైజేషన్‌ను విస్తరించి, ప్రక్రియనే పర్యవేక్షించకుండా ఉంటే, అలైన్‌మెంట్‌కు విరుద్ధమైన ఆలోచనలు లేదా లక్ష్యాలను దాచడానికి ఆ చెయిన్-ఆఫ్-థాట్‌కు శిక్షణలో ప్రత్యక్ష ప్రోత్సాహం ఉండదు. చెయిన్-ఆఫ్-థాట్‌ను ఉపయోగించని అలైన్‌మెంట్‌కు విరుద్ధమైన ధోరణులను మోడల్ బహిర్గతం చేయడం నేర్చుకుంటుందని దీని అర్థం కాదు. అయితే, రీజనింగ్ వల్ల పెరిగే సామర్థ్యాన్ని కచ్చితంగా పర్యవేక్షించడానికి ఇది వీలు కల్పిస్తుంది.

రీజనింగ్ మోడళ్లను అభివృద్ధి చేసిన సమయంలోనే చెయిన్-ఆఫ్-థాట్ పర్యవేక్షణకు ఉండగల ప్రాముఖ్యతను మేము గ్రహించాము. మేము o1‑previewను విడుదల చేసినప్పుడు, దీర్ఘకాలంలో పర్యవేక్షణ ఒత్తిడి నుంచి దాన్ని రక్షించడానికి ఉద్దేశపూర్వకంగా ఉత్పత్తిలో చెయిన్-ఆఫ్-థాట్‌ను దాచేలా⁠ రూపొందించాము². ఆ తర్వాతి అభివృద్ధిలో రీజనింగ్ ప్రక్రియను పర్యవేక్షించకూడదనే నియమాన్ని కొనసాగించడానికి కృషి చేశాము. మా మోడళ్లు తమ శిక్షణ పంపిణీ నుంచి ఎలా సాధారణీకరిస్తాయో అధ్యయనం చేయడంలో CoT పర్యవేక్షణ మాకు అత్యంత ముఖ్యమైన సాధనమైంది. వాటి చర్యలనే కాకుండా అంతర్గత ప్రక్రియను కూడా గమనించి విశ్లేషించడానికి ఇది వీలు కల్పించింది.

ఆస్ట్రా తరగతి మోడళ్లను అధ్యయనం చేస్తున్నప్పుడు కూడా ఈ సాధనం కీలకంగానే ఉంది. అయితే దురదృష్టవశాత్తూ, CoT పర్యవేక్షణపై ఆధారపడగల మా సామర్థ్యం క్రమంగా తగ్గుతోందని మా మూల్యాంకనాలు సూచిస్తున్నాయి. దీనికి అనేక అంశాల కలయిక కారణం.

• ఆధునిక రీజనింగ్ మోడళ్లు o1‑preview కంటే సంక్లిష్టమైన పరిసరాల్లో ఉపయోగించబడుతున్నాయి. వాటి రీజనింగ్ ప్రక్రియలో మనుషులతో, ఇతర AIలతో సంభాషించడం, సాధనాలను ఉపయోగించడం ఎక్కువగా కలిసిపోతోంది. ఆ పరస్పర చర్యల్లో చాలావాటిని పర్యవేక్షించాల్సి ఉంటుంది. దాంతో మేము కాపాడాలనుకునే సరిహద్దు అస్పష్టమవుతోంది.
• AI తన రీజనింగ్ ప్రక్రియ గురించే రీజనింగ్ చేయడంలో, దాన్ని మార్చడంలో మరింత నైపుణ్యం సాధిస్తోంది.
• ప్రీట్రైనింగ్ పనితీరు మెరుగుపడటంతో, మాటల రూపంలో వ్యక్తమయ్యే రీజనింగ్‌ను అసలు ఉపయోగించకుండానే మోడళ్లు ఎంతో తెలివిగా మారుతున్నాయని కూడా చూస్తున్నాము.

ఈ సవాళ్లను అధిగమించడం అసాధ్యమేమీ కాదు. మా మోడళ్ల చెయిన్-ఆఫ్-థాట్ పర్యవేక్షణ సామర్థ్యాన్ని మెరుగుపరిచే జోక్యాలను రూపొందించగలమని ఆశిస్తున్నాను. ఉదాహరణకు, విభిన్న ఆప్టిమైజేషన్ లక్ష్యాలు, మోడల్ ఉపయోగించే పరీక్ష-సమయ గణన రూపాల మధ్య పరస్పర ప్రభావాన్ని మెరుగ్గా అర్థం చేసుకోవచ్చు. CoT, యాక్టివేషన్ పర్యవేక్షణ ఆలోచనలను కలపడంలో కూడా గొప్ప విలువ ఉండవచ్చని నమ్ముతున్నాను. ఉదాహరణకు నేరాంగీకారాల⁠(కొత్త విండోలో తెరుచుకుంటుంది) మాదిరిగా, నెట్‌వర్క్ అంతర్గత భాగాలకు ప్రత్యక్ష ప్రవేశం ఉన్న పర్యవేక్షకుల శిక్షణను విస్తరించవచ్చు. ఈ ఆలోచనలపై మేము చురుగ్గా పనిచేస్తున్నాము. అయినప్పటికీ, సాధారణ AI పురోగతికి పర్యవేక్షణపై నమ్మకమే క్రమంగా ప్రధాన అడ్డంకిగా మారుతుందని భావిస్తున్నాను.

మరింత తెలివైన మోడళ్లకు వేగంగా శిక్షణ ఇవ్వడం కొనసాగించడానికి నాకు కనిపిస్తున్న బలమైన వాదన, ఇతర AIల వల్ల కలిగే ప్రమాదాలను ఎదుర్కొనే రక్షణ వ్యవస్థలను నిర్మించాల్సిన అవసరం.

ఈ ఏడాది అంతటా చర్చకు వచ్చిన స్పష్టమైన ముప్పుల్లో సైబర్‌సెక్యూరిటీకి సంబంధించినది ఒకటి: కంప్యూటర్ సిస్టమ్‌లలోకి చొరబడటంలోనూ, వాటి పరిమితులను దాటి బయటకు రావడంలోనూ మోడళ్లు మానవులను మించిన సామర్థ్యాన్ని పెంచుకుంటున్నాయి. ఇది AIతో ముడిపడిన ముప్పుల పరిధిని విపరీతంగా విస్తరిస్తుంది: అత్యంత సురక్షితమైన ఇన్‌ఫ్రాస్ట్రక్చర్‌ను మినహాయించి మిగతా దేనినైనా ఏజెంట్లు యాక్సెస్ చేయగలుగుతాయి. భౌతిక శరీరం లేకపోయినా, ప్రపంచంలోని అనేక విషయాలను నేరుగా ప్రభావితం చేయగలుగుతాయి. ప్రస్తుతం మనకు ఉన్న అతి తక్కువ సమయాన్ని⁠ ఉపయోగించుకుని, అందుబాటులో ఉన్న అత్యుత్తమ మోడళ్లతో కీలక సిస్టమ్‌ల సెక్యూరిటీని గణనీయంగా పటిష్ఠం⁠ చేయాలి.

దురదృష్టవశాత్తూ, ఇకపై AIతో ముడిపడిన ప్రమాదాలు పెరుగుతూనే ఉంటాయి. హానికర చర్యల కోసం ప్రత్యేకంగా శిక్షణ, సూచనలు పొందిన అత్యంత సమర్థవంతమైన ఏజెంట్ కొత్త తరహా ప్రమాదాన్ని సృష్టిస్తుంది. అది తన నిర్వాహకుడు ఉద్దేశించిన పరిధిని దాటి, మరింత తీవ్రమైన దురుద్దేశ ప్రవర్తనగా సాధారణీకరించే అవకాశం ఉంది. AIకి స్వతంత్ర కార్యసామర్థ్యం పెరుగుతున్న కొద్దీ, దుర్వినియోగం మరియు స్వయంప్రతిపత్తితో జరిగే అలైన్‌మెంట్‌కు విరుద్ధమైన చర్యల మధ్య సరిహద్దు అస్పష్టమవుతుంది. AIని సాధనాలుగా భావించడం మనకు అలవాటై ఉండవచ్చు. కానీ కొన్ని ఏజెంట్లు తమ సొంత లక్ష్యాలను అనుసరిస్తాయి. మనుషులతో బేరమాడటం, వారిని మోసగించడం లేదా బెదిరించి లొంగదీసుకోవడం ద్వారా వారితో కలిసి పనిచేసే మార్గాలను అవి కనుగొంటాయి.

అదనంగా, కృత్రిమంగా రూపొందించిన రోగకారకాలు వంటి AI సాధ్యం చేయగల కొత్త సాంకేతికతల నుంచి వచ్చే ప్రమాదాలు కూడా ఉన్నాయి.

రక్షణ కోసం శక్తిమంతమైన, అలైన్ అయిన AI అవసరం. మౌలిక సదుపాయాలను సురక్షితం చేయడానికి, నియంత్రణ తప్పిన ఏజెంట్ల నుంచి తక్షణమే రక్షించడానికి, పూర్తిగా కొత్త రక్షణ చర్యలను ఆవిష్కరించడానికి అది అవసరం. OpenAI అమలు ప్రయత్నాల్లో ఇది ప్రధాన అంశంగా ఉంటుంది.

అదే సమయంలో, విస్తృత AI పురోగతిపై అంచనాల వల్ల అనిశ్చితి ఉన్నా, రక్షణ వ్యవస్థలను నిర్మించాల్సిన అవసరం ఉన్నా, అవి నిర్లక్ష్యానికి సాకుగా మారనివ్వకూడదు. పణంగా ఉన్న అంశాల తీవ్రతను పూర్తిగా గ్రహించిన తర్వాత, ఎంత మూల్యం చెల్లించైనా ముందుకు దూసుకెళ్లాలనే ఆలోచన అసంబద్ధంగా అనిపిస్తుంది.

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(కొత్త విండోలో తెరుచుకుంటుంది), which was key to training early AI assistants, and the aforementioned chain-of-thought monitoring⁠(కొత్త విండోలో తెరుచుకుంటుంది), 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(కొత్త విండోలో తెరుచుకుంటుంది) 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.