فراوان انٹیلیجنس کی تعمیر
جدید مصنوعی ذہانت کو زیادہ قابل، زیادہ سستا اور وسیع تر طور پر مفید بنانے کے لیے ایک فل اسٹیک طریقہ کار.
AI انفراسٹرکچر صرف اس کے بڑے ہونے کی وجہ سے قیمتی نہیں ہوتا. یہ اس لیے قیمتی ہے کہ یہ جو کچھ ممکن بناتا ہے: زیادہ قابلِ صلاحیت انٹیلیجنس، زیادہ لوگوں کے لیے دستیاب، کم لاگت پر.
فراوانی کے بارے میں میرا سوچنے کا طریقہ یہی ہے. یہ ہمارے مشن—یہ یقینی بنانا کہ آرٹیفیشل جنرل انٹیلیجنس پوری انسانیت کے لیے فائدہ مند ہو—اور اس معاشی انجن، دونوں میں پیوست ہے جو ہمارے کاروبار کو آگے بڑھاتا ہے.
جب کارآمد انٹیلیجنس کی لاگت کم ہوتی ہے، تو مزید کام کرنا قابلِ قدر ہو جاتا ہے. جیسے جیسے ماڈل زیادہ قابل ہوتے جاتے ہیں، وہ کام زیادہ قدر پیدا کرتا ہے. جیسے جیسے قبولیت بڑھتی ہے، ہمیں آمدنی، حقیقی دنیا سے فیڈبیک اور طلب کے بارے میں واضح بصیرت حاصل ہوتی ہے، جس سے ہم تحقیق اور انفراسٹرکچر کی اگلی نسل میں سرمایہ کاری جاری رکھ سکتے ہیں.
بہتر انٹیلیجنس وسیع تر اپنانے کو فروغ دیتی ہے. وسیع تر اپنانا مزید سرمایہ کاری کو فروغ دیتا ہے. زیادہ سرمایہ کاری انٹیلیجنس اور کارکردگی کو بہتر بناتی ہے. یہی وہ سائیکل ہے جسے ہم تیار کر رہے ہیں.
ہمارا قیمتوں سے متعلق حالیہ اعلان ظاہر کرتا ہے کہ یہ سلسلہ کس طرح صارفین کو تیزی سے فائدہ پہنچاتا ہے. کل، ہم نے GPT‑5.6 Luna کی قیمت میں 80 فیصد اور GPT‑5.6 Terra کی قیمت میں 20 فیصد کمی کی. Luna کی قیمت اب فی دس لاکھ اِن پٹ ٹوکن $0.20 اور فی دس لاکھ آؤٹ پٹ ٹوکن $1.20 ہے؛ Terra کی قیمت بالترتیب $2 اور $12 ہے.
GPT‑5.6 Sol کے لیے، فاسٹ موڈ معیاری عمل کاری کے مقابلے دوگنی قیمت پر 2,5 گنا تک رفتار فراہم کرتا ہے، انٹیلیجنس میں کسی تبدیلی کے بغیر.
یہ محض قیمتوں کی فہرست میں کی گئی تبدیلیاں نہیں ہیں. یہ ایسے کاموں کا دائرہ وسیع کرتے ہیں جو قابلِ عمل ہو جاتے ہیں اور صارفین کو انٹیلیجنس، رفتار، قابلِ اعتمادیت اور لاگت کے درمیان توازن قائم کرنے کے لیے زیادہ لچک فراہم کرتے ہیں.
درست سوال یہ نہیں ہے کہ کون سا ماڈل کس کام کے لیے ہے. یہ اس بات پر منحصر ہے کہ مطلوبہ نتیجہ حاصل کرنے کے لیے آؤٹ کم کو کتنی انٹیلیجنس درکار ہے، انٹیلیجنس کتنی جلدی چاہیے اور اسے حاصل کرنے کے لیے انٹیلیجنس کی لاگت کیا ہونی چاہیے. یہ توازن ایک ہی ورک فلو کے اندر کئی بار بدل سکتا ہے.
صارفین ٹوکن محض ٹوکن کی خاطر نہیں خریدتے. وہ چاہتے ہیں کہ سپورٹ کا مسئلہ حل کیا جائے، سافٹ ویئر جاری کیا جائے، معاہدے کا جائزہ لیا جائے، یا سائنسی سوال کا جواب دیا جائے. درست پیمانہ ایک کامیاب نتیجے کی لاگت ہے، جس میں وہاں تک پہنچنے کے لیے درکار وقت، دوبارہ کوششیں، نگرانی اور غلطیاں شامل ہیں.
ایک زیادہ طاقتور ماڈل، جو کام کو درست اور مؤثر طریقے سے مکمل کرتا ہے، آخرکار ایک سستے ماڈل کے مقابلے میں زیادہ کفایتی ثابت ہو سکتا ہے جس کے لیے بار بار کوششوں یا وسیع انسانی مداخلت کی ضرورت پڑتی ہے. اس کے برعکس، کم لاگت والا ماڈل رسائی کو نمایاں طور پر وسیع کر سکتا ہے، بشرطیکہ وہ معیار کے اسی پیمانے پر پورا اترتا ہو. موقع یہ ہے کہ مناسب قیمت پر زیادہ سے زیادہ مفید انٹیلیجنس استعمال کی جائے.
یہ قدر فراہم کرنے کے لیے صرف اضافی ڈیٹا سینٹرز بنانا کافی نہیں ہے. اس کے لیے کمپیوٹنگ کی ہر اکائی کو زیادہ پیداواری بنانا ضروری ہے.
ہمارا حالیہ انجینئرنگ کا کام اس کی مثال پیش کرتا ہے کہ یہ عملی طور پر کیسا دکھتا ہے. ہماری تکنیکی ٹیموں کے ساتھ کام کرتے ہوئے، GPT‑5.6 Sol نے ہمارے ماڈلز کو سرو کرنے کے لیے استعمال ہونے والے پروڈکشن سافٹ ویئر کو بہتر بنانے میں مدد کی، جس سے اینڈ ٹو اینڈ سروِنگ اخراجات میں 20% کمی آئی. اس سے اسپیکیولیٹو ڈیکوڈنگ کو بہتر بنانے میں بھی مدد ملی، جس سے ٹوکن جنریشن کی کارکردگی میں 15% سے زیادہ اضافہ ہوا.
اتنا ہی اہم، کارکردگی صرف ماڈل سے متعین نہیں ہوتی. اس کے ارد گرد کا نظام اہمیت رکھتا ہے. بہتر روٹنگ ہارڈ ویئر کو کارآمد بنائے رکھتی ہے. زیادہ ذہین سیاق و سباق کا انتظام ایجنٹس کو کام دہرانے سے روکتا ہے. زیادہ مؤثر ٹولز اور بہتر پروڈکٹ ڈیزائن کسی کام کو مکمل کرنے کے لیے درکار مراحل کی تعداد کم کرتے ہیں.
ایک حالیہ بینچ مارک تجزیے میں، برقرار رکھی گئی ریزننگ اور سیاق و سباق کے نظم میں بہتریوں نے عوامی ARC-AGI-3 ٹاسک سیٹ پر GPT‑5.6 Sol کا اسکور 13.3 فیصد سے بڑھا کر 38.3 فیصد کر دیا، جبکہ آؤٹ پٹ ٹوکنز چھ گنا کم استعمال ہوئے. ماڈل تبدیل نہیں ہوا. گردونواح کا نظام نے ایسا کیا.
یہ فوائد مرکب ہو کر بڑھتے ہیں. زیادہ صلاحیت والے ماڈل ہماری ٹیموں کو کارکردگی کے نئے مواقع دریافت کرنے میں مدد دیتے ہیں. یہ بہتریاں صارفین کو خدمات فراہم کرنے کی لاگت کم کرتی ہیں اور اسی بنیادی ڈھانچے کے ساتھ زیادہ کام کو سپورٹ کرنے کی ہماری صلاحیت بڑھاتی ہیں. یہ بدلے میں انٹیلیجنس کی اگلی جنریشن کو زیادہ قابلِ رسائی بناتا ہے.
انفراسٹرکچر، ماڈلز، پلیٹ فارم اور پروڈکٹس میں تعمیر کرنے کا فائدہ محض یہ نہیں ہے کہ ہم ہر پرت میں حصہ لیتے ہیں. بات یہ ہے کہ ہر پرت دوسری پرتوں کو بہتر بناتی ہے.
حقیقی دنیا میں پروڈکٹ کے استعمال سے ہمیں پتہ چلتا ہے کہ صارفین کو کہاں قدر ملتی ہے اور انہیں کہاں رکاوٹوں کا سامنا ہوتا ہے. وہ رائے ہماری تحقیق کا رخ متعین کرنے میں مدد کرتی ہے. تحقیق میں ہونے والی بہتریاں ہماری مصنوعات کو مضبوط بناتی ہیں اور ان کی فراہمی کی لاگت کو کم کرتی ہیں. ChatGPT، ChatGPT کام، Codex اور API میں طلب سے ہمیں اس بارے میں بہتر فیصلے کرنے میں مدد ملتی ہے کہ کہاں گنجائش بڑھائی جائے.
اس سیکھنے کی وسعت اہمیت رکھتی ہے. ہمارے ماڈلز اب 1,000,000,000 سے زیادہ فعال صارفین اور 2,000,000 سے زیادہ کاروباروں تک پہنچتے ہیں. جیسے جیسے لوگوں کا ٹیکنالوجی پر اعتماد بڑھتا ہے، وہ اسے زیادہ گہرائی سے استعمال کرتے ہیں. سائن اپ کرنے کے چھ ماہ بعد، لوگ ہر روز تقریباً 50 فیصد زیادہ پیغامات بھیجتے ہیں اور ChatGPT کو تقریباً دو گنی اقسام کے کاموں کے لیے استعمال کرتے ہیں. ChatGPT کام علمی کارکن ہونے کے معنی کو بدل رہا ہے، سوالات کے جواب دینے سے آگے بڑھ کر پیچیدہ، کئی مراحل پر مشتمل کام مکمل کرنے تک—"پوچھنے" سے "کرنے" تک. OpenAI بھر میں، Codex کے ذریعے ایجنٹک کام اب ہفتہ وار آؤٹ پٹ ٹوکنز کا 99.8% بنتا ہے اور فنانس ان ٹیموں میں شامل ہے جنہوں نے ایجنٹک ٹولز کو اپنے کام کرنے کے طریقۂ کار کا بنیادی حصہ بنا لیا ہے.
تنظیموں کے اندر بھی یہی طرز ملتا جلتا ہے. کوئی کمپنی ایک ٹیم یا ایک ورک فلو سے شروع ہو سکتی ہے. جیسے جیسے معیار اور معاشی افادیت بہتر ہوتی ہے، اپنانے کا عمل مختلف کاروباری شعبوں تک پھیلتا ہے اور AI کاروبار کے چلنے کے طریقے کا حصہ بن جاتی ہے.
اس سے طلب، پروڈکٹ کی بہتری، موثریت اور بنیادی ڈھانچے کی منصوبہ بندی کے درمیان ایک قیمتی فیڈبیک لوپ پیدا ہوتا ہے. اس کے لیے ہر اثاثے کی ملکیت رکھنا یا ہر جزو کو خود بنانا ضروری نہیں ہے. ہم ملکیت اختیار کر سکتے ہیں، شراکت داری کر سکتے ہیں، یا خرید سکتے ہیں، جو کسٹمر کی بہترین خدمت کرے اور معاشی لحاظ سے سب سے زیادہ معقول ہو. اہم بات نظام کو ہم آہنگ کرنا اور اس کے اندر ہر سطح پر سیکھنا ہے.
AI انفراسٹرکچر کی منصوبہ بندی اس کی ضرورت سے برسوں پہلے کرنی چاہیے، جبکہ ماڈلز، مصنوعات اور صارفین کی مانگ کہیں زیادہ تیزی سے بدلتی ہے. یہ عدم مطابقت نظم و ضبط کو لازمی بنا دیتی ہے.
ہم اپنے سرمایہ کاری کے فیصلوں کی بنیاد شواہد پر رکھتے ہیں: صارفین اور ورک لوڈ میں اضافہ، انٹرپرائز کمٹمنٹس، API کی کھپت، استعمال، آمدنی اور ماڈل کی صلاحیت اور کارکردگی میں پیش رفت. تکنیکی اور تجارتی سنگِ میل یہ تعین کرنے میں مدد کرتے ہیں کہ منصوبے کب آگے بڑھیں. طویل مدتی شراکت داریاں بڑے پیمانے پر فراہمی کے لیے درکار مالی وسائل، بنیادی ڈھانچہ اور عملیاتی مہارت کو یکجا کرتی ہیں.
مصنوعات سے حاصل ہونے والی آمدنی، نجی سرمایہ اور تجارتی شراکت داریاں اس ترقی کو سہارا دینے میں مختلف کردار ادا کرتی ہیں. مقصد سب سے زیادہ انفراسٹرکچر بنانا نہیں ہے. اس کا مقصد قابلِ اعتماد طلب کے مطابق، صحیح وقت پر مناسب صلاحیت کو تعینات کرنا ہے.
اہم سوالات یہ ہیں: نئی صلاحیت کتنی تیزی سے کارآمد ہو جاتی ہے؟ اسے کس قدر مؤثر طریقے سے استعمال کیا جاتا ہے؟ یہ کسٹمر کی کس طلب کو پورا کرنے میں مدد دیتا ہے؟ تکنیکی پیش رفت مفید انٹیلیجنس فراہم کرنے کی لاگت کو کتنی تیزی سے کم کر سکتی ہے؟
وہ سوالات طویل مدتی عزائم کو عملیاتی نظم و ضبط سے جوڑتے ہیں.
ہم ابھی ابتدائی مراحل میں ہیں. زیادہ باصلاحیت سسٹمز طویل پروجیکٹس مکمل کریں گے، مختلف ٹولز کے درمیان تال میل کریں گے اور ایک خیال سے حتمی نتیجے تک کے زیادہ کام کو سنبھالیں گے. افراد اور چھوٹے کاروبار ایسی صلاحیتیں حاصل کریں گے جو پہلے صرف کہیں زیادہ بڑی تنظیموں کو دستیاب تھیں. کاروباری ادارے اپنی کارروائیوں میں انٹیلیجنس کا زیادہ وسیع پیمانے پر اطلاق کریں گے.
ہمارا مقصد صرف زیادہ کمپیوٹ، بڑے ماڈلز یا ٹوکن کی کم قیمتیں نہیں ہیں. یہ زیادہ مفید انٹیلیجنس ہے، جو آپ کی دسترس میں ہے.
فراوانی کا مطلب یہی ہے: ایسی انٹیلیجنس جو اسے استعمال کرنے والے لوگوں کے لیے مسلسل زیادہ صلاحیت مند، زیادہ قابلِ استطاعت اور زیادہ قیمتی بنتی جاتی ہے. ہم اپنی پیش رفت کی پیمائش اس بنیاد پر کریں گے کہ اس سے کتنا مفید کام ممکن ہوتا ہے، ہم اسے کتنی مؤثر طریقے سے فراہم کرتے ہیں اور اس کے فوائد کتنے وسیع پیمانے پر بانٹے جا سکتے ہیں.
