ओपनएआई का कहना है कि अब 80 से 90 प्रतिशत शोध का लक्ष्य GPT-7 और उससे आगे है

ओपनएआई अपना अधिकांश शोध उन मॉडलों पर लगा रही है जो अभी बने ही नहीं हैं

ओपनएआई अपनी शोध क्षमता का भारी बहुमत उन मॉडलों पर खर्च कर रही है जो अभी बनाए नहीं गए हैं। कंपनी के एप्लाइड रिसर्च प्रमुख बोरिस पावर इस आंकड़े को 80 से 90 प्रतिशत बताते हैं, जो GPT-7, GPT-8 और उनके बाद की पीढ़ियों की ओर जा रहा है। तर्क सीधा है: कंपनी मानती है कि "अधिकांश मूल्य" अंततः वहीं पैदा होगा।

फेलोज़ फोरम के एक सत्र के दौरान दिया गया यह खुलासा इस बात की समझ बदल देता है कि बाहरी लोग ओपनएआई के मध्य-चक्र मॉडल रिलीज़ की निरंतर धारा को कैसे देखें। ये अपडेट असली उत्पाद हैं जिन्हें ग्राहक रोज़ाना इस्तेमाल करते हैं, लेकिन कंपनी का शोध ध्यान इन पर केंद्रित नहीं है।

पावर की व्याख्या ऐसी संस्था की ओर संकेत करती है जो हर क्रमांकित पीढ़ी को उत्पाद पुनरावृत्ति के बजाय एक प्लेटफ़ॉर्म बदलाव मानती है — एक ऐसा कदम जो इस बारे में धारणाएँ बदल देता है कि तकनीक क्या कर सकती है और रिटर्न कहाँ से आएगा।

इस प्रतिबद्धता का पैमाना फ्रंटियर एआई लैब्स के मानकों के हिसाब से भी असामान्य है। शोध संसाधनों का स्पष्ट बहुमत उन सिस्टमों पर लगाना जो रिलीज़ होने से कई पीढ़ियाँ दूर हैं, यह विश्वास दर्शाता है कि सबसे बड़े आर्थिक और क्षमता लाभ मौजूदा चीज़ों के परिष्कार से नहीं मिलेंगे।

वृद्धिशील अपडेट जानबूझकर किया गया अल्पकालिक दांव हैं

बड़ी पीढ़ियों के बीच, ओपनएआई छोटे सुधार जारी करती है। पावर ने GPT-5.1 से GPT-5.2 तक की छलांग को एक प्रतिनिधि उदाहरण बताया। इस तरह का काम मुख्य रूप से विशेष प्रशिक्षण डेटा पर निर्भर करता है — लक्षित डेटासेट जो अंतर्निहित दृष्टिकोण बदले बिना विशिष्ट क्षेत्रों में मॉडल के व्यवहार को तेज़ करते हैं।

पावर ने कहा कि आंतरिक रूप से इन वृद्धिशील रिलीज़ों को "अत्यंत अल्पदृष्टि" माना जाता है। यह आलोचना से अधिक रणनीति की स्वीकारोक्ति है: कंपनी जानती है कि ये लंबी दौड़ नहीं हैं, और फिर भी इन्हें जारी करती है।

इसका औचित्य गति है। बार-बार अपडेट ओपनएआई को वर्तमान में तेज़ी से पुनरावृत्ति करने, संकेत इकट्ठा करने और सीखने देते हैं, भले ही यह दृष्टिकोण कंपनी को दीर्घकाल में वहाँ नहीं ले जाएगा जहाँ वह जाना चाहती है। दूसरे शब्दों में, अल्पकालिक दांव उस सीख को वित्तपोषित करते हैं जो दीर्घकालिक दांवों को सूचित करती है।

• अधिकांश शोध क्षमता: GPT-7, GPT-8 और उससे आगे पर लक्षित।
• मध्य-चक्र अपडेट: विशेष प्रशिक्षण डेटा से प्रेरित।
• आंतरिक दृष्टिकोण: ये अपडेट उपयोगी हैं, लेकिन रणनीतिक रूप से संकीर्ण।
• दीर्घकालिक लाभ: नई मॉडल पीढ़ियों के साथ आने की उम्मीद।

असली छलांग नई पीढ़ी के साथ आती है

पावर ने पीढ़ीगत छलांग को उस क्षण के रूप में वर्णित किया जब "बाकी सब कुछ बहुत बेहतर काम करने लगता है।" एक पीढ़ी में जो क्षमताएँ नाज़ुक या आंशिक थीं, वे अगली में सुसंगत हो जाती हैं, ऐसे लाभ पैदा करती हैं जिन्हें पिछले मॉडल पर कितनी भी फाइन-ट्यूनिंग से दोहराया नहीं जा सकता।

अंतर संकीर्ण कार्यों पर मॉडल को तेज़ करने और एक साथ सब कुछ की सीमा बढ़ाने के बीच है। विशेष प्रशिक्षण डेटा यह सुधार सकता है कि मॉडल अनुरोधों की विशेष श्रेणियों को कैसे संभालता है; एक नई पीढ़ी यह सुधार सकती है कि वह कैसे तर्क करता है, निर्देशों का पालन करता है और व्यापक रूप से अस्पष्टता से निपटता है।

इस गतिशीलता में एक असामान्य परिचालन लागत है। हर कदम ऊपर के बाद, ओपनएआई को फिर से सीखना पड़ता है कि त्वरित जीत के लिए कहाँ निवेश करना है। जो तकनीकें कभी सार्थक लाभ देती थीं, वे तब अनावश्यक हो सकती हैं जब बेस मॉडल स्वयं बेहतर हो जाए — एक चलता निशाना जो कंपनी को हर पीढ़ी के साथ अपनी रणनीति फिर से बनाने पर मजबूर करता है।

मॉडल गुणवत्ता नहीं, ऑनबोर्डिंग है बाधा

शायद पावर के विवरण का सबसे महत्वपूर्ण हिस्सा उस बात से संबंधित है जिसे वे आज एआई सहायकों के सामने मुख्य बाधा मानते हैं। यह मॉडलों की गुणवत्ता नहीं है। यह ऑनबोर्डिंग है।

उन्होंने कहा कि अधिकांश ChatGPT उपयोगकर्ता नहीं जानते कि वे एआई के साथ वास्तव में क्या कर सकते हैं। यह अंतर क्षमता का नहीं, बल्कि खोज का है: मॉडल पहले से ही कई तरह के कार्य संभाल सकते हैं जिन्हें कई उपयोगकर्ता आज़माने की सोचते भी नहीं। इस अंतर को पाटना शोध के साथ-साथ डिज़ाइन और उत्पाद की समस्या भी है।

यह किसी ऐसे व्यक्ति से एक उल्लेखनीय दावा है जिसका काम शोध सीमा के करीब है। यह सुझाव देता है कि वास्तविक दुनिया के मूल्य पर सीमित करने वाला कारक यह कम है कि अगला मॉडल कितना स्मार्ट है, और यह अधिक है कि लोग यह समझ पाते हैं या नहीं कि उससे क्या करने को कहें। एक अधिक सक्षम सिस्टम जिसका उपयोगकर्ता कम उपयोग करते हैं, अपनी क्षमता से कम देता है।

भविष्य के मॉडलों के लिए पावर का नुस्खा यह है कि उन्हें यह बेहतर ढंग से सामने लाना चाहिए कि क्या संभव है और पूछे जाने से पहले यह अनुमान लगाना चाहिए कि उपयोगकर्ता को क्या चाहिए। यह ऐसे सहायकों की ओर संकेत करता है जो कार्रवाइयाँ सुझाते हैं, वर्कफ़्लो प्रस्तावित करते हैं और यह पता लगाने का बोझ कम करते हैं कि शुरुआत कहाँ से करें।

हर पीढ़ी उपयोगकर्ता अनुभव को कैसे बदलती है

पावर ने हाल के ओपनएआई मॉडलों में उपयोगिता के विकास को ठोस शब्दों में रेखांकित किया:

• GPT-4 में सावधान प्रॉम्प्टिंग की मांग थी — उपयोगकर्ताओं को पूछने का हुनर सीखना पड़ा।
• GPT-5 के साथ काम करना आसान हो गया, लेकिन सही दिशा में बने रहने के लिए अभी भी बहुत अधिक फीडबैक की ज़रूरत थी।
• GPT-6 एक सक्षम सहयोगी की तरह व्यवहार करता है: आप उसे एक लक्ष्य सौंप सकते हैं और उसे काम करने दे सकते हैं।

वे जिस प्रक्षेपवक्र का वर्णन करते हैं, वह एक उपकरण को निर्देश देने से एक सहयोगी को काम सौंपने की ओर बदलाव है। हर कदम उपयोगकर्ता की आवश्यक विशेषज्ञता की मात्रा कम करता है, जो बदले में यह व्यापक बनाना चाहिए कि कौन सिस्टम से मूल्य निकाल सकता है।

यह ओपनएआई के रोडमैप तर्क के बारे में क्या बताता है

कुल मिलाकर, पावर की टिप्पणियाँ दो-ट्रैक रणनीति की रूपरेखा प्रस्तुत करती हैं। एक ट्रैक बार-बार, डेटा-संचालित अपडेट के ज़रिए मौजूदा उत्पाद को प्रतिस्पर्धी बनाए रखता है। दूसरा ट्रैक — जहाँ अधिकांश शोध बजट जाता है — पीढ़ीगत रीसेट पर लक्षित है जो पहले ट्रैक के अनुकूलनों को अप्रचलित बना देते हैं।

यह विभाजन यह भी समझाता है कि कंपनी हर नई पीढ़ी को निर्णायक घटना क्यों मानती है। यदि सबसे बड़े लाभ परिष्कार के बजाय रीसेट से आते हैं, तो शोध प्राथमिकताओं को रीसेट का अनुसरण करना चाहिए, भले ही मध्यवर्ती रिलीज़ वही हों जिन्हें ग्राहक आज वास्तव में उपयोग करते हैं।

अनसुलझा प्रश्न वही है जो पावर ने स्वयं उठाया: क्या आज के मॉडलों में पहले से मौजूद मूल्य उन लोगों तक पहुँच सकता है जो अभी उनका अच्छी तरह उपयोग नहीं कर रहे हैं। उनके ही कथन के अनुसार, यह मॉडलों को और स्मार्ट बनाने की बात कम है और उन्हें बाकी सबके लिए सुपाठ्य बनाने की बात अधिक है।

फिलहाल, कंपनी इस सौदे के साथ सहज दिखती है। वह छोटे अपडेट जारी करती रहेगी और अपने अधिकांश शोध को उन पीढ़ियों पर दांव पर लगाएगी जो अभी आई नहीं हैं।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।