OpenAI ஆய்வில் 80 முதல் 90 சதவீதம் இப்போது GPT-7 மற்றும் அதற்கு அப்பால் இலக்கு வைக்கப்பட்டுள்ளது

OpenAI தனது ஆய்வின் பெரும்பகுதியை இன்னும் உருவாகாத மாடல்களில் செலுத்துகிறது

OpenAI தனது ஆய்வுத் திறனில் பெரும் பெரும்பகுதியை இன்னும் உருவாக்கப்படாத மாடல்களுக்கே ஒதுக்குகிறது. நிறுவனத்தின் பயன்பாட்டு ஆய்வுத் தலைவர் போரிஸ் பவர், மொத்த ஆய்வு முயற்சியில் 80 முதல் 90 சதவீதம் வரை GPT-7, GPT-8 மற்றும் அவற்றுக்கு அப்பாற்பட்ட தலைமுறைகளை நோக்கிச் செல்கிறது என்கிறார். காரணம் நேரடியானது: "பெரும்பாலான மதிப்பு" இறுதியில் அங்கேயே உருவாகும் என்று நிறுவனம் நம்புகிறது.

Fellows Forum-ல் நடந்த ஒரு அமர்வில் வெளியிடப்பட்ட இந்தத் தகவல், OpenAI-வின் தொடர்ச்சியான இடைப்பட்ட மாடல் வெளியீடுகளை வெளியாட்கள் எப்படிப் புரிந்துகொள்ள வேண்டும் என்பதை மறுவரையறை செய்கிறது. அந்தப் புதுப்பிப்புகள் வாடிக்கையாளர்கள் தினமும் பயன்படுத்தும் உண்மையான தயாரிப்புகள் தான், ஆனால் நிறுவனத்தின் ஆய்வுக் கவனம் அவற்றில் குவிந்திருக்கவில்லை.

ஒவ்வொரு எண்ணிடப்பட்ட தலைமுறையையும் ஒரு தயாரிப்பு மேம்பாடாக அல்லாமல் ஒரு தள மாற்றமாக — தொழில்நுட்பம் என்ன செய்ய முடியும், வருவாய் எங்கிருந்து வரும் என்ற எதிர்பார்ப்புகளை மீட்டமைக்கும் ஒரு படிநிலை மாற்றமாக — நிறுவனம் கருதுகிறது என்பதை பவரின் விளக்கம் காட்டுகிறது.

அந்த அளவிலான அர்ப்பணிப்பு, முன்னணி AI ஆய்வகங்களின் தரத்தின்படி பார்த்தாலும் அசாதாரணமானது. வெளியீட்டிலிருந்து பல தலைமுறைகள் தொலைவில் உள்ள அமைப்புகளுக்கே ஆய்வு வளங்களில் தெளிவான பெரும்பகுதியை ஒதுக்குவது, ஏற்கனவே உள்ளதை மெருகேற்றுவதன் மூலம் மிகப்பெரிய பொருளாதார மற்றும் திறன் ஆதாயங்கள் கிடைக்காது என்ற நம்பிக்கையைக் குறிக்கிறது.

படிப்படியான புதுப்பிப்புகள் வேண்டுமென்றே எடுக்கப்பட்ட குறுகிய கால பந்தயம்

பெரிய தலைமுறைகளுக்கு இடையே, OpenAI சிறிய மேம்பாடுகளை வெளியிடுகிறது. GPT-5.1-லிருந்து GPT-5.2-க்கான மாற்றத்தை பவர் ஒரு பொதுவான உதாரணமாகச் சுட்டினார். அத்தகைய வேலை பெருமளவில் சிறப்பு பயிற்சித் தரவைச் சார்ந்திருக்கிறது — அடிப்படை அணுகுமுறையை மாற்றாமல், குறிப்பிட்ட பகுதிகளில் மாடலின் நடத்தையைக் கூர்மைப்படுத்தும் இலக்கு தரவுத்தொகுப்புகள்.

உள்நாட்டில், இந்தப் படிப்படியான வெளியீடுகள் "மிகக் குறுகிய பார்வை கொண்டவை" என்று கருதப்படுகின்றன என்று பவர் கூறினார். அது ஒரு விமர்சனம் என்பதைவிட, ஒரு உத்தியின் ஒப்புதல்: அவை நீண்ட கால விளையாட்டு அல்ல என்பதை நிறுவனம் அறிந்திருந்தும், அவற்றை வெளியிடுகிறது.

நியாயப்படுத்தல் வேகம். அடிக்கடி புதுப்பிப்புகள் வெளியிடுவது OpenAI-க்கு தற்போதைய நிலையில் மீள்செயல், சமிக்ஞை சேகரிப்பு மற்றும் விரைவாகக் கற்றுக்கொள்வதை சாத்தியமாக்குகிறது; இந்த அணுகுமுறை நிறுவனத்தை நீண்ட காலத்தில் அது செல்ல விரும்பும் இடத்திற்குக் கொண்டு செல்லாது என்றாலும். வேறு வார்த்தைகளில், குறுகிய கால பந்தயங்கள், நீண்ட கால பந்தயங்களுக்கு வழிகாட்டும் கற்றலை நிதியளிக்க உதவுகின்றன.

• பெரும்பாலான ஆய்வுத் திறன்: GPT-7, GPT-8 மற்றும் அதற்கு அப்பால் இலக்கு வைக்கப்பட்டுள்ளது.
• இடைப்பட்ட சுழற்சி புதுப்பிப்புகள்: சிறப்பு பயிற்சித் தரவால் இயக்கப்படுகின்றன.
• உள் பார்வை: இந்தப் புதுப்பிப்புகள் பயனுள்ளவை, ஆனால் உத்திரவாத ரீதியாக குறுகியவை.
• நீண்ட கால பலன்: புதிய மாடல் தலைமுறைகளுடன் வரும் என எதிர்பார்க்கப்படுகிறது.

உண்மையான தாவல் ஒரு புதிய தலைமுறையுடன் வருகிறது

"மற்ற அனைத்தும் மிகச் சிறப்பாகச் செயல்படும்" தருணமாகவே தலைமுறை மாற்றத்தை பவர் விவரித்தார். ஒரு தலைமுறையில் பலவீனமாகவோ பகுதியளவாகவோ இருந்த திறன்கள் அடுத்த தலைமுறையில் ஒன்றிணைந்து, முந்தைய மாடலில் எவ்வளவு நுட்பமாகச் சரிசெய்தாலும் பெற முடியாத ஆதாயங்களை உருவாக்குகின்றன.

வேறுபாடு என்னவென்றால், குறுகிய பணிகளில் ஒரு மாடலைக் கூர்மைப்படுத்துவதற்கும், ஒரே நேரத்தில் அனைத்திற்கும் உச்சவரம்பை உயர்த்துவதற்கும் இடையிலான வேறுபாடு. சிறப்பு பயிற்சித் தரவு, குறிப்பிட்ட வகை கோரிக்கைகளை மாடல் எவ்வாறு கையாளுகிறது என்பதை மேம்படுத்த முடியும்; ஒரு புதிய தலைமுறை அது எவ்வாறு பகுத்தறிகிறது, வழிமுறைகளைப் பின்பற்றுகிறது மற்றும் தெளிவின்மையை எதிர்கொள்கிறது என்பதை ஒட்டுமொத்தமாக மேம்படுத்த முடியும்.

அந்த இயக்கவியல் ஒரு அசாதாரண செயல்பாட்டுச் செலவைக் கொண்டுள்ளது. ஒவ்வொரு மேல்நிலை மாற்றத்திற்குப் பிறகும், விரைவான வெற்றிகளுக்கு எங்கு முதலீடு செய்வது என்பதை OpenAI மீண்டும் கற்றுக்கொள்ள வேண்டியிருக்கிறது. ஒரு காலத்தில் அர்த்தமுள்ள ஆதாயங்களைத் தந்த நுட்பங்கள், அடிப்படை மாடல் தானாகவே மேம்படும்போது தேவையற்றதாகிவிடலாம் — இது ஒவ்வொரு தலைமுறையிலும் நிறுவனம் தனது செயல்திட்டத்தை மீண்டும் கட்டியெழுப்ப வேண்டிய ஒரு நகரும் இலக்காகும்.

மாடல் தரம் அல்ல, ஆன்போர்டிங் தான் தடை

பவரின் கூற்றில் மிக முக்கியமான பகுதி, இன்று AI உதவியாளர்கள் எதிர்கொள்ளும் முதன்மைத் தடையாக அவர் கருதுவது பற்றியது. அது மாடல்களின் தரம் அல்ல. அது ஆன்போர்டிங்.

பெரும்பாலான ChatGPT பயனர்கள், AI மூலம் தாங்கள் உண்மையில் என்ன செய்ய முடியும் என்பதை அறியவில்லை என்று அவர் கூறினார். இந்த இடைவெளி திறன் சார்ந்தது அல்ல, கண்டறிதல் சார்ந்தது: பல பயனர்கள் முயற்சிக்க நினைக்காத பரந்த அளவிலான பணிகளை மாடல்கள் ஏற்கனவே கையாள முடியும். அந்த இடைவெளியைக் குறைப்பது ஆய்வுப் பிரச்சினை மட்டுமல்ல, வடிவமைப்பு மற்றும் தயாரிப்புப் பிரச்சினையும் கூட.

ஆய்வு எல்லைக்கு அருகில் பணிபுரியும் ஒருவரிடமிருந்து வரும் இது குறிப்பிடத்தக்க கூற்று. நிஜ உலக மதிப்பின் மீதான கட்டுப்படுத்தும் காரணி, அடுத்த மாடல் எவ்வளவு புத்திசாலி என்பதை விட, அதை என்ன செய்யச் சொல்வது என்பதை மக்கள் கண்டுபிடிக்க முடிகிறதா என்பதே என்பதை இது காட்டுகிறது. பயனர்கள் முழுமையாகப் பயன்படுத்தாத ஒரு திறமையான அமைப்பு, அதன் திறனை விடக் குறைவாகவே வழங்குகிறது.

எதிர்கால மாடல்களுக்கான பவரின் பரிந்துரை என்னவென்றால், என்ன சாத்தியம் என்பதை அவை சிறப்பாக முன்வைக்க வேண்டும், மேலும் கேட்பதற்கு முன்பே ஒரு பயனருக்கு என்ன தேவை என்பதை முன்கூட்டியே அறிய வேண்டும். இது செயல்களை முன்மொழியும், பணிப்பாய்வுகளை பரிந்துரைக்கும், எங்கு தொடங்குவது என்பதைக் கண்டுபிடிக்கும் சுமையைக் குறைக்கும் உதவியாளர்களை நோக்கிக் காட்டுகிறது.

ஒவ்வொரு தலைமுறையும் பயனர் அனுபவத்தை எவ்வாறு மாற்றுகிறது

சமீபத்திய OpenAI மாடல்களில் பயன்பாட்டுத் திறன் எவ்வாறு பரிணமித்தது என்பதை பவர் உறுதியான சொற்களில் வரைந்தார்:

• GPT-4 கவனமான ப்ராம்ப்டிங்கைக் கோரியது — பயனர்கள் கேட்பதின் கலையைக் கற்க வேண்டியிருந்தது.
• GPT-5 உடன் பணிபுரிவது எளிதானது, ஆனால் சரியான பாதையில் இருக்க நிறைய கருத்துக்கள் தேவைப்பட்டன.
• GPT-6 ஒரு திறமையான சக ஊழியர் போலவே நடந்துகொள்கிறது: ஒரு இலக்கைக் கொடுத்து அதை வேலை செய்ய விடலாம்.

அவர் விவரிக்கும் பாதை, ஒரு கருவிக்கு அறிவுறுத்துவதிலிருந்து ஒரு கூட்டாளரிடம் ஒப்படைப்பதற்கான மாற்றமாகும். ஒவ்வொரு படியும் தேவைப்படும் பயனர் நிபுணத்துவத்தின் அளவைக் குறைக்கிறது, இது அமைப்பிலிருந்து மதிப்பைப் பெறக்கூடியவர்களின் வட்டத்தை விரிவுபடுத்த வேண்டும்.

OpenAI-வின் சாலை வரைபட தர்க்கம் பற்றி இது என்ன சொல்கிறது

ஒட்டுமொத்தமாகப் பார்க்கும்போது, பவரின் கருத்துகள் இரட்டைப் பாதை உத்தியை வரையறுக்கின்றன. ஒரு பாதை, அடிக்கடி தரவு சார்ந்த புதுப்பிப்புகள் மூலம் தற்போதைய தயாரிப்பைப் போட்டித்திறனுடன் வைத்திருக்கிறது. மற்றொரு பாதை — ஆய்வு நிதியின் பெரும்பகுதி செல்லும் இடம் — முந்தைய பாதையின் மேம்பாடுகளைத் தேவையற்றதாக்கும் தலைமுறை மீட்டமைப்புகளை நோக்கியது.

இந்தப் பிரிவு, ஒவ்வொரு புதிய தலைமுறையையும் நிறுவனம் ஏன் தீர்க்கமான நிகழ்வாகக் கருதுகிறது என்பதையும் விளக்குகிறது. மிகப்பெரிய ஆதாயங்கள் மெருகேற்றுதலிலிருந்து அல்லாமல் மீட்டமைப்பிலிருந்து வந்தால், இடைநிலை வெளியீடுகள் தான் வாடிக்கையாளர்கள் இன்று உண்மையில் பயன்படுத்துவதாக இருந்தாலும், ஆய்வு முன்னுரிமைகள் மீட்டமைப்பைப் பின்தொடர வேண்டும்.

தீர்க்கப்படாத கேள்வி, பவர் தானே எழுப்பிய ஒன்று: இன்றைய மாடல்களில் ஏற்கனவே கட்டமைக்கப்பட்டுள்ள மதிப்பு, அவற்றை இன்னும் சரியாகப் பயன்படுத்தாத மக்களைச் சென்றடையுமா என்பது. அவரது சொந்தக் கூற்றின்படி, அது மாடல்களை இன்னும் புத்திசாலியாக்குவதை விட, மற்ற அனைவருக்கும் அவற்றைப் புரியவைப்பதே அதிகம்.

தற்போதைக்கு, இந்த ஈடுகொடுப்பில் நிறுவனம் திருப்தியாகவே இருக்கிறது. சிறிய புதுப்பிப்புகளைத் தொடர்ந்து வெளியிடும் அதே வேளையில், தனது ஆய்வின் பெரும்பகுதியை இன்னும் வராத தலைமுறைகளின் மீது பந்தயம் கட்டுகிறது.

இந்தக் கட்டுரை The Decoder-இன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.