OpenAI 2028க்குள் முழுமையாக தானியங்கும் AI ஆராய்ச்சியாளரை உருவாக்கும் நோக்கை அமைத்துள்ளது

OpenAI-இன் அடுத்த பெரிய சவால்

OpenAI ஒரு பரந்த புதிய ஆராய்ச்சி இலக்கை அறிவித்துள்ளது: அது ஒரு AI researcher என்று அழைப்பது போல, பெரிய, சிக்கலான அறிவியல் பிரச்சினைகளைத் தன்னிச்சையாக கையாளக்கூடிய, முழுமையாக தானியங்கும், agent-based system-ஐ உருவாக்குவது. MIT Technology Review-க்கு அளித்த தனிப்பட்ட பேட்டியில், Chief Scientist Jakub Pachocki, இந்த முயற்சியை அடுத்த சில ஆண்டுகளுக்கான OpenAI-இன் North Star என்று விவரித்தார்; இது நிறுவனத்தின் reasoning models, coding agents, மற்றும் interpretability தொடர்பான பணிகள் அனைத்தும் ஒன்றிணைந்து, நீண்டகால ஒரே இலக்காக மாறும் ஒரு முயற்சியை குறிக்கிறது.

இந்த காலவரிசை தெளிவானதும் அருகிலானதும் ஆகும்; இதுதான் இந்த அறிவிப்பை, தொழில்துறை பல ஆண்டுகளாக பேசிவந்த, பரவலான AGI வாக்குறுதிகளிலிருந்து வேறுபடுத்துகிறது. OpenAI, 2026 செப்டம்பருக்குள் ஒரு autonomous AI research intern-ஐ உருவாக்க திட்டமிட்டுள்ளது — பல நாட்கள் தொடர்ந்து குறிப்பிட்ட ஆராய்ச்சி பிரச்சினைகளில் தன்னிச்சையாக வேலை செய்யக்கூடிய ஒரு system. மனிதர்கள் நிர்வகிக்க மிகப் பெரியதாக அல்லது மிகச் சிக்கலானதாக இருக்கும் பிரச்சினைகளை கையாளக்கூடிய முழுமையான multi-agent AI researcher 2028-இல் அறிமுகமாகும் என்று இலக்கிடப்பட்டுள்ளது.

Blueprint ஆக Codex

மிகப் பெரிய AI researcher காட்சிக்கான ஆதாரமாகவும், ஆரம்ப prototype-ஆகவும் OpenAI-இன் தற்போதைய Codex agent-ஐ Pachocki குறிப்பிட்டார். OpenAI ஜனவரியில் வெளியிட்ட Codex, சிக்கலான programming பணிகளை முடிக்க code-ஐ தன்னிச்சையாக உருவாக்கவும், இயக்கவும், debug செய்யவும் கூடிய agent-based coding system ஆகும். OpenAI-இன் உள்ளகத்தில் இதை பரவலாகப் பயன்படுத்தி வருகின்றனர்; நிறுவனத்தின் பெரும்பாலான technical staff இப்போது தங்கள் workflow-இன் முக்கிய பகுதியாக Codex-ஐ பயன்படுத்துகிறார்கள் என்று Pachocki குறிப்பிட்டார்.

Pachocki முன்வைக்கும் தத்துவ ரீதியான பாய்ச்சல் என்னவென்றால், ஒரு AI system சிக்கலான coding பிரச்சினைகளைத் தன்னிச்சையாகத் தீர்க்க முடிந்தால் — அதற்கு creative reasoning, பெரிய பணிகளை துணைப் பணிகளாகப் பிரித்தல், நீண்ட work sessions-களில் சிக்கலான state-ஐ கண்காணித்தல், மற்றும் error correction தேவைப்படும் — அதே capability architecture-ஐ biology, chemistry, physics, மற்றும் mathematics போன்ற துறைகளில் scientific problem solving-க்கு விரிவுபடுத்தலாம் என்பதாகும்.

இப்போது எங்களின் வேலைகள் ஒரு வருடத்திற்கு முன் இருந்ததைவிட முற்றிலும் வேறுபட்டவை. இப்போது யாரும் உண்மையிலேயே தொடர்ந்து code edit செய்யவில்லை. அதற்குப் பதிலாக, நீங்கள் Codex agents குழுவை நிர்வகிக்கிறீர்கள் என்று Pachocki MIT Technology Review-க்கு தெரிவித்தார். இதே management உறவு — மனிதர் வழிநடத்துதல், AI செயல்படுத்துதல் — இறுதியில் ஆராய்ச்சிக்கே பொருந்தலாம் என்பதே இந்தக் காட்சி; அதில் scientists, experimental hypotheses-ஐ தன்னிச்சையாகத் தொடர்ந்து ஆய்வு செய்யும், literature-ஐ பரிசீலிக்கும், analyses-ஐ வடிவமைக்கும், மற்றும் முடிவுகளை உருவாக்கும் AI agents-ஐ இயக்குவார்கள்.

ஏன் இப்போது: Reasoning Model முன்னேற்றம்

தன்னாட்சி ஆராய்ச்சி திறனுக்கான இந்த புதிய இலக்கு, so-called reasoning models என்பவற்றின் எழுச்சியில் வேரூன்றியுள்ளது — அவை வெறும் output-களை உருவாக்குவதற்கல்ல, மாறாக படிப்படியாகப் பிரச்சினைகளைத் தீர்க்கவும், dead ends-ஐ அடையும் போது பின்னோக்கிச் சென்று திருத்தவும் பயிற்சி பெற்ற AI systems. Reasoning models, நீண்டகால தன்னாட்சி பணிகளில் AI systems-ஐ தர ரீதியாக மேம்படுத்தியுள்ளன: அவை நீண்ட problem-solving sessions-களில் தெளிவான context-ஐப் பராமரிக்கவும், முந்தைய language models செய்ய முடியாத முறையில் தங்களின் பிழைகளைப் பிடித்து திருத்தவும் முடிகிறது.

OpenAI, தன் training pipelines-இல் கணிதம் மற்றும் programming competitions-இலிருந்து வரும் கடின puzzles போன்ற சிக்கலான task examples-ஐயும் சேர்த்து வருகிறது. இவை models-க்கு மிகப் பெரிய contexts-ஐ நிர்வகிப்பது, பிரச்சினைகளை துணைப் பணிகளாகப் பிரிப்பது, மற்றும் நீண்ட காலத்துக்கும் பயனுள்ள reasoning-ஐத் தக்கவைத்துக் கொள்வது எப்படி என்பதை கற்றுக்கொடுக்கின்றன. தொடர்ச்சியான model generations-க்கிடையிலான பொது திறன் முன்னேற்றங்களுடன் இணைந்த இந்த training approach, தற்போதைய development trajectory-இல் autonomous research சாத்தியமான கட்டத்தை நிறுவனம் எட்டியுள்ளதாக Pachocki நம்புகிறார்.

சமீபத்திய முடிவுகள் Pachocki-இன் நம்பிக்கைக்கு சில அனுபவ அடிப்படையை வழங்கியுள்ளன. Codex-ஐ இயக்கும் model ஆன GPT-5-ஐப் பயன்படுத்தி OpenAI researchers, இதுவரை தீர்க்கப்படாத கணிதப் பிரச்சினைகளுக்குப் புதிய தீர்வுகளை கண்டறிந்துள்ளனர்; மேலும் biology மற்றும் physics-இல் குறிப்பிட்ட puzzles-இல் முன்னேற்றமும் செய்துள்ளனர் — இவை பரவலானவையாக இல்லாவிட்டாலும், model வெறும் ஏற்கனவே உள்ள அறிவைச் சுருக்குவதற்குப் பதிலாக உண்மையில் புதிய அறிவியல் பங்களிப்புகளை உருவாக்க முடியும் என்பதைக் காட்டுகின்றன.

எல்லைப் பகுதியிலுள்ள பாதுகாப்பு பிரச்சினை

தான் முன்னெடுக்கும் காட்சியில் உள்ள ஆபத்துகளை Pachocki மறைக்கவில்லை. குறைந்த மனித மேற்பார்வையில் இயங்கும் முழுமையாக தன்னாட்சி கொண்ட AI researcher, தர ரீதியாக புதிய வகையான AI திறனை பிரதிநிதித்துவப்படுத்துகிறது — synthetic biology அல்லது advanced materials போன்ற துறைகளில் அறிவியல் insights-ஐ உருவாக்கக்கூடிய ஒன்று; அவற்றின் விளைவுகள் ஆயுதமாக்கப்படவோ அல்லது தவறாகப் பயன்படுத்தப்படவோ கூடும். AI systems-இன் reasoning processes-ஐ ஆய்வு செய்யக்கூடியதாக மாற்றும் chain-of-thought monitoring தான் Pachocki குறிப்பிட்ட முக்கிய பாதுகாப்பு அணுகுமுறை; ஆனால் அது முழுமையற்றது என்பதை அவர் ஒப்புக்கொண்டார்.

எந்த எல்லைகள் வரையப்பட வேண்டும் என்பதில் கடினமான கேள்விகள் உள்ளன என்று Pachocki MIT Technology Review-க்கு தெரிவித்தார். OpenAI மட்டுமல்ல, அரசாங்கங்களும் அந்த எல்லைகள் எங்கே இருக்க வேண்டும் என்பதைத் தீர்மானிக்க வேண்டியிருக்கும் என்று நான் நினைக்கிறேன். வெளிப்புற நிர்வாகம் தேவைப்படும் என்ற ஒப்புதல் முக்கியமானது; இது autonomous research capability frontier-க்கு இதுவரை இல்லாத regulatory frameworks தேவை என்பதைக் காட்டும் தொழில்துறையின் பரந்த உணர்வை பிரதிபலிக்கிறது.

போட்டி சூழல் மற்றும் தொழில்துறை விளைவுகள்

இந்த அறிவிப்பு, பல முனைகளில் Anthropic மற்றும் Google DeepMind ஆகியவற்றிடமிருந்து அதிகரித்த போட்டியை OpenAI எதிர்கொள்கையில் வந்துள்ளது. Anthropic enterprise AI deployments-இல் குறிப்பிடத்தக்க முன்னேற்றத்தைப் பெற்றுள்ளது, மேலும் DeepMind AlphaFold போன்ற திட்டங்கள் வழியாக தாக்கம் கொண்ட அறிவியல் AI research-ஐ தொடர்ந்து உருவாக்கி வருகிறது. தன்னாட்சி AI researcher-ஐ OpenAI-இன் அடுத்த முக்கிய சவாலாக நிலைநிறுத்துவது, ஒரு பகுதி போட்டி உத்தி கூட ஆகும் — போட்டியாளர்கள் அந்த வெளிக்கோலத்தை வரையறுக்கும் முன், மிகவும் லட்சியமான மற்றும் முக்கியமான capability frontier-இல் தன் உரிமையை முன்கூட்டியே பதிவு செய்வது.

பெரிய அறிவியல் சமூகத்துக்காக, ஆராய்ச்சியைத் தன்னிச்சையாக முன்னேற்றக்கூடிய AI systems என்ற வாய்ப்பு, அறிவியல் உழைப்பின் எதிர்காலம், வெளியீட்டு மரபுகள், intellectual property, மற்றும் கண்டுபிடிப்புகளுக்கான அங்கீகாரப் பகிர்வு குறித்து ஆழமான கேள்விகளை எழுப்புகிறது. ஒரு AI agent புதிய mathematical proof-ஐத் தன்னிச்சையாகக் கண்டறிந்தாலோ அல்லது ஒரு novel therapeutic target-ஐ அடையாளம் கண்டாலோ, மனித அறிவியல் சாதனையை மையமாகக் கொண்டு உருவான academic publishing, grant funding, மற்றும் research careers என்ற சூழலுக்கு பெரிய மறுசிந்தனை தேவைப்படும். OpenAI-இன் 2028 காலவரிசை, scientific community-யில் பலர் தயாராக இருந்ததைவிட இந்தக் கேள்விகளுக்கான பதில்கள் விரைவில் தேவைப்படலாம் என்பதைச் சுட்டிக்காட்டுகிறது.

இந்த கட்டுரை MIT Technology Review செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையை வாசிக்கவும்.