చాట్బాట్ నుండి "డిజిటల్ సహోద్యోగి" వరకు
టెన్సెంట్ యూటూ ల్యాబ్ మరియు అనేక చైనీస్ విశ్వవిద్యాలయాల నుండి ఒక కొత్త సర్వే పేపర్ కృత్రిమ మేధస్సు యొక్క తదుపరి దశ గురించి సూటిగా వాదిస్తుంది: మెరుగైన సమాధానాలు సరిపోవు. AI వ్యవస్థలు నిజమైన సహోద్యోగులుగా పనిచేయాలంటే, పరిశోధకులు అంటున్నారు, అవి ప్రతిస్పందన ఉత్పత్తికి మించి వెళ్లి నిరంతర పని వాతావరణాలలో పూర్తి పనులను విశ్వసనీయంగా పూర్తి చేయాలి.
జూన్ 28 న ది డికోడర్ నివేదికలో వివరించిన ఈ మార్పు, AI అభివృద్ధిలో కేంద్ర ప్రశ్నలలో ఒకదాన్ని పునర్నిర్మిస్తుంది. సమస్య ఇకపై మోడల్ మరింత సరళమైన లేదా మరింత ఖచ్చితమైన సమాధానాన్ని ఉత్పత్తి చేయగలదా అనేది మాత్రమే కాదు. ఇది మోడల్ వినియోగదారు ఉద్దేశాన్ని తీసుకోగలదా, సాధనాలు మరియు ఫైళ్లతో సంభాషించగలదా, ఊహించని పరిస్థితులకు అనుగుణంగా మారగలదా మరియు పని నిజంగా పూర్తయ్యే వరకు కొనసాగగలదా అనేది.
పేపర్ పరిభాషలో, గమ్యం చాట్బాట్ కాకుండా "డిజిటల్ సహోద్యోగి". ఇది మొదటి చదువులో బ్రాండింగ్ భాషలా అనిపిస్తుంది, కానీ అంతర్లీన వ్యత్యాసం ఆచరణాత్మకమైనది. చాట్బాట్ సమాధానం ఇస్తుంది. సహోద్యోగి అమలు చేస్తుంది.
ఒకే-షాట్ మేధస్సు యొక్క పరిమితి
సర్వే పెద్ద భాషా నమూనాల పరిణామాన్ని బహుళ దశల ద్వారా గుర్తిస్తుంది. ప్రారంభ దశలో, వ్యవస్థలు ప్రధానంగా తదుపరి టోకెన్ను అంచనా వేయడం ద్వారా వేగంగా వచనాన్ని ఉత్పత్తి చేశాయి. వాటి సామర్థ్యాలు మోడల్ పారామితులలో కుదించబడిన నమూనాలు మరియు సమాచారంపై ఎక్కువగా ఆధారపడి ఉన్నాయి. ఇది వాటిని డ్రాఫ్టింగ్, సారాంశీకరణ మరియు సాధారణ ప్రశ్నలకు సమాధానాలు ఇవ్వడానికి ఉపయోగపడేలా చేసింది, కానీ ఇది స్పష్టమైన పరిమితులను కూడా విధించింది.
ది డికోడర్ యొక్క పేపర్ సారాంశం ప్రకారం, ఆ వ్యవస్థలు సాధారణంగా పరిష్కారాల కోసం విస్తృతంగా శోధించలేదు, ఇంటర్మీడియట్ దశలను ధృవీకరించలేదు లేదా సమస్యలను పరిష్కరించేటప్పుడు శాశ్వత స్థితి భావాన్ని కొనసాగించలేదు. అవి ఒకే పాస్లో అవుట్పుట్లను ఉత్పత్తి చేశాయి, మరియు దీని అర్థం వాటి విశ్వసనీయత తరచుగా ఒక పనికి బహుళ ఆధారిత చర్యలు లేదా కాలక్రమేణా ధృవీకరణ అవసరమైనప్పుడు కూలిపోయింది.
పరిశోధకులు తరువాతి "థింకింగ్ LLM" దశను వివరిస్తారు, దీనిలో మోడల్స్ పరిష్కార మార్గాలను అన్వేషించడానికి, ఇంటర్మీడియట్ రీజనింగ్ను తనిఖీ చేయడానికి మరియు తప్పులను సరిచేయడానికి అనుమితి సమయంలో ఎక్కువ కంప్యూట్ను ఖర్చు చేస్తాయి. నివేదిక ఆ దశను OpenAI యొక్క o1 మరియు DeepSeek-R1 వంటి వ్యవస్థలతో ముడిపెడుతుంది, ఇవి వేగవంతమైన, సహజమైన ప్రవర్తన నుండి నెమ్మదిగా, మరింత ఉద్దేశపూర్వక తార్కికం వైపు కదులుతున్నాయి.
ఆ మార్పు ముఖ్యమైనది, కానీ పేపర్ ఇది ఇంకా సరిపోదని వాదిస్తుంది. మెరుగైన తార్కికం సమాధానం నాణ్యతను మెరుగుపరుస్తుంది. ఇది స్వయంచాలకంగా నిజమైన వర్క్ఫ్లోలో పనిచేయగల విశ్వసనీయ ఏజెంట్ను సృష్టించదు.
ఏజెంట్లు ఇంకా ఎందుకు విఫలమవుతాయి
సర్వే మొదటి తరం AI ఏజెంట్లలో నాలుగు నిర్మాణాత్మక బలహీనతలను గుర్తిస్తుంది. ది డికోడర్ సారాంశం ప్రకారం, ఆ ఏజెంట్లు తమ పర్యావరణాన్ని శకలాలుగా మాత్రమే గ్రహిస్తాయి, టూల్ కాల్స్ అంతటా శాశ్వత స్థితిని కాపాడటంలో విఫలమవుతాయి, ఊహించని ఏదైనా జరిగినప్పుడు విఫలమవుతాయి మరియు తరచుగా పనులను పూర్తి చేయవు.
ఆ సమస్యలు కోడింగ్, పరిశోధన, ఫైల్ ఆపరేషన్లు లేదా పరిపాలనా పని కోసం LLM ను స్వయంప్రతిపత్త సహాయకుడిగా ఉపయోగించడానికి ప్రయత్నించిన ఎవరికైనా తెలిసినవే. ఒక మోడల్ APIని పిలవవచ్చు, బ్రౌజర్ను తెరవవచ్చు లేదా కోడ్ రాయవచ్చు, అయినప్పటికీ ఏమి మారిందో ట్రాక్ కోల్పోవడం, చిన్న లోపం నుండి కోలుకోలేకపోవడం లేదా మునుపటి చర్యలు అందుబాటులో ఉండే స్థిరమైన వర్క్స్పేస్ లేకపోవడం వలన ఇంకా నిలిచిపోవచ్చు.
పేపర్ సమాధానం అభిజ్ఞాత్మకంగా కంటే పర్యావరణపరంగా ఉంటుంది. ఇది ఫైల్లు, సెషన్లు, లాగ్లు, అనుమతులు, బ్రౌజర్ స్థితి మరియు పునర్వినియోగ నైపుణ్యాలు మొత్తం పని అంతటా అందుబాటులో ఉండే నిరంతర, సురక్షితమైన వర్క్స్పేస్ల వైపు చూపిస్తుంది. ఆ సెటప్లో, మోడల్ కేవలం వివిక్త టూల్ కాల్స్ను ఉత్పత్తి చేయడం లేదు. ఇది సందర్భం యొక్క కొనసాగింపులో పనిచేస్తోంది.
పునర్వినియోగ నైపుణ్యాల పాత్ర
పేపర్ యొక్క బలమైన ఆలోచనలలో ఒకటి ఏమిటంటే, విశ్వసనీయ AI సహోద్యోగుల వైపు పురోగతి పునర్వినియోగ "నైపుణ్యాల"పై ఆధారపడి ఉంటుంది. ది డికోడర్ దీనిని ఉద్దేశాన్ని పూర్తి చేసిన పనిగా మార్చడానికి ప్రధాన అవసరంగా ప్రదర్శిస్తుంది. నైపుణ్యాలు, ఈ ఫ్రేమింగ్లో, అస్పష్టమైన ప్రతిభ కాదు కానీ స్థిరమైన వాతావరణంలో సిస్టమ్ పదేపదే వర్తింపజేయగల పోర్టబుల్ టాస్క్ విధానాలు.
ఈ ప్రాధాన్యత గమనించదగినది ఎందుకంటే ఇది AI ఉపయోగకరతకు బెంచ్మార్క్ను మారుస్తుంది. పరిశ్రమ తరచుగా ఆకట్టుకునే ఒకే-టర్న్ పనితీరుకు బహుమతి ఇచ్చింది: మెరుగైన సారాంశం, పదునైన సమాధానం, మరింత మెరుగుపెట్టిన కోడ్ బ్లాక్. సర్వే నిజమైన ఉపయోగం మరెక్కడో ఉందని వాదిస్తుంది. విలువైన వ్యవస్థ అనేది విశ్వసించబడేంత స్థిరత్వంతో పదేపదే చర్యల శ్రేణిని అమలు చేయగలది.
నిరంతర వాతావరణాలు ఆ నైపుణ్యాలను సాధ్యం చేస్తాయి. ప్రతి చర్య తర్వాత ఫైల్లు, లాగ్లు, అనుమతులు మరియు టాస్క్ సందర్భం అదృశ్యమైతే, మోడల్ ప్రపంచాన్ని మళ్లీ మళ్లీ పునర్నిర్మించాలి. ఆ స్థితి కొనసాగితే, సిస్టమ్ దినచర్యలను నిర్మించగలదు, ఫలితాలను ధృవీకరించగలదు మరియు మొదటి నుండి ప్రారంభించకుండా వైఫల్యం నుండి కోలుకోగలదు.
AI పురోగతిని ఎలా కొలుస్తారు అనే మార్పు
నివేదిక ఇది AI మూల్యాంకనంలో లోతైన మార్పును సూచిస్తుందని సూచిస్తుంది. పాత చాట్బాట్ నమూనా కింద, పురోగతిని సమాధాన నాణ్యత ద్వారా కొలవవచ్చు: సరళత, వాస్తవికత, కోడింగ్ ఖచ్చితత్వం లేదా వివిక్త సమస్యలపై బెంచ్మార్క్ స్కోర్లు. "డిజిటల్ సహోద్యోగి" నమూనా కింద, విజయాన్ని పూర్తి చేసిన పనులకు వ్యతిరేకంగా కొలవాలి.
ఇది కఠినమైన ప్రమాణం. పూర్తి చేసిన పనికి మోడల్ లక్ష్యాన్ని అర్థం చేసుకోవడం, సాధనాలను ఎంచుకోవడం, స్థితిని నిర్వహించడం, లోపాలను గుర్తించడం, అవుట్పుట్లను ధృవీకరించడం మరియు పూర్తి ప్రమాణాలు కలిసినప్పుడు మాత్రమే ఆపడం అవసరం. దీనికి మోడల్ పాదాల కింద వాతావరణం మారగల గందరగోళ, వాస్తవ-ప్రపంచ పరిస్థితులలో కొంత స్థాయి దృఢత్వం కూడా అవసరం.
సర్వే OpenHands మరియు SWE-agent వంటి వ్యవస్థలను ఈ కొత్త శకంతో అనుసంధానించబడిన ఉదాహరణలుగా పేర్కొన్నట్లు నివేదించబడింది, దీనిని ది డికోడర్ "OpenClaw శకం" అని లేబుల్ చేస్తుంది. పేరు కంటే నిర్మాణాత్మక అంశం ముఖ్యమైనది: AI వ్యవస్థలు వివిక్త వచన ఉత్పత్తి కంటే నిరంతర అమలు కోసం రూపొందించిన వాతావరణాలలో పొందుపరచబడినప్పుడు మరింత సామర్థ్యం కలిగి ఉంటాయి.
ఇది ఇప్పుడు ఎందుకు ముఖ్యమైనది
పేపర్ విస్తృత పరిశ్రమ పరివర్తన మధ్యలో వస్తుంది. AI కంపెనీలు మోడల్స్ యొక్క తార్కిక మరియు మల్టీమోడల్ సామర్థ్యాలను మెరుగుపరుస్తూనే ఉన్నాయి, కానీ ఎంటర్ప్రైజ్ కొనుగోలుదారులు మరియు సాంకేతిక బృందాలు ఇరుకైన వర్క్ఫ్లోలలో శ్రమ ప్రత్యామ్నాయం గురించి ఎక్కువగా శ్రద్ధ వహిస్తున్నాయి: సిస్టమ్ టిక్కెట్ను పరిష్కరించగలదా, కోడ్బేస్ను నవీకరించగలదా, పత్రాలను సేకరించగలదా, తనిఖీలను నడపగలదా మరియు స్థిరమైన పర్యవేక్షణ లేకుండా ధృవీకరించదగిన ఫలితాన్ని ఉత్పత్తి చేయగలదా?
సర్వే సమాధానం ఏమిటంటే ఇది కేవలం అదే చాట్బాట్ నమూనాను స్కేలింగ్ చేయడం ద్వారా జరగదు. సమాధానం ఇచ్చే సమయంలో ఎక్కువ మేధస్సు సహాయపడుతుంది, కానీ ఇది నిరంతర సందర్భం, శాశ్వత స్థితి, టూల్ గ్రౌండింగ్ మరియు పునర్వినియోగ అమలు నమూనాల అవసరాన్ని తొలగించదు.
ఆ స్థానం కొన్ని డెమోలు అవి ప్రాతినిధ్యం వహించే ఉత్పత్తుల కంటే ఎందుకు ఎక్కువ ఆకట్టుకుంటాయో కూడా స్పష్టం చేస్తుంది. ఒక మోడల్ ఒకే మెరుగుపెట్టిన ప్రాంప్ట్ను పరిష్కరించడం ద్వారా చూపించినప్పుడు చాలా సామర్థ్యంగా కనిపిస్తుంది. అంతరాయాలు, అస్పష్టత మరియు ధృవీకరణ అవసరంతో మొత్తం పని ప్రక్రియను నావిగేట్ చేయమని అడిగినప్పుడు ఇది చాలా తక్కువ నమ్మకంగా మారుతుంది.
ఆచరణాత్మక టేక్అవే
సర్వే యొక్క అత్యంత ఉపయోగకరమైన సహకారం సంభావిత క్రమశిక్షణ కావచ్చు. ఇది చాలా మంది వినియోగదారులు ఇప్పటికే చూసే సమస్యకు భాషను ఇస్తుంది: AI తరచుగా అద్భుతమైన ప్రతిస్పందకుడిగా మరియు నమ్మదగని ఫినిషర్గా పనిచేస్తుంది. సమాధాన ఉత్పత్తిని టాస్క్ పూర్తి నుండి వేరు చేయడం ద్వారా, పేపర్ డెవలపర్లను ఆ అంతరాన్ని మూసివేయడానికి ముఖ్యమైన మౌలిక సదుపాయాలు మరియు ఉత్పత్తి డిజైన్ ఎంపికల వైపు చూపిస్తుంది.
పరిశోధకులు సరైనదే అయితే, AI లో తదుపరి పెద్ద పురోగతి స్మార్ట్ మోడల్స్ ద్వారా మాత్రమే నిర్వచించబడదు. ఇది సూచనలను పూర్తి చేసిన పనిగా మార్చడానికి తగినంత కాలం పాటు కొనసాగగల, చర్య తీసుకోగల, గుర్తుంచుకోగల మరియు ధృవీకరించగల వ్యవస్థల ద్వారా నిర్వచించబడుతుంది. మరో మాటలో చెప్పాలంటే, భవిష్యత్తు సహోద్యోగి దానిలా మాట్లాడటం కంటే ఎక్కువ చేయాలి.
ఈ వ్యాసం ది డికోడర్ నివేదికపై ఆధారపడింది. అసలు వ్యాసాన్ని చదవండి.
Originally published on the-decoder.com