Η OpenAI βρίσκεται ολοένα και πιο κοντά στην υλοποίηση ενός από τους θεμελιώδεις στόχους της: τη δημιουργία συστημάτων τεχνητής νοημοσύνης (ΤΝ) που θα μπορούν να λειτουργούν στο ίδιο επίπεδο με έναν ερευνητή-ασκούμενο. Σύμφωνα με δηλώσεις του επικεφαλής επιστήμονα της OpenAI, Jakub Pachocki, σε επεισόδιο του podcast “Unsupervised Learning”, πρόσφατες ανακαλύψεις στον τομέα της κωδικοποίησης, οι εξελίξεις στις ερευνητικές δυνατότητες στα μαθηματικά και η πρόοδος στη φυσική, υποδεικνύουν ότι η ΤΝ βαδίζει προς την αντιμετώπιση όλο και πιο σύνθετων, πολυδιάστατων τεχνικών εργασιών με λιγότερη ανθρώπινη επίβλεψη.
“Αυτό το βλέπω ξεκάθαρα ως ένα σημάδι ότι κάτι είναι σε καλό δρόμο”, δήλωσε ο Pachocki. Η βασική μέτρηση για την αξιολόγηση της προόδου, σύμφωνα με τον ίδιο, είναι η χρονική διάρκεια κατά την οποία ένα μοντέλο μπορεί να εργάζεται κατά κύριο λόγο αυτόνομα. “Ο τρόπος που θα διέκρινα έναν ερευνητή-ασκούμενο από έναν πλήρως αυτοματοποιημένο ερευνητή θα ήταν η χρονική περίοδος κατά την οποία θα τον είχαμε να εργάζεται κατά κύριο λόγο αυτόνομα”, εξήγησε ο Pachocki, τονίζοντας τη μεγαλύτερη χρονική διάρκεια για την ολοκλήρωση εργασιών ως βασικό δείκτη προόδου.
Τον Οκτώβριο, ο Pachocki είχε περιγράψει τον εσωτερικό στόχο της εταιρείας να δημιουργήσει έναν “ερευνητή-ασκούμενο ΤΝ” έως τον Σεπτέμβριο του 2026, ακολουθούμενο από έναν πλήρως αυτόνομο ερευνητή ΤΝ έως τον Μάρτιο του 2028. Μετά τη ζωντανή μετάδοση, ο διευθύνων σύμβουλος της OpenAI, Sam Altman, δήλωσε σε ανάρτησή του στο X ότι η OpenAI “μπορεί να αποτύχει εντελώς” σε αυτόν τον στόχο, αλλά τόνισε τη σημασία της διαφάνειας, δεδομένης της δυνητικής επίδρασης.
**Εκρηκτική αύξηση εργαλείων κωδικοποίησης**
Ο Pachocki επεσήμανε ότι η εταιρεία παρατηρεί ήδη ταχεία πρόοδο στους τύπους εργασιών που είναι κρίσιμοι για την επίτευξη αυτού του στόχου, αναφερόμενος σε “agents” κωδικοποίησης, όπως το Codex, τα οποία πλέον αναλαμβάνουν μεγάλο μέρος της προγραμματιστικής εργασίας της εταιρείας. Επίσης, ανέφερε τους μαθηματικούς δείκτες ως “αστέρι καθοδήγησης” για τη βελτίωση της συλλογιστικής των μοντέλων, καθώς είναι εύκολο να επαληθευτούν. “Έχουμε δει αυτή την εκρηκτική αύξηση των εργαλείων κωδικοποίησης”, δήλωσε ο Pachocki. “Για τους περισσότερους ανθρώπους, η πράξη του προγραμματισμού έχει αλλάξει αρκετά”.
Πρόσθεσε ότι η άμεση πρόκληση είναι η μετάβαση σε συστήματα που μπορούν να αναλάβουν συγκεκριμένες τεχνικές εργασίες με μεγαλύτερη αυτονομία, να χρησιμοποιήσουν περισσότερη υπολογιστική ισχύ και να λειτουργούν για μεγαλύτερα χρονικά διαστήματα. “Για πιο συγκεκριμένες τεχνικές ιδέες, όπως το πώς να βελτιώσω τα μοντέλα, πώς να εκτελέσω αυτήν την αξιολόγηση διαφορετικά, πιστεύω ότι έχουμε τα κομμάτια που απλώς πρέπει να συναρμολογήσουμε”, ανέφερε.
Ωστόσο, ο Pachocki ξεκαθάρισε ότι η ΤΝ δεν είναι ακόμα έτοιμη να λειτουργήσει ανεξάρτητα στο επίπεδο ενός πλήρους ερευνητή. “Δεν περιμένω να έχουμε συστήματα όπου απλώς θα τους λέτε, ‘πηγαίνετε να βελτιώσετε την ικανότητά σας στο μοντέλο, πηγαίνετε να λύσετε την ευθυγράμμιση’, και θα το κάνουν, όχι φέτος”, κατέληξε.
