Wczytywanie...

Własni badacze OpenAI poważnie uzależniają się od swoich wewnętrznych agentów AI do kodowania, ceniąc te narzędzia bardziej niż znaczną część swoich ludzkich kolegów lub mocy obliczeniowej. To głębokie zanurzenie w ich wewnętrzne operacje oferuje fascynujący, choć czasem chaotyczny, wgląd w przyszłość rozwoju wspomaganego przez AI.
The Decoder, powołując się na wewnętrzny raport OpenAI, ujawnia masowy wzrost wykorzystania wewnętrznych narzędzi, takich jak Codex i Dots. Same teoretyczne koszty tokenów są oszałamiające: przeciętny badacz zużywałby tokeny o wartości 2400 USD dziennie w październiku, co stanowi 62% wzrost w stosunku do poprzedniego miesiąca. Dla 10% najlepszych użytkowników liczba ta podwoiła się do zdumiewających 23 000 USD dziennie. Agenci ci efektywnie pracują przez 5,7 dnia roboczego na badacza na dzień kalendarzowy, a nawet więcej w zespołach przed- i po-treningowych, przy czym ponad dwie trzecie śledzonych badaczy uruchamiało co najmniej czterech agentów jednocześnie w szczytowym okresie użytkowania.
OpenAI obliczyło, że teoretyczny ekwiwalent API czasu pracy tych agentów był dwukrotnie wyższy niż regularne koszty wynagrodzeń badaczy we wrześniu, choć warto zauważyć, że wyklucza to pakiety akcji, które stanowią ogromną część wynagrodzenia w OpenAI, według The Decoder. Pomimo tak intensywnego użytkowania, wewnętrzna aktywność agentów stanowiła tylko 2% całkowitej mocy obliczeniowej firmy przeznaczonej na badania.
Współczynniki sukcesu dla autonomicznych agentów pracujących bez interwencji człowieka nad zadaniami trwającymi od dwóch do czterech godzin wzrosły z 23% w marcu do 46% w październiku, podczas gdy zadania trwające od czterech do ośmiu godzin odnotowały wzrost z 13% do 35%, donosi The Decoder, powołując się na OpenAI. Jednakże, analiza taksonomiczna Epoch AI pokazuje, że systemy te głównie obsługują prostsze zadania. Na przykład, monitorują przebiegi treningowe w 79% przypadków i samodzielnie odpowiadają na pytania techniczne w 72% przypadków. Ale jeśli chodzi o bardziej złożone inżynierie – takie jak budowanie środowisk oceny i uczenia się przez wzmacnianie lub pisanie kodu dla systemów wnioskowania i obsługi – wskaźniki sukcesu spadają znacząco odpowiednio do 29% i 25%.
W wewnętrznej, niereprezentatywnej ankiecie przeprowadzonej wśród 101 pracowników, badacze wskazali, że woleliby zrezygnować z 40% personelu swojego zespołu lub 30% mocy obliczeniowej, niż spędzić trzy miesiące bez tych agentów do kodowania, według The Decoder. Oddzielna szybka ankieta wśród 28 pracowników wykazała, że 27 z nich preferowało najnowszy wewnętrzny model zamiast inżyniera człowieka w średnim wieku zawodowym.
Wywiady jakościowe z dziesięcioma badaczami uwypukliły jednak wady. Modele te często nie mają „smaku” do dobrych pomysłów badawczych, jakości kodu i danych. Zbaczają z kursu, przyjmują błędne założenia i produkują „fuszerkę AI” – podrzędne zmiany w kodzie i bezużyteczne artefakty danych. Ścisły nadzór człowieka jest kluczowy, aby uniknąć marnowania cykli obliczeniowych, jak podaje The Decoder. Co ciekawe, kluczowe pomysły koncepcyjne dla nadchodzących modeli OpenAI, GPT-6 Astra i GPT-6.2 Astra, pochodziły wyłącznie od ludzi, a jedynie pojedynczy badacze uzyskali ważne spostrzeżenia poprzez dialog z Codexem podczas wstępnego treningu dla GPT-6.2 Astra.
W porządku, właściciele małych firm i liderzy zespołów, to nie jest tylko puste rozmyślanie giganta technologicznego. To spojrzenie za kulisy tego, dokąd zmierza rozwój AI i czego możecie oczekiwać od przyszłych narzędzi AI dla własnych zespołów. Główny fakt – że własni badacze OpenAI cenią tych agentów AI bardziej niż prawie połowę swoich ludzkich kolegów – powinien przykuć Waszą uwagę. Pokazuje to, że nawet przy całej „fuszerce AI” i zmarnowanej mocy obliczeniowej, wzrosty produktywności są aż tak znaczące.
To, co mi to mówi, to fakt, że asystenci AI do kodowania, a co za tym idzie, agenci AI do innych prac wymagających wiedzy, stają się niezastąpieni, nawet jeśli są jeszcze nieuporządkowanymi nastolatkami. Nie dostaniecie w najbliższym czasie w pełni autonomicznego inżyniera AI, ale dostaniecie narzędzia, które dramatycznie wzmocnią Wasz istniejący zespół. Problem „fuszerki AI” jest realny i potwierdza to, co już wiemy: narzędzia AI są fantastyczne do rutynowych, dobrze zdefiniowanych zadań (takich jak monitorowanie czy odpowiadanie na pytania techniczne), ale całkowicie zawodzą w przypadku problemów złożonych, niuansowych lub kreatywnych. Oznacza to, że Wasi ludzcy eksperci nigdzie się nie wybierają; będą po prostu spędzać mniej czasu na pracy u podstaw, a więcej na strategicznych, „smakowych” decyzjach, których AI nie jest w stanie podjąć. Dla małych zespołów jest to kluczowe: oznacza to, że możecie rozciągnąć swoje talenty dalej, ale absolutnie musicie mieć ludzki nadzór, aby wyłapać nieuniknione błędy AI i skutecznie kierować narzędziami. Nie oczekujcie magii; oczekujcie potężnych, ale często niezdarnych, współpilotów.
Open-source Hermes Agent is coming to Microsoft Teams, allowing workers to package successful AI workflows into team-wide reusable skills.

Reson8 open-sourced Rumble-2-Flash, a 0.5B parameter ASR model for 40+ languages that outperforms models up to 60x larger, with Apache 2.0 licensing.

Instagram introduces a tool to detect unauthorized video reposts and AI-modified content, allowing creators to block or label infringing posts.

Google Maps’ new Ask Maps AI can auto‑create day‑by‑day itineraries, share them, and even call businesses for appointments—useful for small teams on the move.

Komentarze