OpenAI új célt tűzött ki maga elé: néhány éven belül létre akarja hozni az első, gyakorlatilag teljesen önjáró „AI-kutatót”, amely komplex tudományos és üzleti problémákat képes önállóan végigvinni a felvetéstől az eredményekig – erről beszélt többek között a MIT Technology Review-nak Jakub Pachocki, az OpenAI kutatási vezetője.
Tartalom
Mi az az „AI-kutató”?
Az OpenAI mostantól minden fontosabb K+F irányát egyetlen nagy vízió köré rendezi:
létrehozni egy olyan többügynökös, agent-alapú rendszert, amely önállóan képes kutatási projekteket tervezni, futtatni és értékelni.
A cég szerint ez a vezető megoldás a következő évek termék- és technológiai döntéseit fogja meghatározni. Időben ezt azt jelenti, 2026 szeptemberére egy „autonóm AI-kutató gyakornok” a cél, amely szűkebb, jól körülhatárolt kutatási feladatokat tud napokig emberi beavatkozás nélkül vinni. Majd 2028-ra tervezik a teljes értékű AI-kutató rendszer bemutatását, amely már nagyléptékű, összetett projekteket is képes lesz kezelni.
A vízió szerint bármilyen problémát, amely szövegben, kódban vagy akár „whiteboard firkákban” megfogalmazható, elvben rá lehet majd bízni: matematikai sejtésektől biológiai kutatásokon át üzleti és szakpolitikai kérdésekig.
Codex: az első lépcsőfok
A mostani irányváltás nem a nulláról indul: az OpenAI belső eszköze, a Codex már ma is egyfajta kezdetleges AI-kutatóként működik a cégen belül. A Codex egy agent-alapú, kódoló és „digitális asszisztens” rendszer, amely dokumentumokat elemez, grafikonokat készít, e-mail- és közösségi média-összefoglalókat gyárt, és komplex kódolási feladatokat végez el.
Az OpenAI állítása szerint a technikai stáb nagy része már napi szinten támaszkodik rá, és a fejlesztők munkája is átalakult: egyre inkább „Codex-ügynökök csoportját” irányítják, nem pedig kézzel írnak kódot.
Jakub Pachocki, az OpenAI vezető kutatója szerint a Codex ma még csak „nagyon korai verziója” annak, amit AI-kutatónak képzelnek el, de az alapképesítések már megvannak, mint a hosszabb ideig futó, jól strukturált problémamegoldás, kísérletek automatizálása, több lépéses feladatok kezelése.
1 modell = 1 teljes kutatólabor?
„A GPT-3-ról GPT-4-re való váltás már önmagában jóval hosszabb, koherensebb problémamegoldást tett lehetővé speciális tréning nélkül is. A 2024-ben megjelent „reasoning modellek” pedig tovább javították az ilyen hosszú távú, összetett feladatkezelést” – mondta többek között Pachocki a MIT Technology Review-nak, hozzátéve, hogy szerinte a kulcs egyszerre kapacitás- és minőségbeli ugrás
Ehhez jönnek az egyre célzottabb tréningadatok: az OpenAI a modelleket kifejezetten nehéz feladatokkal, például matematikai és kódolási versenyek példáival trenírozza, amelyek arra kényszerítik őket, hogy nagy szövegmennyiségeket tartsanak észben, és a problémát több részfeladatra bontva kezeljék. Pachocki szerint akár „kiváló automata matematikust” is tudnának építeni, de ennél fontosabbnak tartják a való világhoz közvetlenül kapcsolódó, gyakorlati problémákra koncentrálni.
A GPT-5-re épülő rendszerekkel már konkrét tudományos áttöréseket is kommunikálnak: új megoldásokat találtak korábban nyitott matematikai problémákra, és előrelépéseket értek el biológiai, kémiai, fizikai kérdésekben. Ez Pachocki szerint azt jelzi, hogy a teljesítmény fokozatosan emelkedik, és
közel van az a pont, ahol a modellek gyakorlatilag egy teljes kutatólabor munkáját képesek lesznek kiváltani egy adatközpontban.
„Példa nélküli, koncentrált hatalom…”
Az önműködő AI-kutató ötlete természetesen komoly kockázatokat is felvet: mi történik, ha a rendszer félreérti az utasítást, „kisiklik”, vagy éppen rosszindulatú szereplők hackelik meg? Az OpenAI jelenlegi fő védelmi vonala az úgynevezett „chain-of-thought monitoring”.
Azaz a modellek egyfajta „jegyzetfüzetben” rögzítik, lépésről lépésre, hogy mit csinálnak, hogyan haladnak a feladattal. Más nyelvi modellek ezeket a jegyzeteket elemzik, és így próbálják időben kiszúrni az eltérő, veszélyesnek tűnő viselkedést, még mielőtt az valódi kárt okozhatna.
Pachocki szerint hosszú ideig nem leszünk abban a helyzetben, hogy egyszerűen kijelenthessük: „a probléma megoldódott”, ezért a nagyon erős modelleket izolált, úgynevezett sandbox környezetekben kell futtatni, elvágva őket minden olyan csatornától, amellyel kárt okozhatnának. A potenciális veszélyek palettája széles: új típusú kibertámadásoktól kezdve a szintetikus kórokozók tervezéséig sok mindenről beszélnek a kutatók.
„Ez egy példa nélküli, rendkívül koncentrált hatalom, amikor egyetlen adatközpont munkája felér egy egész technológiai óriásvállalat teljes kutatás-fejlesztési kapacitásával”
– hangsúlyozta az OpenAI szakembere, aki hozzátette, ez óriási kihívás a kormányoknak, amelyeknek új szabályokat, kereteket kell majd kidolgozniuk.
A politika szabályoz és „bekavar”?
A kormányzati felelősség kérdése azonban közel sem egyértelmű. Az amerikai kormány például egyre nyíltabban szeretné a mesterséges intelligenciát katonai célokra, a harctéren is alkalmazni, többek között döntéstámogatásban és célpontkijelölésben. Az Anthropic és a Pentagon közötti konfliktus megmutatta, mennyire nincs társadalmi konszenzus arról, hol húzódjanak a vörös vonalak. Ehhez képest az OpenAI végül vállalta a megállapodást a védelmi tárcával, tovább bonyolítva a helyzet megítélését.
Pachocki állítja, személyesen is érzi a felelősséget, de úgy véli, a probléma nem oldható meg egyetlen cég jó szándékú tervezésével, széles körű, aktív politikai és szabályozói részvételre van szükség. Közben a szakma régi szereplői, mint az Allen Institute kutatója, Doug Downey is óvatosak az előrejelzésekkel: tapasztalata szerint a terület túl gyorsan változik ahhoz, hogy bárki magabiztosan megmondja, mennyire vagyunk közel az ilyen szintű autonómiához.
Az OpenAI hivatalos küldetése továbbra is az, hogy az általános mesterséges intelligencia (AGI) az egész emberiség javát szolgálja, mégpedig úgy, hogy ők legyenek az elsők, akik megvalósítják. Ugyanakkor Pachocki már inkább „gazdaságilag transzformatív technológiáról” beszél, és elhatárolja ezeket a modelleket az emberi agytól: szerinte a nagy nyelvi modellek sok mindenben hasonlítanak az emberekre, de nem az evolúció formálta őket, és nem feltétlen „emberi módon” intelligensek.
Pachocki nem várja, hogy 2028-ra minden tekintetben emberi szintű rendszerek szülessenek. Úgy látja, nincs is erre feltétlen szükség: a lényeg, hogy bizonyos feladatokban – például repetitív kutatási és fejlesztési munkafolyamatokban – a rendszerek már így is radikálisan át tudják alakítani a gazdaságot és a tudományos munkát.
Kiemelt kép: Canva
