نُشر في 21 يوليو، يركز عمل METR على NanoGPT، وهو نظام تدريب صغير تم تحسينه بشكل كبير بالفعل. تتضمن المقارنة تكاليف التشغيل للمستخدمين، والخبرات، وتقدير للعمل البشري.
بعض الوكلاء ينتجون تحسينات قابلة للتحقق؛ بينما يختفي المكاسب الظاهرة بعد الفحص. في هذا الإطار، يرى المؤلفون أن تأثير التحسين التلقائي لا يزال محدودًا. والنتيجة لا تزال في مرحلة الاستكشاف، وذلك بسبب عدم اليقين بشأن تكلفة العمل البشري.
لماذا هذا يتعلق ببحثنا؟
بالنسبة لـ Fondation UvH، يجب التمييز بين تحسين برنامج واحد وبين تحسين النظام القادر على إنتاج برامج جديدة. يصبح التحسين الذاتي متكرراً إذا ساهم تقدم النظام في زيادة قدرته على إنتاج التحسينات اللاحقة.
دراسة هذه الإمكانية لا تتطلب الكشف عن نتيجة ذلك. بل تتطلب متابعة المكاسب التي يتم نقلها، وحدودها، والقرارات التي تنظم استخدامها. من يختار الأهداف، ويخصص الموارد، ويتحقق من النتائج؟ ستصبح هذه المسؤوليات أكثر أهمية بشكل خاص إذا اعتمد إنتاج المعرفة بشكل أكبر على الأنظمة الاصطناعية.