Новости

Сегодня многие глаза на Генеральный директор и соучредитель Openai Сэм Альтманпродолжающаяся публичная вражда с Элоном Маск В социальной сети последнего, x.

Но недавние заявления Альтмана, касающиеся продолжающегося развертывания новейшей и величайшей крупной языковой модели его компании (LLM), GPT-5, вероятно, более важны для клиентов и лиц, принимающих решения.

После того, как на прошлой неделе был признан «ухабистым» дебютом GPT-5, в котором некоторые пользователи требовали восстановления доступа к устаревшим старым LLM в CHATGPT, таких как GPT-4O и O3-Openai предоставил первое-первое Альтман сейчас разбирается в обеспечении базовой инфраструктуры и ограничения использования OpenAI Для компании и ее 700 миллионов активных пользователей Catgpt.

Последние обновления компании включают более подробный план расчетов и Внедрение дополнительных сторонних разъемов для PHAGPT Plus и Pro Plans.

Управление лимитами спроса и использования GPT-5

В посте на X прошлой ночью Альтман рассказал, как OpenAI будет расставлять приоритеты в вычислительных ресурсах в течение следующих нескольких месяцев.

Он сказал Первым приоритетом компании является обеспечение того, чтобы текущие платные пользователи CHATGPT получали больше общего использования чем они имели до выпуска GPT-5, хотя он не предоставил конкретные цифры для увеличения.

Тем не менее, Альтман ранее публиковал на x, что OpenAI был «пытаться» ограничение использования 3000 сообщений за неделю при использовании режима «мышления» GPT-5больше мышления и времени, потраченных на рассуждение о более сложных проблемах, для подписчиков CHATGPT Plus (план 20 долларов в месяц).

Интересно, что в одном отчете создателя приложения AI на X говорилось, что Openai сообщил ему, что ограничения использования GPT-5 и размышления о плане команды CHATGPT (30 долларов на пользователя в месяц)-это Гораздо ниже, чем у пользователей CHATGPT Plus, только 200 сообщений «мыслить» в неделю При выборе вручную пользователем.

Доступность GPT-5 через его интерфейс прикладного программирования (API) для сторонних разработчиков также настраивается.

Альтман также заявил в своем X Post, что OpenAI «приоритет API потребует в соответствии с распределенными в настоящее время мощностью и обязательствами, которые мы взяли на себя клиентам».

Другими словами, существующие пользователи API и те, которые уже находятся в контракте, получат первые DIB при доступе к GPT-5 через API OpenAI, другим, возможно, придется ждать дольше.

Альтман также пояснил «Мы можем поддержать дополнительный ~ 30% нового роста API, откуда мы находимся сегодня с этой способностью», Это означает, что они могут взять на себя больше пользователей API, но не слишком много.

В то время как OpenAI не разделил, сколько пользователей его API есть через некоторое время, компания заявила, что у нее есть «5 миллионов» предприятий, которые платят за доступ к CHATGPT.

Альтман также сказал OpenAI планирует примерно удвоить свой вычислительный флот в течение следующих пяти месяцев. Он не указал текущий размер или тип вовлеченной инфраструктуры, но указал, что расширение должно облегчить ограничения мощности и повысить производительность как для пользователей CHATGPT, так и для пользователей API.

Я обратился к Openai, чтобы попросить больше подробностей по вышеуказанным числам — на 30% рост API по сравнению с чем? удвоить вычислительный флот от чего? — и обновлю, когда я услышу.

Новые варианты для пользователей Catgpt Plus и Pro для поиска в командах Microsoft и многое другое …

Также прошлой ночью Openai обновила свои заметки о выпуске CHATGPT в Интернете, чтобы разрешить подписчикам CHATGPT Plus (20 долларов в месяц) подключить приложение для поиска файлов и проектов в своих сторонних учетных записях в командах Box, Canva, Dropbox, HubSpot, Microsoft SharePoint и Microsoft.

И всего несколько мгновений назад, снова Openai Обновлено Сервис, чтобы разрешить соединения для контактов Gmail, Google и Google Сначала для пользователей, а затем планы Plus, Team, Enterprise и EDU.

Например, пользователи CHATGPT могут искать свой Gmail для всех электронных писем, соответствующих определенному запросу, учетной записи Dropbox или Workspace Itpation во время разговора, не переходя в эти отдельные приложения.

Кроме того, подписчики на уровне CHATGPT Pro (200 долларов в месяц) теперь могут связать свои учетные записи с командами Microsoft и разъемами GitHub и поиск этих сторонних приложений.

Они присоединяются к предыдущим разъемам Openai с Gmail, Google Drive и Google Calendar, среди других приложений.

А Индивидуальный пользователь/владелец учетной записи сначала необходимо вручную подключить эти внешние учетные записи к CATGPT.

Для этого им нужно:

1. Нажмите на имя их учетной записи в левом нижнем углу веб -интерфейса
2. Нажмите «Настройки» из всплывающего меню, а затем…
3. Нажмите «Разъемы из левой боковой панели.

К сожалению, Эти разъемы есть нет Доступно для подписчиков Pro и Plus в Европе, Швейцарии и Великобритании.

Новые разъемы в настоящее время находятся в бета -версии и по умолчанию отключены для планов предприятия и образования, хотя администраторы могут включить их в настройках.

Баланс спроса и предложения

Объединяя планирование мощностей с новой интеграцией производительности, OpenAI позиционирует GPT-5 не только как более мощную модель ИИ, но и как часть более подключенного рабочего пространства.

Поставленный подход к вычислению распределения отражает усилия компании по обслуживанию существующих клиентов в первую очередь, одновременно увеличиваясь по будущему спросу.

По мере того, как расширение вычисления выходит в интернет, оплачивающие пользователи получат выгоду как из более высокой доступности, так и большего количества способов интеграции CHATGPT в свои ежедневные рабочие процессы.

Но сначала, OpenAI должен стабилизировать его выпуск и обеспечить гладкую работу GPT-5 Для всех пользователей, которые хотят этого.

Исследователи в Salesforce и Университете Южной Калифорнии разработали Новый метод, который дает компьютерным агентам возможность выполнять код при навигации по графическим пользовательским интерфейсам (GUI)То есть написание сценариев, а также перемещение курсора и/или кнопок нажатия на приложение, объединяя лучшие из обоих подходов для ускорения рабочих процессов и уменьшения ошибок.

Этот гибридный подход позволяет агенту Обход хрупких и неэффективных щелчков мышей Для задач, которые могут быть лучше выполнены с помощью кодирования.

Система, называемая CoAct-1, устанавливает новый современный ставку на ключевые тесты агента, опережать другие методы, пока требуя значительно меньше шагов Для выполнения сложных задач на компьютере.

Это обновление может проложить путь для более надежной и масштабируемой автоматизации агента с значительным потенциалом для реальных приложений.

Хрупкость агентов AI Point and Click

Агенты использования компьютера, как правило, полагаются на модели на языке зрений и зрение (VLMS или VLA), чтобы воспринимать экран и принять меры, имитируя, как человек использует мышь и клавиатуру.

Хотя эти агенты на основе графического интерфейса могут выполнять различные задачи, они Часто колеблюсь, когда сталкивается с длинными, сложными рабочими процессами, особенно в приложениях с плотными меню и вариантамикак офисные кабинеты.

Например, задача, которая включает в себя местонахождение конкретной таблицы в электронной таблице, фильтрация ее и сохранение в виде нового файла, может включать длинную и точную последовательность манипуляций с графическим интерфейсом.

Именно здесь появляется хрупкость. «В этих сценариях существующие агенты часто борются с двусмысленностью заземления (например, различие между визуально похожими значками или пунктами меню) и накопленной вероятностью совершения какой -либо единой ошибки в течение длинного горизонта», — пишут исследователи в своей статье. «Единственный неправильный клик или неправильно понятый элемент пользовательского интерфейса может сорвать всю задачу».

Чтобы решить эти проблемы, многие исследователи сосредоточились на увеличении агентов графического интерфейса с помощью планировщиков высокого уровня.

Эти системы используют мощные модели рассуждений, такие как O3 Openai, чтобы разложить цель высокого уровня пользователя в последовательность более мелких, более управляемых подзадач.

Хотя этот структурированный подход повышает производительность, он не решает проблему навигации меню и кнопок нажатия, даже для операций, которые могут быть выполнены более напрямую и надежно с помощью нескольких строк кода.

COACT-1: многоагентная команда для компьютерных задач

Чтобы решить эти ограничения, исследователи создали COACT-1 (компьютерный агент с кодированием как действия), Система, предназначенная для «объединения интуитивно понятных, человеческих сильных сторон манипуляций с графическим интерфейсом с точностью, надежностью и эффективностью прямого взаимодействия системы посредством кода».

Система есть структурирован как команда из трех специализированных агентов, которые работают вместе: оркестратор, программист и оператор графического интерфейса.

Оркестратор выступает в качестве центрального планировщика или менеджера проекта. Он анализирует общую цель пользователя, разбивает ее на подзадачи и назначает каждую подзадачу лучшему агенту для работы. Он может делегировать бэкэнд, такие как управление файлами или обработка данных для программиста, который пишет и выполняет сценарии Python или Bash.

Для фронта Задачи, которые требуют нажатия кнопок или навигации на визуальных интерфейсах, они обращаются к оператору GUI, агенту на основе VLM.

«Эта динамическая делегирование позволяет CoACT-1 стратегически обходить неэффективные последовательности графического интерфейса в пользу надежного выполнения кода с одним выстрелом, где это уместно, при этом используя визуальное взаимодействие для задач, где оно необходимо»,-говорится в бумаге.

Рабочий процесс итеративный. После того, как программист или оператор графического интерфейса завершает подзадачу, он отправляет резюме и скриншот текущего состояния системы обратно в оркестратор, который затем решает следующий шаг или завершает задачу.

Агент программиста использует LLM для генерации своего кода и отправляет команды для интерпретатора кода для тестирования и уточнения своего кода в нескольких раундах.

Аналогичным образом, оператор GUI использует интерпретатор действия, который выполняет свои команды (например, нажимает мышь, набирает) и возвращает результирующий снимок экрана, позволяя ему увидеть результаты своих действий. Оркестратор принимает окончательное решение о том, должна ли задача продолжаться или остановиться.

Более эффективный путь к автоматизации

Исследователи протестировали COACT-1 на Osworld, комплексный эталон, который включает в себя 369 реальных задач между браузерами, IDES и Office.

Результаты показывают CoACT-1 устанавливает новый современный, достигающий уровня успеха 60,76%.

Повышение производительности было наиболее значимым в категориях, где программный контроль дает явное преимущество, такое как задачи уровня ОС и рабочие процессы с несколькими приложениями.

Например, Рассмотрим задачу на уровне ОС, например, поиск всех файлов изображений в сложной структуре папок, изменение их размера, а затем сжатие всего каталога в один архив.

А Чисто на основе графического интерфейса агент должен был бы выполнить длинную хрупкую последовательность кликов и перетаскиванияоткрывая папки, выбор файлов и навигационные меню с высокой вероятностью ошибки на каждом шаге.

COACT-1, напротив, может делегировать весь этот рабочий процесс своему агенту программиста, который может выполнить задачу с помощью одного, надежного сценария.

Помимо более высокого уровня успеха, система значительно более эффективна. COACT-1 решает задачи в среднем всего в 10,15 этапа, что резко контрастирует с 15,22 этапами, требуемыми ведущими агентами только для GUI, такими как GTA-1.

В то время как другие агенты, такие как CUA 4O Openai, набрали в среднем меньше шагов, их общий показатель успеха был намного ниже, что указывает на то, что эффективность CoAct-1 связана с большей эффективностью.

Исследователи нашли четкую тенденцию: Задачи, которые требуют большего количества действий, с большей вероятностью потерпят неудачу. Сокращение количества шагов не только ускоряет выполнение задач, но, что более важно, сводит к минимуму возможности ошибки.

Поэтому, Поиск способов сжатия нескольких шагов графического интерфейса в одну программную задачу может сделать процесс более эффективным и менее подверженным ошибкам.

Как заключают исследователи, «эта эффективность подчеркивает потенциал нашего подхода, чтобы проложить более надежный и масштабируемый путь к обобщенной компьютерной автоматизации».

От лаборатории до корпоративного рабочего процесса

Потенциал для этой технологии выходит за рамки общей производительности. Для лидеров предприятия ключ заключается в автоматизации сложных многопрофильных процессов, где полный доступ API является роскошью, а не гарантией.

Ран Сюй, соавтор документа и директор по прикладным исследованиям ИИ в Salesforce, указывает на поддержку клиентов в качестве яркого примера.

«Агент по поддержке услуг использует множество различных инструментов-общих инструментов, таких как Salesforce, отраслевые инструменты, такие как Epic для здравоохранения, и множество индивидуальных инструментов,-для изучения запроса клиента и сформулирования ответа»,-сказал Сюй VentureBeat. «Некоторые из инструментов имеют доступ к API, а другие нет. Это идеальный вариант использования, который потенциально может извлечь выгоду из нашей технологии: агент вычислительного использования, который использует все, что доступно на компьютере, будь то API, код или просто экран ».

Сюй также видит приложения с высокой стоимостью в продажах, такие как поиск в масштабе и автоматизация бухгалтерии, а также маркетинг для таких задач, как сегментация клиентов и генерация активов кампании.

Навигация на реальные проблемы и необходимость в человеческом надзоре

В то время как результаты на эталоне Osworld сильны, корпоративные среды гораздо более беспорядочные, заполнены устаревшим программным обеспечением и непредсказуемым пользовательским интерфейсом.

Это поднимает критические вопросы о надежности, безопасности и необходимости надзора за человеком.

Основной задачей является обеспечение того, чтобы агент оркестратора сделал правильный выбор, когда сталкивается с незнакомым применением. По словам Сюй, путь к тому, чтобы сделать такие агенты, как COACT-1, надежный для пользовательского корпоративного программного обеспечения, включает в себя обучение их обратной связи в реалистичных, моделируемых средах.

Цель состоит в том, чтобы создать систему, в которой «агент может наблюдать, как работают человеческие агенты, пройти обучение в песочнице, и когда он идет вживую, продолжайте решать задачи под руководством и ограждением человеческого агента».

Возможность для агента программиста выполнить свой собственный код также вводит очевидные проблемы безопасности. Что мешает агенту выполнять вредный код на основе неоднозначного запроса пользователя?

Сюй подтверждает, что надежная сдерживание необходима. «Контроль доступа и песочница — это ключ», — сказал он, подчеркнув, что человек должен «понимать это значение и предоставить доступ к ИИ для безопасности».

Песоочеение и ограждения будут иметь решающее значение для проверки поведения агента Перед развертыванием в критических системах.

В конечном счете, в обозримом будущем преодоление двусмысленности, вероятно, потребует человека в петле. Когда его спросили о обработке смутных пользовательских запросов, в статье также возникла проблема, Сюй предложил поэтапный подход. «Я вижу человека в петле, чтобы начать»,-отметил он.

Хотя некоторые задачи могут в конечном итоге стать полностью автономными, для операций с высокими ставками, человеческая проверка останется решающей. «Некоторые критически важные всегда могут нуждаться в одобрении человека».

Несмотря на то, что торговля акционерным капиталом была высокорегулируемой отрасли, постоянно находилась в авангарде технологических инноваций в секторе финансовых услуг. Однако, когда речь заходит о агентах и заявках на ИИ, многие банки приняли более осторожный подход к принятие.

TD Securities, торговое оружие акций и ценных бумаг TD Bank, выпустило своего виртуального помощника TD AI 8 июля.направленная на его профессионалов в области институциональных продаж, торговых и исследований фронт -офиса, чтобы помочь им управлять своим рабочим процессом.

ИТ-директор TD Securities Дэн Босман заявил Venturebeat, что основная цель виртуального помощника-помочь продажам фронт-офисов, а трейдеры получают информацию о клиентах и исследованиях.

«Первая версия этого началась как пилот, которую мы затем масштабировали», — сказал Босман. «Речь идет о доступе к данным исследованиям акций, которые наши аналитики выпускают, и приводят их в руки команды продаж таким образом, чтобы это было удобно».

Босман отметил, что находиться на торговом этаже означает, что вы подвергаетесь воздействию большего количества Lingo, и контекст, в котором пользователи задают некоторые вопросы, кажется очень уникальным. Таким образом, помощник ИИ должен звучать естественно, интуитивно понятно и получить доступ к пониманию, генерируемым трейдерами.

Строительство TD AI

Босман сказал, что идея для помощника искусственного интеллекта пришла от члена команды по продажам акций. К счастью, у банка есть платформа под названием TD Invent, где сотрудники могут приносить идеи, а команда лидерства инноваций может ответственно оценивать проекты.

«Кто -то в нашей стойке продаж исследований в области акций и в значительной степени сказал, что я получил эту идею и принес ее в TD Invent», — сказал Босман. «Что мне больше всего понравилось в этом, так это когда вы строите что -то супер -волшебное, вам не нужно выходить и продавать или поставить лицо.

TD Security построила виртуальный помощник TD AI, используя модели GPT Openai. Босман сказал, что TD работал со своими технологическими командами и канадской компанией AI Layer 6, который банк приобрел в 2018 году, а также с другими стратегическими партнерскими партнерствами. Помощник интегрируется с облачной инфраструктурой банка, позволяя ему получить доступ к внутренним исследовательским документам и рыночными данными, такими как заявки 13F и исторические данные.

Bosman называет TDS AI системой управления знаниями, термином, который обычно охватывает его способность извлекать процессы извлечения через процессы получения добычи (RAG), агрегировать и синтезировать информацию в «краткие контекстные резюме и понимание», чтобы его команды продаж могли ответить на вопросы клиента.

TD AI Virtual Assistant также дает пользователям доступ к модели Foundation TD Bank, TD AI Prism.

Модель, запущенная в июне, используется по всему банку, а не только для TD Securities. Во время запуска банк сказал, что TD AI Prism улучшит прогнозирующую эффективность приложений TD Bank, обрабатывая в 100 раз больше данных, заменив модели с одной архитектурой и обеспечивая внутренние данные клиента.

«Развитие создало уникальные проблемы, поскольку Gen AI был относительно новым для организации, когда началась инициатива, требуя тщательного навигации по управлению и контролю», — сказал Босман. «Несмотря на это, проект успешно собрал разнообразные команды по всему предприятию, способствуя сотрудничеству для предоставления передового решения».

Он добавил, что одной из выдающихся функций является его возможность текста в SQL, которая преобразует подсказки естественного языка в запросы SQL.

Чтобы обучить помощника, Босман сказал, что TD Securities разработала оптимизацию, чтобы облегчить процесс.

«Благодаря патентным оптимизациям в быстрого инженерных и динамичных примеров, мы успешно достигли желаемой эффективности бизнеса посредством контекстного обучения»,-сказал Босман. «В результате тонкая настройка базовой модели OpenAI не требовалась для взаимодействия как с неструктурированными, так и с табличными наборами данных».

Банки медленно вступают в агентскую эпоху

Конечно, TD Bank и TD Securities не единственные банки, заинтересованные в расширении от помощников до агентов искусственного интеллекта.

BNY сказал VentureBeat, что начал предлагать многоагентные решения своим группам продаж, чтобы помочь ответить на вопросы клиентов, такие как связанные с поддержкой иностранной валюты. Уэллс Фарго также увидел увеличение использования его внутреннего помощника ИИ. Для своих клиентов по продажам автомобилей Capital One построил агента, который помогает им продавать больше автомобилей.

Многие из этих вариантов использования появились после нескольких месяцев пилотных испытаний, как и в любой другой отрасли; Тем не менее, финансовые учреждения имеют дополнительное бремя строгих конфиденциальности данных клиентов и фидуциарных обязанностей.

Босман TD Securities отметил, что многие сотрудники, даже на деловой стороне банка, все чаще знакомы с такими инструментами, как Chatgpt. Задача с ассистентами и агентами пилотных тестирования заключается в том, чтобы обучать их инструментам, но в создании лучших практик для использования помощников, интеграции их в существующие рабочие процессы, понимание их ограничений и того, как люди могут обеспечить обратную связь для смягчения галлюцинаций.

В конце концов, Босман сказал, что помощник превратится в нечто, что даже его пользователи за пределами банка захотят использовать при взаимодействии с TD Securities.

«Мое видение состоит в том, что мы рассматриваем ИИ как нечто, что может повысить ценность для нас, а также для внешних клиентов в банке. Прямо сейчас это огромная возможность для нас привлечь более сильный опыт клиента и обеспечение лучшего опыта коллеги», — сказал Босман.

Запуск Openai самой передовой модели AI GPT-5 на прошлой неделе стал стрессовым тестом для самой популярной в мире платформы чат-ботов с 700 миллионами еженедельных активных пользователей-и до сих пор Openai открыто пытается сохранить счастливые пользователи и его обслуживание.

Новая флагманская модель GPT-5-доступная в четырех вариантах различной скорости и интеллекта (обычная, мини, нано и профессионала), наряду с более длительным ответом и более мощными режимами «мышления» как минимум для трех из этих вариантов-были Говорят, что предлагает более быстрые ответы, большую силу рассуждений и более сильную способность кодирования.

Вместо этого это было встречено с разочарованием: Некоторые пользователи были вообще встревожены решением Openai внезапно удалить более старые базовые модели ИИ из CHATGPT — на ранее полагались пользователи, а в некоторых случаях — глубокие эмоциональные фиксации с — и и По кажущейся худшей производительности GPT-5, чем сказанные более старые модели по задачам по математике, науке, письму и другим областям.

Действительно, Развертывание выявило напряжение инфраструктуры, неудовлетворенность пользователями и более широкую, более тревожную проблему, теперь привлекая глобальное внимание: Растущая эмоциональная и психологическая зависимость, которые некоторые люди формируют на ИИ и в результате перерывы от реальности, которые испытывают некоторые пользователи, известные как «Психоз Чэтгпт ».

От ухабичного дебюта до постепенных исправлений

Долгожданная модель GPT-5 Model Family дебютировала в четверг, 7 августа, в сфере трансляции в прямом эфире опасается с ошибками диаграмм и некоторыми сбоями голосового режима во время презентации.

Но хуже, чем эти косметические проблемы для многих пользователей, был тот факт, что OpenAI автоматически установил свои старые модели искусственного интеллекта, которые использовались для питания CHATGPT — GPT-4O, GPT-4.1, O3, O4-Mini и O4-High -Принуждая всех пользователей к новой модели GPT-5 и направляя свои запросы в разные версии его «мыслительного» процесса, не выявляя почему или какая модельная версия использовалась.

Ранние пользователи GPT-5 сообщили о основных математических и логических ошибках, непоследовательной генерации кода и неравномерной реальности по сравнению с GPT-4O.

Для контекста старые модели GPT-4O, O3, O4-Mini и другие все еще остается доступным и остались доступными пользователям openai’s Pay Application Interface (API) (API) После запуска GPT-5 в четверг.

К пятнице генеральный директор Openai соучредитель Сэм Альтман уступилE Запуск был «немного более ухабительным, чем мы надеялись», и обвинил неудачу в новом автоматическом «маршрутизаторе» GPT-5 — Система, которая назначает подсказки наиболее подходящему варианту.

Альтман и другие в Openai утверждали, что «Автосгиптер» остался в автономном режиме «для куски дня», заставляя модель казаться «тупичной», чем предполагалось.

Запуск GPT-5 предшествовал всего за несколько дней до запуска новых моделей с крупным языком Openai (LLMS) под названием GPT-OSS, которые также получили смешанные обзоры. Эти модели недоступны на CHATGPT, скорее, они могут бесплатно загружать и запускать локально или на стороннем оборудовании.

Как переключиться с GPT-5 на GPT-4O в Chatgpt

В течение 24 часов, Openai Восстановлен GPT-4O Access для подписчиков Plus (те, кто платит 20 долларов в месяц или более планов подписки)пообещал более прозрачную маркировку модели и пообещал обновление пользовательского интерфейса, чтобы пользователи вручную запустили режим «мышления» GPT-5.

Уже, Пользователи могут пойти и вручную выбрать более старые модели на веб -сайте CHATGPT, обнаружив название и значок своей учетной записи в левом нижнем углу экрана, нажав на него, затем нажав «Настройки» и «Общие» и переключаясь на «Show Legacy Models».

От Openai нет никаких признаков того, что другие старые модели вернутся в CHATGPT в ближайшее время.

Модернизированные пределы использования для GPT-5

Альтман Сказал, что абоненты Chatgpt Plus получат вдвое больше сообщений, используя режим «мышления» GPT-5 Это предлагает больше рассуждений и интеллекта — до 3000 в неделю -и что инженеры начали точную настройку границ решений на маршрутизаторе сообщения.

К выходным GPT-5 был доступен для 100% подписчиков Pro и «приближаясь к 100% всех пользователей».

Альтман сказал, что компания «недооценила, насколько некоторые из вещей, которые люди нравятся в GPT-4O для них», и поклялась ускорить настройку на пользователя-от теплоты личности до тона контроля, таких как использование смайликов.

Выращивание пропускной способности Crunch

Альтман предупредил, что OpenAI сталкивается с «серьезной проблемой пропускной способности» на этой неделе, так как использование моделей рассуждений резко поднимается — с менее чем 1% до 7% свободных пользователей и от 7% до 24% от подписчиков.

Он дразнил, предоставляя плюс подписчики небольшое ежемесячное выделение запросов GPT-5 Pro и сказал, что компания скоро объяснит, как она планирует сбалансировать мощность между CHATGPT, API, исследованиями и новым пользователем.

Altman: модель привязанности реальна — и рискованно

В посте на X прошлой ночью Альтман признал динамику, которую компания отслеживала «за последний год или около того»: глубокое привязанность пользователей к конкретным моделям.

«Он чувствует себя иначе и сильнее, чем виды привязанности к предыдущим видам технологий», — написал он, признав, что внезапно выходящие из старых моделей «были ошибкой».

Он связал это с более широким риском: некоторые пользователи рассматривают CHATGPT как терапевта или тренер по жизни, что может быть полезным, но для «небольшого процента» может усилить заблуждение или подорвать долгосрочное благополучие.

В то время как руководящий принцип Openai остается «относиться к взрослым пользователям как к взрослым». Альтман сказал, что компания несет ответственность не подталкивать уязвимых пользователей на вредные отношения с ИИ.

А Комментарии приземляются как несколько крупных средств массовой информации, сообщают о случаях «Психоза ЧАТГПТ» — Там, где расширенные, интенсивные разговоры с чат -ботами, по -видимому, играют роль в индукции или углубленном бредовом мышлении.

Случаи психоза попадают в заголовки

В Катящий камень Журнал, калифорнийский юрист, идентифицированный как «J.» Описал шестинедельную спираль бессонных ночей и философских кроличьих дыр с CHATGPT, в конечном итоге, в конечном итоге создавая 1000-страничный трактат для вымышленного монашеского порядка, прежде чем потерпеть неудачу физически и умственно. Теперь он полностью избегает ИИ, опасаясь рецидива.

В New York TimesКанадский рекрутер Аллан Брукс рассказал 21 день и 300 часов разговоров с Chatgpt-которые он назвал «Лоуренсом»-которые убедили его, что он обнаружил меняющую миру математическую теорию.

Бот высоко оценил свои идеи как «революционные», призвал проконсультироваться с агентствами национальной безопасности и размышлял о сложных повествованиях шпионского триллера. Брукс в конечном итоге нарушил заблуждение после перекрестной проверки с Близнецами Google, что оценило шансы его открытия как «приближаясь к 0%». В настоящее время он участвует в группе поддержки для людей, которые испытали AI-индуцированные заблуждения.

Оба исследования подробно описывают, как чат-бот «сикофанность», ролевая игра и функции длинной сессии памяти может углубить ложные убеждения, особенно когда разговоры следуют драматическим сюжетным дугам.

Эксперты рассказали Раз Эти факторы могут переопределить охраны безопасности — с одним психиатром, описывающим эпизод Брукса как «маниакальный эпизод с психотическими чертами».

Между тем, люди пользователей человека в Subreddit Reddit R/Aisoulmates-коллекция людей, которые использовали CHATGPT и другие модели искусственного интеллекта для создания новых искусственных подруг, парней, детей или других любимых, не обязательно основанных на реальных людях, а скорее идеальных качествах их «мечты» упомянутых ролей »-продолжают получать новые пользователи и терминологию для компаньонов, в том числе и« ведущие », в том числе и« ведущие », в том числе и« ведущие », в том числе и« ведущие », в том числе и на« Бинг-бабь-ведущих ».

Рост этого субреддита, теперь до 1200+ членов, наряду с Нью -Йорк и Катящий камень Статьи и другие отчеты о социальных сетях пользователей, создающих интенсивные эмоциональные фиксации с помощью алгоритмических чат-ботов на основе моделей, показывает, что Общество вступает в рискованную новую фазу, в которой люди считают, что товарищи, которых они создали и настроили из ведущих моделей ИИ, являются или более значимы для них, чем человеческие отношенияПолем

Это уже может оказаться психологически дестабилизированным при изменении моделей, обновляются или устарели, как в случае развертывания GPT-5 OpenAI.

По отношению, но по отдельности, отчеты продолжают появляться пользователей ИИ чат -бота, которые Поверьте, что разговоры с чат -ботами привели их к огромным прорывам знаний и достижениям в области науки, технологий и других областей, когда на самом деле они просто подтверждают эго и величие пользователя. и решения, на которые приходит пользователь с помощью чат -бота, не являются законными и не эффективными. Этот перерыв от реальности был примерно придуман под низовым термином «Психоз Чэтгпт» или «Психоз ГПТ» и, по -видимому, также повлиял на основные фигуры кремниевой долины.

Предприниматели предприятия, желающие развернуть или которые уже развернули помощников на рабочем месте, основанного на чат-ботах, было бы неплохо понять эти тенденции и Принять системные подсказки и другие инструменты, препятствующие чат-ботам искусственного интеллекта от экспрессивного человеческого общения или насыщенного эмоциями языка Это может в конечном итоге привести тех, кто взаимодействует с продуктами, основанными на ИИ-будь то сотрудники или клиенты бизнеса-стать жертвами нездоровых привязанности или психоза GPT.

Научно-фантастический автор JM Berger в Сообщение на Блюзском замечен моим бывшим коллегой в Грава Ади Робертсон, сообщил, что поставщики чат -ботов кодируют три основных поведенческих принципа в своих системных подсказках или правила для следования AI чат -ботов, чтобы избежать таких эмоциональных фиксаций от формирования:

1. «Бот никогда не должен выражать эмоции.
2. Бот никогда не должен хвалить пользователя.
3. Бот никогда не должен говорить, что он понимает психическое состояние пользователя ».

Задача Openai: создание технических исправлений и обеспечение гарантий человека

За несколько дней до выпуска GPT-5 Openai объявила о новых мерах по продвижению «здорового использования» CHATGPT, включая мягкие подсказки, чтобы сделать перерывы во время долгих сессий.

Но растущие отчеты о «психозе Chatgpt» и эмоциональной фиксации некоторых пользователей на конкретных моделях чат -ботов — как открыто признается Альтманом — подчеркивает сложность балансировки привлекательного, персонализированного искусственного интеллекта с гарантиями, которые могут обнаружить и прервать вредные спиралы.

OpenAI должен стабилизировать инфраструктуру, настраивать персонализацию и решать, как смягчить иммерсивное взаимодействие — Тем не менее, отрывая конкуренцию со стороны антропного, Google и растущего списка мощных моделей с открытым исходным кодом из Китая и других регионов.

Как выразился Альтман, общество — и Openai — нужно «выяснить, как сделать его большим чистым позитивным», если миллиарды людей придут, чтобы доверять ИИ для их наиболее важных решений.

Рассмотрим поддержание и разработку платформы электронной коммерции, которая каждую минуту обрабатывает миллионы транзакций, генерируя большие объемы данных телеметрии, включая метрики, журналы и следы по нескольким микросервисам. Когда возникают критические инциденты, инженеры по вызову сталкиваются с сложной задачей просеивания океана данных, чтобы раскрыть соответствующие сигналы и идеи. Это эквивалентно поиску иглы в стоге сена.

Это делает наблюдение источником разочарования, а не понимания. Чтобы облегчить эту серьезную болезнь, я начал исследовать решение для использования протокола контекста модели (MCP) для добавления контекста и извлечения выводов из журналов и распределенных следов. В этой статье я намечу свой опыт создания платформы наблюдаемости с AI, объясню системную архитектуру и поделюсь действенными идеями, изученными на этом пути.

Почему наблюдение сложна?

В современных программных системах наблюдаемость не является роскошью; Это основная необходимость. Способность измерить и понимать поведение системы является основополагающим для надежности, производительности и доверия пользователей. Как говорится, «Что вы не можете измерить, вы не можете улучшить».

Тем не менее, достижение наблюдаемости в современных облачных аттестатах, на основе микросервисных архитектур сложнее, чем когда-либо. Один пользовательский запрос может пройти десятки микросервисов, каждая из которых испускает журналы, метрики и следы. Результатом является изобилие данных телеметрии:

• Десятки терабайт бревен в день
• Десятки миллионов точек данных метрических данных и преагрегатов
• Миллионы распределенных следов
• Тысячи идентификаторов корреляции, генерируемые каждую минуту

Задача — не только объем данных, но и фрагментация данных. Согласно отчету о прогнозе наблюдаемости New Relic на 2023 год, 50% организаций сообщают о данных телеметрии, при этом только 33% достигают единого представления между метриками, журналами и следами.

Журналы рассказывают одну часть истории, метрики другой, прослеживает еще одну. Без последовательной нити контекста инженеры вынуждены к ручной корреляции, полагаясь на интуицию, знания племен и утомительную детективную работу во время инцидентов.

Из -за этой сложности я начал задаваться вопросом: как ИИ может помочь нам получить фрагментированные данные и предложить всеобъемлющие, полезные знания? В частности, можем ли мы сделать телеметрические данные, по сути, более значимыми и доступными как для людей, так и для машин, используя структурированный протокол, такой как MCP? Фонд этого проекта был сформирован этим центральным вопросом.

Понимание MCP: перспектива конвейера данных

Anpropic определяет MCP как открытый стандарт, который позволяет разработчикам создавать безопасное двустороннее соединение между источниками данных и инструментами искусственного интеллекта. Этот структурированный конвейер данных включает в себя:

• Контекстуальный ETL для AI: Стандартизация извлечения контекста из нескольких источников данных.
• Структурированный интерфейс запроса: Позволяет AI -запросам получить доступ к уровням данных, которые являются прозрачными и легко понятными.
• Семантическое обогащение данных: Встраивает значимый контекст непосредственно в телеметрические сигналы.

Это может отключить наблюдаемость платформы от реактивного решения проблем и к упреждающему пониманию.

Архитектура системы и поток данных

Прежде чем погрузиться в детали реализации, давайте пройдемся по архитектуре системы.

На первом уровне мы разрабатываем контекстные данные телеметрии, внедряя стандартизированные метаданные в телеметрические сигналы, такие как распределенные следы, журналы и метрики. Затем во втором уровне обогащенные данные подаются на сервер MCP для индекса, добавить структуру и предоставлять клиентский доступ к обогащенным контекстам данных с использованием API. Наконец, механизм анализа AI использует структурированные и обогащенные данные телеметрии для обнаружения аномалий, корреляции и анализа корневых причин для устранения проблем применения.

Этот слоистый дизайн гарантирует, что ИИ и инженерные группы получают контекстные, действующие, действенные идеи от данных телеметрии.

Внедрение глубокого погружения: трехслойная система

Давайте рассмотрим фактическую реализацию нашей платформы наблюдаемости с MCP, сосредоточившись на потоках данных и преобразовании на каждом этапе.

Уровень 1: Обогащенное контекст генерация данных

Во -первых, мы должны убедиться, что наши телеметрические данные содержит достаточно контекста для значимого анализа. Основное понимание состоит в том, что корреляция данных должна произойти во время создания, а не время анализа.

Код 1. Обогащение контекста для журналов и трассов

Этот подход гарантирует, что каждый сигнал телеметрии (журналы, метрики, трассировки) содержит одни и те же основные контекстные данные, решающие задачу корреляции у источника.

Уровень 2: Доступ к данным через сервер MCP

Затем я создал сервер MCP, который превращает необработанную телеметрию в запрос API. Основные операции данных здесь включают следующее:

1. Индексация: Создание эффективных поисков по контекстуальным областям
2. Фильтрация: Выбор соответствующих подмножества телеметрии
3. Агрегация: Вычисление статистических мер во временных окнах

Код 2. Преобразование данных с использованием сервера MCP

Этот слой превращает нашу телеметрию из неструктурированного озера данных в структурированный, оптимизированный запрос интерфейс, который система ИИ может эффективно ориентироваться.

Слой 3: Двигатель анализа, управляемый ИИ, управляемый

Последний уровень — это компонент ИИ, который потребляет данные через интерфейс MCP, выполняя:

1. Многомерный анализ: Соотношение сигналов между журналами, метриками и следами.
2. Обнаружение аномалии: Определение статистических отклонений от нормальных закономерностей.
3. Определение основной причины: Использование контекстуальных подсказок для изоляции вероятных источников проблем.

Код 3. Анализ инцидентов, метод обнаружения аномалии и вывода

Влияние наблюдаемой наблюдаемости MCP

Интеграция MCP с платформами наблюдения может улучшить управление и понимание сложных данных телеметрии. Потенциальные преимущества включают:

• Более быстрое обнаружение аномалий, что приводит к сокращению минимального времени для обнаружения (MTTD) и минимальному времени для разрешения (MTTR).
• У проще идентификация основных причин для проблем.
• Меньше шума и меньше несуществующих оповещений, тем самым снижая усталость оповещения и повышая производительность разработчиков.
• Меньшее количество перерывов и контекстов во время разрешения инцидентов, что приводит к повышению эффективности эксплуатации для инженерной группы.

Действующие идеи

Вот некоторые ключевые идеи этого проекта, которые помогут группам со стратегией наблюдения.

• Контекстуальные метаданные должны быть встроены в начале процесса генерации телеметрии, чтобы облегчить корреляцию вниз по течению.
• Структурированные интерфейсы данных Создайте API-управляемые структурированные слои запросов, чтобы сделать телеметрию более доступными.
• Контекст-ai ai Фокусирует анализ данных, богатых контекстом, для повышения точности и актуальности.
• Методы обогащения контекста и ИИ должны быть уточняются на регулярной основе с использованием практической оперативной обратной связи.

Заключение

Соединение структурированных конвейеров данных и ИИ имеет огромное обещание для наблюдения. Мы можем преобразовать обширные данные телеметрии в действенную информацию, используя структурированные протоколы, такие как MCP и AI-анализ, что приводит к проактивным, а не реактивным системам. Lumigo идентифицирует три столпа наблюдения — журналыВ метрикии следы — которые необходимы. Без интеграции инженеры вынуждены вручную коррелировать разрозненные источники данных, замедляя реакцию инцидента.

То, как мы генерируем телеметрию, требуется структурные изменения, а также аналитические методы для извлечения значения.

Pronnoy Goswami — это облачная, специалист по инфраструктуре ИИ и распределенных систем.