විශේෂඥ කාර්ය 206කින් ඉතා දුර්වල 12 ප්‍රතිශතයක් දක්වා: GDPx මිනුම අද AI ඒජන්ට්වරුන්ගේ සැබෑ සීමාවන් ගැන හෙළි කරන දේ
හැඳින්වීම: AI ඒජන්ට්වරු විශේෂඥ වැඩ සඳහා සූදානම් නම්, හොඳම එක ප්‍රතිශතයෙන් 12ක් ලකුණු ලබා ගත්තේ ඇයි?
සැබෑ, ගෙවන ලද විශේෂඥ රැකියා වලින් සාදන ලද නව මිනුමක් (benchmark) frontier AI ආකෘති විස්සක් ශ්‍රේණිගත කර ඇති අතර, ඒවායින් හොඳම එක සමාන බරින් යුත් වසම් එකොළහ පුරා සාමාන්‍යයෙන් ප්‍රතිශතයෙන් 12ක් ලබා ගත්තේය.
ඔබේ ව්‍යාපාරය විශේෂඥයින්ට ගෙවන වැඩ AI ඒජන්ට් කෙනෙකුට කළ හැකිද? එම ප්‍රකාශය සඳහා අවංක ලකුණු පුවරුවක් කෙබඳු වේද? ඔබ අත්සන් කිරීමට පෙර විකුණුම්කරුවෙකුගෙන් අසිය යුත්තේ කුමක්ද?
සිඩ්නි හි SME සහ ව්‍යවසායන් සමඟ වැඩ කරන පෞද්ගලික AI ආකෘති සංවර්ධකයෙකු සහ AI ආරක්ෂණ උපදේශකයෙකු ලෙස, මට සෑම සතියකම මෙම ප්‍රශ්න ඇසෙයි. පිළිතුරු අයවැය, කාර්ය මණ්ඩලය සහ අවදානම සඳහා වැදගත්ය.
මෙම ලිපිය GDPx මිනුම මැන ඇත්තේ කුමක්ද, එහි සංඛ්‍යා තහවුරු කරන සහ නොකරන දේ, සහ මෙම කාර්තුවේ AI ඒජන්ට්වරුන් ඇගයීමට ලක් කරන ඕනෑම නායකයෙකුට ප්‍රායෝගික පාඩම් පැහැදිලි කරයි.
1. GDPx සැබවින්ම මැන ඇත්තේ කුමක්ද
මෙම සතියේ SemiAnalysis පර්යේෂණ ආයතනය GDPx ප්‍රකාශයට පත් කළේය; එය මිනිසුන් ඒවායින් ජීවිකාව උපයන නිසා තෝරාගත් වසම් 11ක කාර්ය 206ක මිනුමකි: චිප් නිර්මාණය, සයිබර් ආරක්ෂාව, නීතිමය වැඩ, ප්‍රමාණාත්මක වෙළඳාම, ජීව විද්‍යාව, මෘදුකාංග ඉංජිනේරුකරණය සහ තවත්.
කර්මාන්ත හවුල්කරුවන් දහහතර දෙනෙකු කාර්යයන් සැපයූ අතර, frontier ආකෘති විස්සක් ශ්‍රේණිගත කරන ලදී. මිනුම එහි දුෂ්කරතාවයට වඩා එහි මූලාශ්‍ර ද්‍රව්‍යයෙන් කැපී පෙනේ: මිනිසුන්ට ගෙවන රැකියා.
2. ලකුණු පුවරුව: ආකෘති විස්සක්, එක් අඩු සාමාන්‍යයක්
ඉහළම ලකුණු ලැබූ ආකෘතිය සමාන බරින් යුත් වසම් එකොළහ පුරා සාමාන්‍යයෙන් ප්‍රතිශතයෙන් 12ක් ලබා ගත්තේය. දෙවන ස්ථානයේ ආකෘතිය 10.9ක් සහ තුන්වන ස්ථානයේ ආකෘතිය 9.6ක් ලබා ගත්තේය. එම සංඛ්‍යාව එක් ආයතනයක කාර්ය කට්ටලයක වසම්-බර සාමාන්‍යයකි, සියලු ගෙවන විශේෂඥ වැඩවල කොටසක් නොවේ. දැඩිම ශ්‍රේණිගත කිරීම යටතේ, කිසිදු ආකෘතියක් එක් මූල්‍ය හෝ නීතිමය කාර්යයක්වත් නිම කළේ නැත, එබැවින් ප්‍රකාශිත ලකුණු මගින් ගණන් කරන්නේ නිම කළ රැකියා නොව සපුරා ඇති තනි අවශ්‍යතා වල කොටසයි.
කෙසේ වුවත්, ලකුණු පුවරුවක් ආරම්භක ලක්ෂ්‍යයක් මිස තීන්දුවක් නොවේ. මෙම සංඛ්‍යා එක් ආයතනයක කාර්ය එක් ආයතනයක රූබ්‍රික් එකක් යටතේ මනින අතර, ඒවා අද ආකෘති විස්තර කරයි, ලබන වසරේ ඒවා නොවේ.
3. සීමාවන්: GDPx තහවුරු නොකරන දේ
GDPx අසම්පූර්ණය. එය එක් ආයතනයක කාර්ය සහ එක් ආයතනයක රූබ්‍රික් එකක් භාවිත කරයි, තවමත් ස්වාධීන ප්‍රතිනිෂ්පාදනයක් නැත, තවද ආයතනය එය ශ්‍රේණිගත කරන කර්මාන්තයටම පර්යේෂණ විකුණයි.
පාඩම නම් සංඛ්‍යාව ලිහිල්ව අල්ලා ගැනීමයි. නමුත් දිශාව නිවැරදිය, මන්ද එය ආකෘති මනින්නේ විශ්මයජනක සුළු කරුණු මත නොව ගෙවන වැඩ මතයි.
4. පිරිවැය තීරුව: $51 එදිරිව $16
ප්‍රමුඛයා උත්සාහ කළ කාර්යයකට සාමාන්‍යයෙන් ඩොලර් 51ක් පමණ වැය විය. දෙවන ස්ථානයේ ආකෘතිය, එයට ලකුණක් ඇතුළත ලකුණු සඳහා කාර්යයකට සාමාන්‍යයෙන් ඩොලර් 16ක් පමණ වැය විය.
ඔබේ ඒජන්ට් උපාය හැකියාව සහ පිරිවැය එකට ගමන් කරන බව උපකල්පනය කරන්නේ නම්, මෙම වගුව පවසන්නේ ඒවා එසේ නොවන බවයි. ප්‍රතිඵලයකට ලාභදායීම මාර්ගය දැන් ප්‍රතිඵලය තරමටම උපායමාර්ගිකය, තවද එම විශ්ලේෂණය අයත් වන්නේ ප්‍රසම්පාදනයටය, අලෙවි පිටුවකට නොවේ.
5. ප්‍රසිද්ධ සංඛ්‍යාවකට එරෙහිව ඒජන්ට් ඉදිරිපත් කිරීම් කියවීම
මෙම කාර්තුවේ ඔබ දකින සියලු නිරූපණ විශේෂඥ වැඩ සඳහා සූදානම් බව කියයි. ප්‍රසිද්ධ, නම් කළ මිනුමක් ගෙවන වැඩ මත ඉහළම සාමාන්‍යය ප්‍රතිශතයෙන් 12ක් ලෙස තබා ඇත.
එයින් ඒජන්ට්වරු නිෂ්ප්‍රයෝජන නොවේ. එයින් අදහස් වන්නේ අද අවංක යෙදවීමේ කලාපය වේදිකාවේ විකුණන ස්වයංක්‍රීය දෙපාර්තමේන්තු නොව, මිනිස් සමාලෝචනය සහිත පටු, හොඳින් උපකරණගත කාර්යයන් බවයි.
සෑම තැනකම නායකයින් සඳහා පාඩම්
පළමුව, නිරූපණ යුගය අවසන්. කර්මාන්තයක් ලකුණු පුවරු ගැන තර්ක කිරීමට පටන් ගත් විට, නිරූපණ තර්ක විසඳීම නතර කර ඇත.
දෙවනුව, පිරිවැය සහ හැකියාව එකට ගමන් නොකරයි. ලකුණ අසල, ප්‍රසම්පාදනයට නිම කළ කාර්යයකට පිරිවැය ඇතුළත් කරන්න.
තෙවනුව, සෑම ඒජන්ට් ඉදිරිපත් කිරීමක්ම ප්‍රසිද්ධ සංඛ්‍යාවකට එරෙහිව කියවන්න. අද අවංක යෙදවීමේ කලාපය පටු, හොඳින් උපකරණගත සහ මිනිසුන් විසින් සමාලෝචනය කරන ලද එකකි.
අවසාන වශයෙන්, මෙම කාර්තුවේ සෑම AI විකුණුම්කරුවෙකුගෙන්ම එක් ප්‍රශ්නයක් අසන්න: මට සමාන වැඩ සඳහා ස්වාධීන, කාර්ය-පාදක මිනුමක ඔබේ ලකුණ, සහ නිම කළ කාර්යයකට ඔබේ පිරිවැය පෙන්වන්න. ඔවුන්ට පිළිතුරු දිය නොහැකි නම්, නිරූපණයට වඩා වටිනා දෙයක් ඔබ ඉගෙන ගෙන ඇත.
නිගමනය: මිනුම අලෙවිකරණය ප්‍රතිස්ථාපනය කර ඇත
ප්‍රතිශතයෙන් 12ක ඉහළම සාමාන්‍යයක් AI ඒජන්ට්වරුන්ගෙන් ඉවත්වීමට හේතුවක් නොවේ. එය උද්යෝගය වෙනුවට සාක්ෂි සමඟ ඒවා මිලදී ගැනීමට හේතුවකි.
කෘත්‍රිම බුද්ධිය තම ස්ථානය උපයා ගන්නේ මනින ලද ප්‍රතිඵල මත මිස වේදිකා දක්ෂතාවය මත නොවේ. අවසානයේදී, අවංකව ගණන් කළ කාර්යයකට පිරිවැයේ ගණිතය, මෙම තාක්ෂණය සැබවින්ම අයත් වන්නේ කොතැනටදැයි තීරණය කරයි.
යොමු සහ තවදුරටත් කියවීම
- 1. SemiAnalysis, “GDPx: The General Agentic Benchmark” – https://gdpx.semianalysis.com
- 2. SemiAnalysis, research notes and industry analysis – https://semianalysis.com
ගණිතමය ලෙස සිතන්න. බුද්ධිමත් ලෙස ඉංජිනේරුකරණය කරන්න. උපායශීලීව නායකත්වය දෙන්න. වගකීමෙන් ගොඩනගන්න. ගෝලීය ලෙස පුළුල් කරන්න. කෘත්‍රිම බුද්ධිය මගින් සැබෑ ව්‍යාපාරික වටිනාකමක් නිර්මාණය කරන්න.
#ArtificialIntelligence #AIStrategy #AIGovernance #EnterpriseAI #ITImpress