OpenAI har gjort fremskritt innen kunstig intelligens med sin nye modell, OpenAI-o1, som ble annonsert i dag. Den kan logisk resonnere gjennom komplekse problemer uten å måtte skaleres opp som forgjengeren GPT-4. I motsetning til typiske store språkmodeller (LLMs) som leverer svar i ett trinn, engasjerer OpenAI-o1 seg i resonnement med flere trinn, og finner svar på en mer menneskelig måte. Mira Murati, OpenAI's teknologidirektør, understreket dette metodebyttet og uttalte at OpenAI-o1 utmerker seg i å løse intrikate resonnementoppgaver som dagens modeller, inkludert GPT-4o, sliter med. Selv om OpenAI utvikler GPT-5 til å bli større enn GPT-4o, planlegger de å integrere resonnementsevnene som vises i OpenAI-o1. Denne nye modellen bruker forsterkningslæring for å forbedre sin resonnementsevne, og gir tilbakemelding på sine svar for å raffinere sin tilnærming. Mark Chen, OpenAIs forskningsvisepresident, demonstrerte modellens kapasitet ved å løse avanserte kjemi og komplekse matematiske problemer som tidligere modeller ikke kunne håndtere. OpenAI-o1 demonstrerte en betydelig forbedring sammenlignet med GPT-4o, spesielt i ulike fagområder, og oppnådde en nøyaktighet på 83 % på den amerikanske Invitational Mathematics Examination, sammenlignet med GPT-4o's 12 %.

Imidlertid er OpenAI-o1 langsommere og mangler funksjoner som nettsøking og multimodale evner, som å tolke bilder eller lyd. Presset for å forbedre resonnement i LLMs er et utbredt tema innen AI-forskning, med konkurrenter som Google som forfølger lignende veier. OpenAI's metode representerer et bredere sprang mot generalisert resonnement, mens eksperter fremhever viktigheten av å forstå hvordan disse modellene utleder sine løsninger, gitt deres potensielle innvirkninger på beslutningstaking. Murati bemerket at OpenAI-o1 også viser forbedret samsvar med etiske standarder, ettersom den kan resonnere gjennom konsekvensene av sine handlinger og redusere skadelige utsagn. AI-ekspert Oren Etzioni understreker behovet for at LLMs engasjerer seg i problemløsning med flere trinn, ettersom ren skalering er utilstrekkelig for fremskritt. Chen konkluderte med at denne nye resonnementstilnærmingen kan muliggjøre mer effektiv og kostnadseffektiv AI-utvikling, i tråd med OpenAIs kjerneoppdrag.