OpenAI traži ljude koji znaju smanjiti AI prije nego ih ugrabi konkurencija

OpenAI nije objavio još jedan demo na konferenciji — pokrenuo je Parameter Golf, konkurenciju u izradi najboljeg jezičnog modela unutar 16 MB memorije. Cilj je jasan: unutar deset minuta, osam H100 GPU-a i milijun dolara u kreditima preko Runpoda, odabrati osam najboljih koji će dobiti poziv za posao u lipnju.

Ovo nije obična vježba u kompresiji, već ciljano lovljenje sposobnih rješavača problema koji pronalaze izlaze u neočekivanim okvirima. Iako OpenAI brojke stavlja u prvi plan, stvarna vrijednost leži u činjenici da konkurencija za talente u AI ekosustavu postaje sve brutalnija. Meta je u proteklih godinu dana preotela brojne istraživače iz OpenAI s plaćama koje se mjere u milijunima, a sada ovaj izazov direktno mijenja uloge — OpenAI postaje lovac na mlade mozgove.

Na stranici The Decoder detaljno je opisano kako OpenAI cilja na junior istraživače, dok su raniji uspjesi pokazali da su upravo oni najvredniji resurs u trci za moćnijim modelima. Nagrada nije novac, već vidljivost unutar organizacije koja je reputaciju izgradila na skali, a ne na ograničenjima.

Izazov ima duboku tehničku dimenziju: unutar 16 MB ne ulazi samo težina modela nego i način na koji se optimizira — kvadratura, rezanje i arhitektonske izmjene moraju biti precizne kao švicarski sat. Ako je ijedan parametar krivo postavljen, cijela konstrukcija kolapsira.

To upravo čini izazov zanimljivim — ne radi se o klasičnom benchmarku gdje se mjeri točnost, već o sposobnosti inženjera da istovremeno rješavaju više problema uz ograničenja koja su za većinu akademskih rješenja nepremostiva. Kako bi uopće funkcionalan model stao u 16 MB, otprilike veličinu nekoliko MP3 datoteka, potrebna je ekstremna optimizacija.

Usporedbe s Google Gemma modelima pokazuju koliko je 2B parametara već komprimiran izazov, a OpenAI traži rješenja koja su znatno ispod tog praga. Slični pristupi u Meta Llama ekosustavu demonstriraju da kompresija nije samo akademska znatiželja — ključna je za rubnu implementaciju i smanjenje troškova inferencije.

Konkurencija će morati balansirati između kvantizacije, distilacije i arhitektonske inovacije. Svaki kompromis u točnosti mora biti opravdan dobitkom u efikasnosti. Oni koji uspiju neće samo osvojiti poziv za posao — pokazat će da razumiju jednu od najtežih disciplina u modernom strojnom učenju: kako pametno umanjiti umjesto glupo povećavati.