Revolucija u oblasti veštačke inteligencije možda se upravo dogodila u laboratorijai u Singapuru. Tim naučnika iz kompanije Sapient objavio je razvoj novog AI modela koji, umesto da imita način na koji jezički modeli poput ChatGPT-a obrađuju informacije, direktno kopira način na koji funkcioniše ljudski mozak.

Kako naš mozag obrađuje informacije?

Da bismo razumeli ovaj napredak, prvo moramo da se osvrnemo na to kako funkcioniše naš sopstveni mozak. Ljudi obrađuju složene informacije kroz hijerarhijsku strukturu - različiti delovi mozga integrišu podatke tokom različitih vremenskih perioda, od milisekundi do minuta. Na primer, kada rešavamo složenu matematičku zadatak, jedan deo mozga se bavi brzim računanjem, dok drugi planira strategiju rešavanja.

Šta je Hijerarhijski model rezonovanja (HRM)?

Novi AI sistem, nazvan Hijerarhijski model rezonovanja (HRM), direktno oponaša ovaj prirodni proces. Umesto da koristi milijarde ili čak bilione parametara kao što to čine veliki jezički modeli, HRM radi sa samo 27 miliona parametara i potrebno mu je svega 1.000 primera za obuku - što je astronomska razlika u efikasnosti.

HRM ima dva ključna modula:

• -Visoki nivo:Odgovoran za sporo, apstraktno planiranje
• -Niski nivo: Rukuje brzim i detaljnim kalkulacijama

Ova arhitektura omogućava sistemu da izvršava složene logičke zadatke u jednom prolazu, bez potrebe za eksplicitnim korak-po-korak rasuđivanjem koje karakteriše trenutne AI modele.

Impresivni rezultati testiranja

Kada je testiran na ARC-AGI benchmarku - notorno teškom testu koji meri koliko su AI modeli blizu postizanja opšte veštačke inteligencije - HRM je ostvario zapanjujuće rezultate:

• -ARC-AGI-1:HRM 40.3% vs OpenAI o3-mini-high 34.5%
• -ARC-AGI-2:HRM 5% vs OpenAI o3-mini-high 3%
• -Claude 3.7:samo 21.2% (ARC-AGI-1) i 0.9% (ARC-AGI-2)

HRM je takođe rešio složene Sudoku zagonetke sa gotovo savršenom tačnošću - zadatke na kojima konvencionalni jezički modeli potpuno padaju.

Zašto je ovo revolucionarno?

Trenutni veliki jezički modeli koriste "chain-of-thought" (CoT) pristup - složene probleme razlažu na manje delove koje objašnjavaju prirodnim jezikom. Međutim, ovaj pristup ima značajne nedostatke: krhko je, zahteva ogromne količine podataka i sporo je.

HRM, s druge strane, koristi iterativno poboljšavanje kroz kratke "nalete razmišljanja". U svakom naletu, sistem odlučuje da li treba da nastavi sa razmišljanjem ili da pošalje finalni odgovor.

Šta ovo znači za budućnost AI-ja?

Ovaj razvoj mogao bi da predstavlja fundamentalnu promenu u pristupu veštačkoj inteligenciji. Umesto građenja sve većih i složenijih modela, fokus se pomera ka efikasnijim sistemima koji bolje oponašaju ljudsko razmišljanje.

Međutim, važno je napomenuti da ova studija još uvek nije prošla proces naučne recenzije. Organizatori ARC-AGI benchmark-a uspeli su da reprodukuju rezultate, ali su otkrili i neke neočekivane aspekte - između ostalog, da hijerarhijska arhitektura sama po sebi nije bila ključna za performanse, već određeni proces prečišćavanja tokom obuke.

Pogled u budućnost

Dok čekamo dalju verifikaciju i analizu ovog istraživanja, jedna stvar je jasna: pristup koji direktno imitira ljudski mozak pokazuje izuzetno obećavajuće rezultate. Možda je ključ napretka u veštačkoj inteligenciji upravo u tome da prestanemo da gledamo na AI kao na jezički problem, a počnemo da ga tretiramo kao problem imitiranja načina na koji prirodno funkcioniše naš mozak.

Izvor: Istraživanje objavljeno od strane kompanije Sapient iz Singapura, dostupno na arXiv preprint serveru.