Umelá inteligencia prešla v posledných rokoch obrovským vývojom. Modely ako ChatGPT či Claude sa stali synonymom pre schopnosť strojov komunikovať a riešiť problémy prirodzeným jazykom. No práve v oblasti logického uvažovania narazili na limity, ktoré vedci už dlhšie hľadajú spôsob, ako prekonať. Najnovší výskum zo Singapuru naznačuje, že cesta môže viesť úplne iným smerom, než aký poznáme pri dnešných LLM.

Tím zo spoločnosti Sapient predstavil nový prístup s názvom hierarchical reasoning model (HRM), ktorý sa inšpiruje priamo ľudským mozgom. Namiesto toho, aby rozkladal úlohy na množstvo medzikrokov vyjadrených v jazyku, dokáže spracúvať zložité problémy prostredníctvom dvoch modulov.

Jeden sa venuje pomalému abstraktnému plánovaniu, druhý rýchlym detailným výpočtom. Tento postup napodobňuje viacúrovňové spracovanie informácií v mozgu a umožňuje modelu vyhnúť sa niektorým slabinám reťazového uvažovania, ktoré dnes využíva väčšina veľkých jazykových modelov. Na tému upozornil portál LiveScience.

Umelá inteligencia sa učí myslieť ako človek

Najväčším prekvapením je efektivita. HRM potrebuje iba 27 miliónov parametrov a približne tisícku tréningových príkladov. Pre porovnanie, moderné jazykové modely operujú v biliónových škálach parametrov a vyžadujú nepredstaviteľné množstvo dát.

Napriek tomu HRM dosiahol v náročnom teste ARC-AGI, ktorý skúša schopnosť strojov priblížiť sa k všeobecnej umelej inteligencii, lepšie výsledky než najpokročilejšie modely dneška. V prvej verzii testu získal skóre 40,3 %, zatiaľ čo najlepší konkurent, OpenAI o3-mini-high, sa zastavil na 34,5 %. V ešte ťažšej druhej verzii HRM opäť prekonal konkurenciu, hoci celkové čísla sú nízke.

ChatGPT/Copilot Designer

Práve tento benchmark ukázal, že nový prístup dokáže riešiť úlohy, s ktorými si súčasné systémy neporadia. HRM zvládol zložité Sudoku či hľadanie optimálnych ciest v bludiskách, teda typy problémov, kde jazykové modely často zlyhávajú. Funguje pritom na princípe iteratívneho zdokonaľovania – krátke dávky „myslenia“ postupne vylepšujú riešenie, až kým systém neuzná, že dosiahol dostatočne presný výsledok.

Štúdia zatiaľ neprešla recenzným konaním, no vedci model zverejnili na GitHube a organizátori testu ARC-AGI dokázali výsledky replikovať. Zaujímavé však je, že podľa ich zistení nemala samotná hierarchická architektúra až taký zásadný vplyv, ako sa pôvodne predpokladalo. Výrazné zlepšenia priniesol skôr málo zdokumentovaný proces zdokonaľovania počas tréningu.

Ak sa ďalší výskum potvrdí, HRM môže naznačiť nový smer, ktorým sa bude umelá inteligencia uberať. Nie vždy väčší počet parametrov znamená lepší výsledok. Možno práve schopnosť učiť stroje myslieť podobne ako ľudia rozhodne o ďalšej kapitole vývoja AI.

Čítajte viac z kategórie: Novinky