Znanstvenici iz Singapura razvili su model umjetne inteligencije inspiriran ljudskim mozgom, koji je na zahtjevnim testovima pokazao bolje rezultate od vodećih jezičnih modela poput ChatGPT-a.
Istraživači iz tvrtke Sapient predstavili su hijerarhijski model zaključivanja (HRM – hierarchical reasoning model), oblikovan prema načinu na koji ljudski mozak obrađuje informacije na različitim vremenskim razinama. Mozak, naime, integrira podatke u regijama koje djeluju u vremenskim okvirima od milisekundi do nekoliko minuta, a HRM pokušava replicirati tu složenost.
Za razliku od današnjih velikih jezičnih modela (LLM), među kojima je i ChatGPT, HRM ne koristi tzv. chain-of-thought pristup (razlaganje problema u niz međukoraka zapisanih prirodnim jezikom). Umjesto toga, zaključuje u jednom prolazu kroz dva modula: visokorazinski modul za sporo i apstraktno planiranje te niskorazinski modul za brze, detaljne računske zadatke.
Manji, ali učinkovitiji
Model HRM treniran je na samo 1.000 primjera i sadrži 27 milijuna parametara. To je neusporedivo manje od današnjih naprednih LLM-ova koji raspolažu milijardama ili bilijunima parametara. Primjerice, procjene govore da GPT-5 koristi između 3 i 5 bilijuna parametara, iako točan broj nije poznat.
Na mjerilu ARC-AGI, koje procjenjuje koliko su modeli blizu općoj umjetnoj inteligenciji (AGI), HRM je ostvario iznenađujuće dobre rezultate.
-
U testu ARC-AGI-1 HRM je postigao 40,3 %, u usporedbi s 34,5 % za OpenAI-jev o3-mini-high, 21,2 % za Claude 3.7 i 15,8 % za Deepseek R1.
-
U težoj verziji, ARC-AGI-2, HRM je ostvario 5 %, dok su suparnici ostali ispod 3 %.
Model se pokazao osobito uspješnim u rješavanju kompleksnih Sudoku zagonetki i u pronalaženju optimalnih putova u labirintima, zadacima na kojima se drugi modeli u pravilu muče.
“Bursts” razmišljanja
HRM koristi tehniku iterativnog usavršavanja: početno rješenje neprestano se poboljšava u kratkim nizovima izračuna, nakon čega sustav odlučuje treba li nastaviti ili iznijeti konačan odgovor. To omogućuje preciznije zaključivanje bez opsežnog nadzora nad svakim međukorakom, što značajno razlikuje HRM od uobičajenog CoT pristupa.
Iako su rezultati obećavajući, treba naglasiti da je riječ o nerecenziranom radu. Organizatori ARC-AGI testa sami su pokušali reproducirati rezultate koristeći otvorenu verziju modela na GitHubu. Potvrdili su brojke, ali su ustvrdili da sama hijerarhijska arhitektura donosi tek manji doprinos. Glavni napredak, smatraju, proizlazi iz specifičnog procesa treniranja koji je u studiji bio slabo dokumentiran.
Ako budu potvrđeni, nalazi sugeriraju da budućnost umjetne inteligencije ne mora počivati na sve većim modelima, nego na pametnijim arhitekturama i učinkovitijem učenju. No ostaje otvoreno pitanje je li HRM doista korak prema sustavima koji razmišljaju nalik čovjeku, ili tek privremena metoda koja će ubrzo biti nadmašena novom generacijom algoritama.
Ivan je novinar i autor koji piše o znanosti, svemiru i povijesti. Gostuje kao stručni sugovornik na Science Discovery i History Channelu te piše za Večernji list. Osnivač je Kozmos.hr, prvog hrvatskog portala posvećenog popularizaciji znanosti.
