SINGAPURSKI start-up Sapient Intelligence objavio je da ima ambiciozan cilj - postići ono što mnogi smatraju Svetim gralom umjetne inteligencije: opću umjetnu inteligenciju (AGI) koja bi dostigla i prestigla ljudsku.

Manje ulaganja, a bolji od drugih

Kako bi to ostvarili, umjesto da grade sve veće jezične modele (LLM) kakvi su GPT-4, GPT-4o, Claude 3, Gemini, LLaMA 3, DeepSeek R1 i sl., odlučili su krenuti drugim putem. Osmislili su tzv. hijerarhijski model zaključivanja (Hierarchical Reasoning Model, HRM), sustav nadahnut načinom na koji ljudski mozak obrađuje informacije.

Prema studiji objavljenoj na platformi ArXiv, novi HRM, sa samo 27 milijuna parametara, treniran na samo tisuću primjera, bez ikakvog prethodnog predtreniranja, nadmašuje daleko veće modele kao što su OpenAI o3-mini, Claude 3.7 8K ili DeepSeek R1 u rješavanju složenih zadataka zaključivanja.

Vrlo iskusan tim

Sapient Intelligence nije običan start-up. U njegovu timu nalaze se bivši istraživači iz Googleova DeepMinda, DeepSeeka, Anthropica i xAI-a, ali i znanstvenici s vrhunskih sveučilišta. To je skupina ljudi koja je već radila na najnaprednijim projektima umjetne inteligencije današnjice i sada je odlučila zajednički isprobati sasvim drugačiji put.

Njegov osnivač i direktor, Guan Wang, u nastojanju da objasni ciljeve start-upa, kaže da je ideja AGI-ja da strojevi ostvare ljudsku razinu inteligencije, a na kraju i nešto više.

"Chain-of-Thought, način na koji rade današnji modeli, samo je trik za igranje s vjerojatnostima. Mi smo krenuli od nule, inspirirani mozgom, jer priroda već milijardama godina usavršava njegov dizajn. Naš model razmišlja i zaključuje kao čovjek, a ne samo da računa vjerojatnosti. Vjerujemo da će dostići, a zatim i nadmašiti ljudsku inteligenciju te da će tada rasprava o AGI-ju postati stvarna", tumači Wang.

Kako HRM oponaša ljudski mozak?

Ljudski mozak nije samo skup neurona; to je sustav podijeljen u funkcionalne module. HRM pokušava oponašati dva ključna centra mozga: prefrontalni korteks i bazalne ganglije.

Prefrontalni korteks nalazi se u prednjem dijelu mozga i povezuje se s apstraktnim razmišljanjem, planiranjem i kontrolom impulsa. To je dio mozga koji nam omogućuje da promislimo unaprijed, razmotrimo posljedice i odaberemo najbolju strategiju. Kod HRM-a tu ulogu igra tzv. visokorazinska rekurentna mreža koja planira sporo i apstraktno, određuje smjer razmišljanja i prati globalni cilj.

Drugi dio ljudskog mozga čine bazalne ganglije, skup duboko smještenih jezgri, zaduženih za brze i automatske reakcije, za koordinaciju pokreta, ali i za donošenje odluka koje se ponavljaju i izvode bez puno svjesnog promišljanja. U HRM-u njihovu ulogu preuzima tzv. niskorazinska mreža koja brzo i detaljno obrađuje konkretne zadatke, prilagođava akcije i donosi intuitivne odluke (grafika dolje).

Takva organizacija omogućuje HRM-u da istovremeno kombinira brzu, intuitivnu logiku i sporo, promišljeno planiranje. Drugim riječima, u istoj strukturi paralelno rade oba sustava razmišljanja.

Mali model pobjeđuje divove

Rezultati su impresivni. Na ARC-AGI testu, jednom od najzahtjevnijih mjerila sposobnosti induktivne inteligencije, HRM je postigao 40.3% točnosti, dok GPT-4 i Claude 3.5 jedva prelaze 21%. U složenim zadacima igre Sudoku i pronalaženju optimalnih putova kroz labirinte veličine 30 × 30, HRM je bio jedini model koji je uspio pronaći ispravno rješenje.

U ovom drugom slučaju, radi se o kvadratnom labirintu s 30 redaka i 30 stupaca polja (ukupno 900 čvorova/polja). Model je trebao pronaći najkraći put između početne i završne točke, što je računski vrlo zahtjevan problem jer broj mogućih kombinacija raste eksponencijalno s veličinom mreže. HRM-ova snaga nije u golemoj količini znanja, nego u načinu rezoniranja.

Kako radi LLM, a kako novi model

Veliki jezični modeli (LLM) poput GPT-a uglavnom koriste tehniku Chain-of-Thought – lančano razmišljanje, u kojem se problem razbija u niz malih koraka. To može biti korisno, ali je i nepouzdano - lako se može izgubiti nit zbog čega može doći do pogreške u lancu.

Rekurentna mreža, s kojom radi novi HRM, podrazumijeva da se izlaz iz prethodnog koraka vraća natrag kao ulaz u novi, što stvara petlju te omogućuje modelu da "pamti" ranije stanje i da planira.

Višeskalna vremenska obrada odnosi se na to da jedan dio modela radi brzo i kratkoročno, a drugi sporo i dugoročno, slično kao što mozak istovremeno upravlja brzim refleksima i sporim strateškim odlučivanjem.

Potencijalne primjene

Snaga HRM-a nije samo u tome što pobjeđuje u zagonetkama, nego i u tome što mu ne treba puno podataka da bi bio učinkovit. To otvara mogućnosti u područjima u kojima su podaci ograničeni, a preciznost presudna.

Primjerice, u zdravstvu bi HRM mogao pomagati u dijagnosticiranju rijetkih bolesti, gdje nema milijuna primjera za učenje, već samo mali broj kliničkih slučajeva.

Druga moguća primjena je klimatologija. Tvorci HRM-a tvrde da on u klimatskim modelima postiže do 97% točnosti u sezonskim prognozama.

Konačno, njegova prednost je i to što bi se, zahvaljujući malim zahtjevima za računalnim resursima, mogao ugrađivati u robote koji rade u stvarnom vremenu, u dinamičnim i nepredvidivim okruženjima.

Skok prema AGI-ju?

HRM pokazuje da nije uvijek potrebno graditi sve veće i sve skuplje modele da bi se postigao napredak. Umjesto da sve pokušava riješiti snagom gomile podataka, Sapient Intelligence je posegnuo za biologijom, za samim mozgom kao rješenjem. Rezultat je sustav koji nadmašuje svoje daleko moćnije konkurente na području u kojem je ljudska inteligencija dosad još uvijek superiorna - u apstraktnom razmišljanju i rješavanju problema.

Hoće li to biti prvi pravi korak prema AGI-ju ili tek usputna faza u istraživanju AI-ja, prerano je reći. No jedno je jasno: priroda je odličan inženjer, a AI koji se gradi na primjeru mozga mogao bi biti jedini put do strojeva koji će jednoga dana razmišljati poput ljudi ili čak bolje.