„Ми смо кренули од нуле инспирисани мозгом, јер га природа већ милијардама година усавршава. Наш модел размишља и закључује као човек, а не само да рачуна вероватноће. Верујемо да ће достићи, а затим и надмашити људску интелигенцију”, каже Гуан Ванг, директор новоосноване сингапурске компаније Sapient IntelligenСингапурска новооснована компанија Sapient Intelligence објавила је амбициозан циљ – постићи оно што многи сматрају светим гралом вештачке интелигенције: оппшту вештачку интелигенцију (AGI) која би достигла и престигла људскуДа би то остварили, уместо да граде све веће језичке моделе (LLM) какви су GPT-4, GPT-4о, Claude 3, Gemini, LLаМА 3, DeepSeek R1 и слични, одлучили су кренути другим путем. Осмислили су хијерархијски модел закључивања (Hierachical Reasoning Model, HRM), надахнут начином на који људски мозак обрађује информације. Према студији објављеној у електронском научном часопису ArXiv, HRM са само 27 милиона параметара, трениран на само хиљаду примера, надмашује далеко веће моделе као што су OpenAI о3-mini, Claude 3.7 8K или DeepSeek R1 у решавању сложених задатака закључивања.Компанија није обична почетничка, окупила је бивше истраживаче из DeepMind, DeepSeek, Anthropica и xAI, а и научнике са врхунских универзитета. То су појединци који су радили на најнапреднијим пројектима вештачке интелигенције данашњице. Oснивач и директор Гуан Ванг каже да је идеја да машине остваре људску интелигенцију, а на крају и више.„Chain-of-Thought, начин на који раде данашњи модели, само је трик за играње с вероватноћом. Ми смо кренули од нуле инспирисани мозгом, јер га природа већ милијардама година усавршава. Наш модел размишља и закључује као човек, а не само да рачуна вероватноће. Верујемо да ће достићи, а затим и надмашити људску интелигенцију и да ће тада расправа о општој вештачкој интелигенцији постати стварна”, тумачи Ванг.Људски мозак није само скуп неурона; то је систем подељен у функционалне модуле. HRM покушава опонашати два кључна центра мозга: префронтални кортекс и базалне ганглије. Префронтални кортекс налази се у предњем делу и повезује се сa апстрактним размишљањем, планирањем и контролом импулса. То је подручје мозга које омогућује да промислимо унапред, размотримо посљедице и одаберемо најбољу стратегију. Kод HRM ту улогу игра рекурентна мрежа високог нивоа која планира споро и апстрактно, одређује смер размишљања и прати глобални циљ. Други дeо људског мозга чине базалне ганглије, скуп дубоко смештених језгара, задужених за брзе и аутоматске реакције, за координацију покрета, а и за доношење одлука које се понављају и изводе без пуно свесног промишљања.У HRM ову улогу преузима мрежа ниског нивоа која брзо и детаљно обрађује конкретне задатке, прилагођава акције и доноси интуитивне одлуке. Таква организација му омогућује да истовремено комбиније брзу, интуитивну логику и споро, промишљено планирање. Другим речима, у истој структури паралелно раде оба начина размишљања.Резултати су импресивни. На ARC-AGI тесту, једном од најзахтевнијих мерила способности индуктивне интелигенције, постигао je 40,3% тaчности, док GPT-4 и Claude 3.5 једва прелазе 21%. У сложеним задацима игре „судоку” и проналажењу оптималних путeва кроз лавиринте величине 30 × 30, једини је успeо пронаћи исправно решење. У другом случају ради се о квадратном лавиринту с 30 редака и 30 стубаца поља (укупно 900 чворова/поља). Модел је требало да пронађе најкраћи пут од почетне до завршне тaчке, што је рачунски врло захтеван проблем јер број могућих комбинација расте експоненцијално с величином мреже. HRM снага није у великој количини знања, него у начину резоновања.Велики језички модели (LLM) попут GPT углавном користе технику Chain-of-Thought – ланчано размишљање, у којем се задатак разбија у низ малих корака. То може бити корисно, али је и непоуздано – лако се може изгубити нит због чега може доћи до погрешке у ланцу. Рекурентна мрежа, с којом ради HRM, подразумева да се излаз из претходног корака враћа натраг као улаз у нови, што ствара петљу и омогућује моделу да памти раније стање и да планира. Вишескална временска обрада односи се на то да један дeо модела ради брзо и краткорочно, а други споро и дугорочно, слично као што мозак истовремено управља брзим рефлексима и спорим стратешким одлучивањемHRM моћ није само у томе што побеђује у загонеткама, него и што му не треба пуно података да би био успешан. То отвара могућности у подручјима у којима су подаци ограничени, а прецизност пресудна. Примерице, у здравству би могао помагати у дијагностификовању ретких болести, где нема милиона примера за учење, већ мали број клиничких случајева. Друга могућа примeна је климатологија. Творци тврде да он у климатским моделирању постиже до 97% тaчности у сезонским прогнозама.Kоначно, предност је и то што би се, захваљујући малим захтевима за рачунарском снагом, могао уграђивати у роботе који раде у стварном времену, у динамичним и непредвидивим окружењима. HRM показује да није увек потребно градити све веће и све скупље моделе да би се постигао напредак. Уместо да све покушава решити снагом гомиле података, сингапурска компанија је посегнула за биологијом, за самим мозгом као решењем. Резултат је систем који надмашује своје далеко моћније конкуренте на подручју у којем је људска интелигенција још супериорна – у апстрактном размишљању и решавању проблемаХоће ли то бити први прави корак према AGI или тек успутна фаза у истраживању, прерано је рећи. Једно је јасно: природа је одличан инжењер, а AI којa се гради на примеру мозга могао би бити једини пут до машина које ће једнога дана размишљати попут људи или чак боље.(Индекс)The post ВЕЋ ОПОНАША ЉУДСКИ МОЗАК appeared first on Galaksija Nova.