A Sapient Intelligence bemutatta a Hierarchikus Érvelési Modellt (HRM), egy agy által inspirált, nyílt forráskódú mesterséges intelligencia rendszert, amely példátlan érvelési képességeket mutat be összetett feladatok, például az ARC-AGI és a Sudoku megoldásában, mindössze 27 millió paraméterrel. Ez a modell egy új, hatékony intelligenciafajta eljövetelét jelzi, amely jelentősen kevesebb betanítási adatra támaszkodik, mint a jelenlegi nagy modellek.
- Az HRM architektúrája az agykérgi számítás három alapelvét alkalmazza: hierarchikus feldolgozást, időbeli elkülönítést és rekurrens kapcsolódást.
- Egy magasabb szintű modul az absztrakt tervezésért felel, míg egy alacsonyabb szintű modul gyors, részletes feladatokat hajt végre, váltogatva az automatikus és a megfontolt érvelés között.
- A modell felülmúlta a nagyobb versenytársakat, mint például a Claude 3.7-et, a DeepSeek R1-et és az o3-mini-high-t az ARC-AGI 2-es és összetett Sudoku és labirintus feladatokon, előképzés vagy gondolatlánc (CoT) nélkül.
(Kép forrása: Sapient Intelligence)
Agy által ihletett hierarchikus érvelési modell forradalmasítja az MI-t
A mesterséges intelligencia fejlődése folyamatosan feszegeti a határokat, és a legújabb áttörés, a Sapient Intelligence által fejlesztett Hierarchikus Érvelési Modell (HRM), ígéretes jövőt vetít előre az hatékony és rugalmas mesterséges intelligencia rendszerek terén. A modell, amely az emberi agy működéséből merít inspirációt, bizonyítja, hogy a kivételes teljesítmény nem feltétlenül igényel óriási paraméterszámot vagy hatalmas adathalmazokat.
Az HRM architektúrájának alapelvei
Az HRM alapjai az agykérgi számítás három kulcsfontosságú elvében gyökereznek, amelyek lehetővé teszik a modell számára, hogy összetett problémákat oldjon meg rendkívüli hatékonysággal:
- Hierarchikus feldolgozás: Az információk különböző absztrakciós szinteken kerülnek feldolgozásra, ami lehetővé teszi a rendszer számára, hogy mind a nagy képet, mind a finom részleteket kezelje.
- Időbeli elkülönítés: A különböző feladatok feldolgozása időben elkülönülten történik, ami segíti a koncentrációt és a hatékony erőforrás-kihasználást.
- Rekurrens kapcsolódás: A rendszerben lévő modulok visszacsatolásos hálózatban működnek, ami lehetővé teszi az információk ismételt feldolgozását és finomítását, növelve az érvelés mélységét.
A modell egy magasabb szintű modult használ az absztrakt tervezéshez és a stratégiai döntéshozatalhoz, míg egy alacsonyabb szintű modul a gyors, részletes feladatok végrehajtásáért felel. Ez a kettős megközelítés lehetővé teszi a modell számára, hogy zökkenőmentesen váltson az automatikus, intuitív és a megfontolt, deliberatív érvelés között, ahogyan az emberi gondolkodásban is megfigyelhető.
Példátlan teljesítmény és hatékonyság
Az HRM képességei lenyűgözőek. Képes volt felülmúlni a jóval nagyobb és elterjedtebb modelleket, mint például a Claude 3.7-et, a DeepSeek R1-et és az o3-mini-high-t olyan komplex feladatokon, mint az ARC-AGI 2 (Abstract and Reasoning Corpus – Abstract Geometric Intelligence) és összetett Sudoku- és labirintus rejtvények. Ami különösen figyelemre méltó, hogy mindezt előzetes betanítás nélkül, és a „gondolatlánc” (Chain-of-Thought – CoT) módszer alkalmazása nélkül érte el.
Ez az eredmény egy újfajta, rendkívül hatékony intelligenciára mutat rá, amely nem igényel hatalmas mennyiségű betanítási adatot, és nem szenved a feladatok merev felbontásának problémájától, ami gyakran jellemző a hagyományosabb MI-rendszerekre.
Miért fontos az HRM?
Ahogy a mesterséges intelligencia egyre inkább a valós idejű döntéshozatal felé mozdul el – legyen szó orvosi diagnózisról, éghajlat-előrejelzésről vagy bármilyen más komplex rendszerről –, a hatékony, agy-inspirált modellek, mint az HRM, egy paradigmaváltást jeleznek. Ezek a rendszerek nemcsak erősek, hanem alacsony adatigényű környezetekben is telepíthetők és üzemeltethetők, ami kulcsfontosságú a széles körű alkalmazhatóság szempontjából.
A Sapient Intelligence már most is alkalmazza ezt az áttörést. Csapatoknak segítenek ritka betegségek diagnosztizálásában és az éghajlat-előrejelzések pontosságának javításában, bizonyítva az HRM gyakorlati hasznosságát és forradalmi potenciálját.
Forrás: Sapient Intelligence Blog