به گزارش همشهری آنلاین به نقل از لایوساینس، این سیستم که «مدل استدلال سلسله‌مراتبی» (HRM) نام گرفته، از نحوه پردازش چندلایه و چندزمانه اطلاعات در بخش‌های مختلف مغز الهام گرفته است.
به گفته شرکت Sapient در سنگاپور، این مدل توانسته با استفاده از تنها ۲۷ میلیون پارامتر و هزار نمونه آموزشی، به نتایجی برسد که رقبای بزرگ با میلیاردها یا حتی تریلیون‌ها پارامتر برای آن تلاش می‌کنند. برای مقایسه، تخمین‌ها نشان می‌دهد نسخه تازه GPT-۵ بین سه تا پنج تریلیون پارامتر دارد.
کارایی HRM در آزمون معروفARC-AGI ، که برای سنجش نزدیکی مدل‌ها به هوش عمومی مصنوعی طراحی شده، خیره‌کننده بود. در نسخه اول این آزمون، HRM نمره ۴۰.۳ درصد را به دست آورد، در حالی که مدل o۳-mini-high از OpenAI تنها ۳۴.۵ درصد، Claude ۳.۷ حدود ۲۱.۲ درصد و Deepseek R۱ تنها ۱۵.۸ درصد کسب کردند. در نسخه دوم و سخت‌تر همین آزمون، HRM باز هم پیشتاز شد.
این مدل همچنین در حل مسائل پیچیده‌ای مثل جدول سودوکو و مسیریابی در مازها عملکردی نزدیک به بی‌نقص داشت؛ مسائلی که معمولاً حتی پیشرفته‌ترین LLMها در آن دچار خطا می‌شوند.
بیشتر بخوانید:
بیشتر مدل‌های زبانی پیشرفته برای استدلال از روش Chain-of-Thought (CoT) استفاده می‌کنند؛ یعنی شکستن یک مسئله پیچیده به گام‌های ساده‌تر و توضیح آن‌ها به زبان طبیعی. اما محققان Sapient می‌گویند این رویکرد نیازمند داده‌های بسیار و زمان پردازش طولانی است. در مقابل، HRM با دو ماژول مستقل – یکی برای برنامه‌ریزی کلی و دیگری برای محاسبات سریع – مسائل را در یک فرآیند مستقیم حل می‌کند، مشابه هماهنگی بخش‌های مختلف مغز.
هرچند این پژوهش هنوز مورد داوری همتایان قرار نگرفته، اما سازمان‌دهندگان آزمون ARC-AGI نتایج را بازتولید کرده‌اند و تأیید کرده‌اند که دستاورد علمی قابل‌توجهی در میان است. به اعتقاد کارشناسان، اگر چنین معماری‌ها توسعه یابند، می‌توانند زمینه‌ساز هوش مصنوعی کارآمدتر و نزدیک‌تر به شیوه تفکر انسان شوند.
source