U današnje vrijeme, modeli jezika poput ChatGPT-a mogu gotovo trenutno sastavljati eseje, planirati jelovnike ili odgovoriti na složena pitanja. No, do nedavno, ovi modeli često nisu bili u stanju uspješno riješiti matematičke zadatke ili složene logičke probleme. Sada, s razvojem novih generacija umjetne inteligencije, posebno takozvanih modela za zaključivanje, situacija se mijenja. Ti modeli, koji se oslanjaju na duboke neuronske mreže, usavršavaju svoje sposobnosti kako bi bolje razumijevali i rješavali složene probleme, a istraživanja pokazuju da im je „trošak razmišljanja“ sličan onome kod ljudi.
Nova generacija modela umjetne inteligencije za zaključivanje
Trenutno, najnoviji modeli umjetne inteligencije, poznati kao modeli za zaključivanje, treniraju se na način koji im omogućava rješavanje kompleksnih problema uz vrijeme razmišljanja slično ljudskom. Ovi modeli, za razliku od prethodnih, trebaju vremena da razmisle i razlože probleme — baš kao i ljudi. Genijalni znanstvenici s MIT-ovog McGovern instituta za istraživanje mozga nedavno su otkrili da se složenost problema koji zahtijevaju najviše procesiranja kod modela za zaključivanje podudara s vremena koje ljudima treba za rješavanje istih problema. To znači da je trošak razmišljanja kod umjetne inteligencije sličan onome kod ljudi.
Kako modeli za zaključivanje funkcioniraju?
Način rada i učenje
Ovi modeli, koji se najviše oslanjaju na umjetne neuronske mreže, funkcionalno su slični ljudskom mozgu. Oni se sastoje od slojeva složenih matematičkih funkcija koje “Uče” obrađivati informacije na temelju velikih skupova podataka. Tijekom treniranja, modeli se usmjeravaju na točno rješavanje zadataka, a u procesu učenja ih se nagrađuje ili kažnjava za odgovor, što ih potiče na poboljšanje performansi.
- Obuka putem pojačavanja: Modelski algoritmi koriste tehnike pojačavanja gdje se potiču na ponašanje koje vodi do točnih odgovora.
- Razbijanje problema na manje dijelove: Kako bi bolje razumjeli složene zadatke, modeli ih razlažu na manje dijelove i rješavaju svaki korak odvojeno.
- Koriste učinkovito vrijeme razmišljanja: Može se razlikovati od stvarnog vremena obrade, jer je fokus na broju “toka” ili segmenata razmišljanja unutar mreže.
Prednosti i ograničenja
Prednost ovih modela je njihova sposobnost rješavanja složenih zadataka u više koraka, ne kao prethodni modeli koji su često djelovali poput “crnih kutija”. Međutim, njihova potreba za više vremena i procesa za rješavanje složenih problema izaziva pitanja o efikasnosti u realnim uvjetima. Ona ipak nude veliki potencijal za razvoj naprednih sustava umjetne inteligencije koji bolje oponašaju ljudsko razmišljanje.
Studije koje potvrđuju sličnost razmišljanja ljudi i umjetne inteligencije
Istraživanja na MIT-u
Najnovija istraživanja provedena od strane znanstvenika s MIT-a, pod vodstvom Eveline Fedorenko, ističu važan podatak: vrijeme koje je potrebno da ljudi riješe zadatak jednako je skupom “toka” ili segmentima razmišljanja koje generiraju modeli za zaključivanje. U istraživanju su testirali i ljude i modele na istom skupu složenih problema, uključujući matematičke zadatke i probleme logike, primjenjujući različite mjere za procjenu procesnog opterećenja.
- Mjerenje vremena kod ljudi: Vrijeme rješavanja svakog zadatka bukvalno je bilo izmjereno na milisekunde.
- Mjerenje “tokensa” kod modela: Kod AI modela, umjesto vremena, koristili su “tokens”, što označava segmente razmišljanja unutar mreže.
Ključni nalazi
Rezultati su pokazali da složenost problema utječe na vrijeme i broj koraka kod ljudi i tokena kod modela. Lakši zadaci poput matematickih aritmetičkih problema rješavaju se brzo, dok složeniji, poput onih s vizualnim transformacijama, zahtijevaju više vremena i “tokensa”. Štoviše, najzahtjevniji problemi, poput “ARC izazova”, gdje se traži razumijevanje složenih obrazaca, istovremeno su najskuplji i za ljude i za modele.
Ovo pokazuje da, kao i kod ljudi, za modele je potrebno vrijeme i procesiranje kako bi došli do rješenja — što ukazuje na sličnost u načinu razmišljanja.
Praktični primjeri i primjena modela za zaključivanje
U industriji i istraživanju
Modeli za zaključivanje koriste se u mnogim područjima, od medicinske dijagnostike do financijskih analiza. Na primjer, u medicini, AI sustavi mogu složenim razmišljanjem analizirati medicinske nalaze i predložiti dijagnostička rješenja odgođeno ili bilo kada. U financijama, modeli rješavaju složene optimizacije portfelja u realnom vremenu, a u automobilskoj industriji, autonomni sustavi koriste ove strukture za donošenje odluka u složenim uvjetima na cesti.
Prednosti i izazovi u primjeni
- Prednosti: Razvijeni modeli mogu rješavati probleme složenije od onih koje su prethodne AI tehnologije mogle, te bolje oponašaju ljudsko razmišljanje.
- Nedostaci: Potreba za više vremena za rješavanje i veće računalne resurse zahtijeva optimizaciju i specifične hardverske uvjete.
Ključne prednosti i nedostaci novih modela za zaključivanje
Prednosti
- Bolje razumijevanje složenih problema izazvanih prirodom zadataka
- Možnost rješavanja zadataka s višeslojnim procesima
- Sličnost u načinu razmišljanja s ljudima što može unaprijediti interakciju i suradnju
- Potencijal za razvoj naprednih sustava umjetne inteligencije s višim stupnjem autonomije
Nedostaci
- Veći zahtjevi za računalnom snagom i energijom
- Povećan izazov pri optimizaciji za vrijeme rada u realnom vremenu
- Ograničenja u obuci i kvalifikacijama za rješavanje specifičnih problema
Zaključak: budućnost razmišljanja kod umjetne inteligencije
U 2026. godini, modelska razmišljanja slična ljudskim ukazuje na novi smjer u razvoju umjetne inteligencije. Umjesto jednostavnih sustava koji rade brzo, fokus je na složenim, višeslojnim procesima koji omogućavaju više razmišljanja i donošenja odluka sličnih ljudskom. To otvara vrata za razvoj naprednijih i efikasnijih sustava koji će se moći nositi s izazovima složenog svijeta, ali će istovremeno donijeti novih izazova u optimizaciji resursa i vremena obrađivanja.
Najčešće postavljana pitanja (FAQ) o trošku razmišljanja umjetne inteligencije i ljudi
- Što znači “trošak razmišljanja” kod umjetne inteligencije?
- To se odnosi na vrijeme i računalne resurse koje model koristi za rješavanje složenih problema, često mjerene kroz procese poput broja tokena ili strukturnih koraka.
- Kako se trošak razmišljanja kod AI uspoređuje s ljudskim?
- Istraživanja pokazuju da složenost zadatka i vrijeme rješavanja u modelima AI odražavaju slične obrasce kao kod ljudskog razmišljanja, gdje težište pada na razumijevanje složenih i višeslojanih problema.
- Kako se mogu poboljšati AI modeli za zaključivanje?
- Optimizacijom procesa učenja putem pojačanja, razbijanjem problema na manje dijelove te korištenjem efikasnijih algoritama i hardverskih rješenja.
- Koje su glavne prednosti primjene ovih modela?
- Veća sposobnost rješavanja složenih problema, preciznije donošenje odluka i mogućnost primjene u raznim industrijama poput medicine, financija i automobilske industrije.
- Koji su najveći izazovi?
- Visoki zahtjevi za računalnom snagom, dugotrajno vrijeme rješavanja problema i složenost u optimizaciji za realne uvjete rada.
