TLDR : La start-up Sapient Intelligence développe une approche innovante de l'IA générale, basée sur un modèle de raisonnement hiérarchique (HRM). Ce modèle se distingue par sa performance sur des tâches complexes, et pourrait trouver des applications dans des domaines comme le diagnostic médical ou la prévision climatique.
المحتوى
تسعى شركة Sapient Intelligence الناشئة في سنغافورة لتحقيق ما يُعتبره الكثيرون الكأس المقدسة للذكاء الاصطناعي: IAG، أو الذكاء الاصطناعي العام. ولتحقيق ذلك، تراهن على هيكلية مبتكرة للغاية: Hierarchical Reasoning Model (HRM). يتفوق نموذجها على نماذج LLM أكبر بكثير مثل OpenAI o3-mini وClaude 3.7 8K وDeepSeek R1 في مهام التفكير المعروفة بصعوبتها، مع وجود 27 مليون معلمة فقط وحوالي 1,000 مثال تدريبي، ودون تدريب مسبق.
تتكون فريق Sapient Intelligence من خبراء سابقين من Google DeepMind وDeepSeek وAnthropic وxAI، بالإضافة إلى باحثين من جامعات مرموقة. تعتمد الهيكلية التي طوروها، المستوحاة من طريقة معالجة الدماغ البشري للمعلومات، على بنية هرمية ومعالجة متعددة المقياس الزمني.
هيكلية مستوحاة من علم الأحياء
على عكس النماذج اللغوية الكبيرة (LLM)، التي تعتمد بشكل كبير على Chain-of-Thought (CoT)، وهي طريقة قابلة للتفكك السهل للمهام، يقدم نموذج HRM نهجًا مختلفًا جذريًا.
يعتمد النموذج على هيكلية هرمية ذات مستويين: شبكة متكررة عليا تدير التخطيط المجرد والبطيء، بينما تتولى شبكة ثانية على مستوى أدنى تنفيذًا سريعًا ومفصلًا.
تتيح له هذه البنية التنقل بين التفكير السريع والحدسي والتحليل البطيء والمتعمد في عملية حسابية واحدة.
حقوق الصورة Sapient. يحتوي HRM على شبكتين متكررتين تعملان على مقاييس زمنية مختلفة لحل المهام المعقدة بشكل تعاوني
.
يعلق Guan Wang، المؤسس والرئيس التنفيذي لشركة Sapient Intelligence:
"يتعلق IAG حقًا بمنح الآلات ذكاءً بمستوى بشري، وربما يتجاوز المستوى البشري. CoT يسمح للنماذج بمحاكاة التفكير البشري من خلال اللعب بالاحتمالات، وهذه ليست سوى حل بديل. في Sapient، نبدأ من الصفر مع هيكلية مستوحاة من الدماغ، حيث أن الطبيعة قد قضت مليارات السنين في تحسينها. يفكر نموذجنا ويستدل كالشخص، ولا يكتفي بتحليل الاحتمالات للحصول على نقاط مرجعية. نعتقد أنها ستصل ثم تتجاوز الذكاء البشري، وعندها ستكون محادثة AGI حقيقية".
الأداء
على الرغم من حجمه المتواضع، يتفوق HRM على نماذج مثل OpenAI o3-mini وClaude 3.7 8K وDeepSeek R1 في مهام تُعرف بصعوبتها الشديدة.
يحقق نسبة 5% على النسخة الثانية من ARC-AGI (مجموعة البيانات للتجريد والاستدلال)، وهو واحد من أكثر المعايير صرامة للذكاء الاستنتاجي. وفي ألغاز Sudoku المعقدة والبحث الأمثل في المتاهات 30x30، هو الوحيد الذي ينجح.
ما هي الاستخدامات العملية؟
يفتح كفاءة استدلال النموذج واعتماده المنخفض على البيانات آفاقًا في مجالات حيث تكون مجموعات البيانات الكبيرة محدودة، ولكن تكون الدقة والتفسير أمرين أساسيين.
تشمل حالات الاستخدام التي ذكرها Sapient Intelligence مثل الصحة حيث يتم اختباره للمساعدة في تشخيص الأمراض النادرة. بالنسبة للتنبؤات المناخية الموسمية، يعلن الفريق عن معدلات دقة تصل إلى 97%. بفضل خفته الحسابية، يمكن دمج HRM في الروبوتات التي تعمل في الوقت الفعلي، في بيئات ديناميكية.
الشفرة المصدرية متاحة على GitHub على العنوان https://github.com/sapientinc/HRM .