MI Történik?

A jelenleg használt összes AI alkalmazás, a ChatGPT-től a Gemini-ig, a soron következő szó megjóslásával működik egy szekvenciában. Bár ez hatékony, Eve Bodnia fizikus azzal érvel, hogy a nyelv megjóslása alapvetően különbözik a következtetéstől (reasoning). Startupja, a Logical Intelligence kifejlesztette a Konát, amely állításuk szerint a világ első következtetésen alapuló energiamodellje (EBM). Ellentétben az LLM-ekkel, amelyek tokeneket használnak és szóról szóra tippelnek, a Kona az adatokat egy absztrakt energiatájba (energy landscape) képezi le, ahol a „völgyek” a helyes válaszokat, a „csúcsok” pedig a hibákat képviselik. Ez lehetővé teszi a modell számára, hogy az összes lehetséges forgatókönyvet egyszerre értékelje ki, és közvetlenül a leglogikusabb megoldáshoz navigáljon. Yann LeCun, Turing-díjas tudós alapító elnökként csatlakozott a cég technikai kutatási tanácsához. A modell figyelemre méltóan hatékony: egy 200 millió paraméteres verzió egyetlen olcsó GPU-n is fut, az emberi agy alacsony energiafogyasztása által inspirálva. A Kona a Lagrange-függvény elvén alapul, amely egy rendszer teljes energiaállapotát leíró fizikai egyenlet. Egy fej-fej melletti Sudoku teszt során a Kona a rejtvények 96,2%-át oldotta meg átlagosan 313 milliszekundum alatt, miközben a vezető LLM-ek, mint a GPT-4 és a Claude, mindössze 2%-os megoldási arányt értek el, lényegesen magasabb költség mellett. A modell „RL-mentes következtetési finomhangolást” használ, amely elkerüli a megerősítéses tanulás szűk keresztmetszeteit a tanítóadatok mögötti következtetési folyamat visszafejtésével. Hibrid rendszerekben a Kona végzi a gondolkodást, míg egy integrált LLM fordítja le ezeket a gondolatokat emberi nyelvre, az Aleph nevű formális ellenőrző ágens hitelesítése mellett.