Je li došlo vrijeme da se AI približi ljudskom mozgu?!
AI MODEL KOJI JE SVE BLIŽE LJUDSKOM MOZGU: Singapurski start-up Sapient Intelligence predstavio je model umjetne inteligencije koji se ne oslanja na sve veće količine podataka i parametara, nego na arhitekturu nadahnutu načinom na koji ljudski mozak planira i rješava probleme.
Njihov Hijerarhijski model zaključivanja (Hierarchical Reasoning Model, HRM) sastoji se od dva međusobno povezana “sloja razmišljanja”: sporijeg, apstraktnog planera i bržeg, operativnog izvršitelja. Autori tvrde da HRM, iako ima svega 27 milijuna parametara i treniran je na otprilike tisuću primjera po zadatku, nadmašuje daleko veće modele poput GPT-a i Claudea na testovima apstraktnog zaključivanja. Vijest je prvi prenio Index, a prate je i podaci iz znanstvenog rada na arXivu i iz najave same tvrtke.
Što je zapravo HRM i zašto je drukčiji
U središtu HRM-a je jednostavna, ali ambiciozna ideja: umjesto da “lančano” generira tekst i tako imitira razmišljanje (tipičan pristup jezičnih modela poznat kao chain-of-thought), HRM većinu računanja zadržava “u sebi” – u latentnim stanjima dviju rekurentnih mreža koje rade različitim ritmovima. Jedna mreža planira sporije i apstraktnije, određuje smjer i nadgleda cilj; druga radi brže i detaljnije, “grize” podzadatke i vraća rezultat natrag planeru. Autori u radu opisuju i pristup približnog gradijenta koji izbjegava skupu i biološki neuvjerljivu metodu učenja kroz vrijeme (BPTT), čime model ostaje stabilan i štedljiv za memoriju.
Za razliku od današnjih golemih jezičnih modela, HRM ne ovisi o gigantskim skupovima podataka niti o vrlo dugim kontekstnim prozorima. U standardnim zadacima razmišljanja, poput rješavanja složenih Sudoku zagonetki ili pronalaženja najkraćeg puta kroz velike labirinte, autori navode da HRM postiže gotovo savršenu točnost nakon učenja na tisuću ulazno-izlaznih primjera – bez ikakvog “predtreniranja” i bez nadzora nad međukoracima zaključivanja. Namjera je, poručuju, približiti se “latentnom razmišljanju” kakvo poznajemo iz neuroznanosti: mozak ne pretvara svaki korak u jezik, nego dugo računa “u tišini”.
Rezultati koji dižu obrve, ali zahtijevaju provjere
Najcitiraniji broj je rezultat na izazovnom mjerilu ARC-AGI (Abstraction and Reasoning Corpus), koje ocjenjuje sposobnost induktivnog zaključivanja i generalizacije. Na tom testu HRM, s 27 milijuna parametara i kontekstom od 30×30 “polja”, postiže 40,3%. To, prema autorima, nadmašuje veće i skuplje pristupe poput o3-mini-high (34,5%) te Claude 3.7 8K (21,2%). Dodatno, na skupovima Sudoku-Extreme i Maze-Hard HRM ostvaruje gotovo savršenu točnost, dok su suvremeni modeli s lančanim razmišljanjem tu potpuno zakazali.
No, važno je zadržati mjeru. ARC-AGI je koristan i sve popularniji test, ali nije sveobuhvatno “mjerenje inteligencije” – radi se o specifičnom skupu zadataka koji potiče indukciju iz uzoraka. U praksi, modeli često briljiraju na jednoj klasi problema, a posrću na drugoj. Istraživačka zajednica zato redovito traži neovisne replikacije i provjere robusnosti na varijantama istog problema.
Valja istaknuti i da HRM nije jezični model opće namjene
On ne piše eseje, ne čita romane i ne upravlja dugim dijalozima – barem ne u ovoj fazi – nego se fokusira na problemske domene s jasnim ulazno-izlaznim strukturama, gdje je bitno algoritamsko pretraživanje i planiranje (primjeri su Sudoku i labirinti). To objašnjava zašto može biti radikalno manji, a opet iznimno učinkovit u usko definiranim zadacima. Ako se takav princip pokaže prenosivim i na složenije, “otvorene” zadatke, tek tada ćemo moći govoriti o većem tektonskom pomaku.
Tko stoji iza projekta i što obećavaju
Sapient Intelligence registriran je u Singapuru, a tim čine bivši istraživači iz Google DeepMinda, DeepSeeka, Anthropica i xAI-a, uz suradnike s nekoliko sveučilišta (među ostalima Tsinghua, Peking, Berkeley, Cambridge i Alberta). Tvrtka najavljuje otvoreno izdanje HRM-a, uz brze pilot-primjene u zdravstvenoj dijagnostici, robotici i klimatskim prognozama. U pojedinim izjavama navodi se i do 97% točnosti u sezonskim prognozama, što je podatak koji svakako traži dodatna, neovisna mjerenja u zajednici.
Sam rad na arXivu objavljen je krajem lipnja 2025., a tvrtka je u srpnju istaknula da model otvara vrata “univerzalnijim sustavima zaključivanja” koji se ne oslanjaju na razmjer, već na arhitekturu inspiriranu biologijom. Otad je HRM tema brojnih tekstova i sažetaka u tehnološkim medijima.
Od laboratorija do stvarnog svijeta
Ako HRM doista troši manje računalskih resursa i rješava zahtjevna problemska stanja brže od velikih jezičnih modela, to bi moglo imati praktične posljedice u industriji. Primjerice, roboti koji moraju reagirati u stvarnom vremenu u dinamičnim okruženjima (tvornice, skladišta, zdravstvene ustanove) trebaju “mozak” koji je mal, štedljiv i pouzdan u planiranju. Upravo takav profil HRM obećava. Smanjen apetit za podacima značio bi da modeli mogu biti učinkoviti i u područjima gdje je podatkovna baza oskudna ili osjetljiva, poput rijetkih bolesti ili specifičnih inženjerskih problema.
Najizgledniji smjer je spajanje dva pristupa
Ipak, prava utrka odvija se na drugom bojištu: integriranju više “načina razmišljanja” u zajednički sustav. Današnji jezični modeli iskazuju impresivnu širinu znanja i komunikacije, ali se ponekad spotiču na čistim problemskim zadacima i dosljednosti zaključivanja. HRM, suprotno, izgleda kao specijalac za sekvencijalno planiranje i pretraživanje.
Najizgledniji smjer je spajanje ova dva pristupa: jezičnog okvira za razumijevanje i interakciju s korisnikom s “unutarnjim” modulom za dublje, višekoračno rezoniranje. Ako se takav hibrid pokaže stabilnim i sigurnim, mogli bismo dobiti sustave koji doista “znaju što rade”, a ne samo “imaju što za reći”.
Sigurnost, ograničenja i otvorena pitanja
Napredak u sposobnostima uvijek povlači pitanje sigurnosti. Posljednjih mjeseci nekoliko je izvještaja upozorilo da industrija i dalje nema dovoljno zrele planove za upravljanje rizicima sustava koji teže “općoj” inteligenciji. Čak i ako HRM ostane akademski uspjeh u užim domenama, lekcije o učinkovitom “računanju u petljama” i većem dubinskom domašaju bez dodatnog pretreniranja mogle bi ubrzati razvoj moćnijih hibridnih sustava – i time učiniti sigurnosne standarde još potrebnijima.
Reproduktivnost rezultata i usporedbe
Drugo otvoreno pitanje je reproduktivnost rezultata. Zajednica se često susreće sa slučajevima u kojima se performanse na jednoj implementaciji i skupu zadataka ne prenose na bliske varijante. HRM-ove brojke na ARC-AGI-ju i logičkim zagonetkama za sada su ohrabrujuće, ali zdrav skepticizam nalaže da pričekamo nezavisne laboratorije i “prljave” stvarne podatke. Srećom, tvrtka je najavila objavu koda i modela, što bi trebalo olakšati provjere i usporedbe.
Treće, treba naglasiti razliku između “biti bolji od GPT-a” na jednom mjerilu i “biti bolji od GPT-a” općenito. Jezični modeli u međuvremenu su evoluirali u multimodalne asistente s dugim kontekstom, alatima i agentnim okvirom. U takvom okruženju, sirova sposobnost rješavanja apstraktnih slagalica vrijedna je, ali nije dovoljna sama po sebi. Prava vrijednost doći će tek kad se pokaže da HRM ili slični modeli smanjuju troškove, ubrzavaju rad i povećavaju pouzdanost u stvarnim, šumovitim scenarijima.
Što ovo znači za korisnike i industriju
Za poduzeća, poruka je pragmatična. Ako vodite tim za optimizaciju ruta, rasporede proizvodnje ili dijagnostičke protokole, vrijedi pratiti HRM i srodne pristupe. Manji modeli koji uče iz malo primjera mogu biti jeftiniji za održavanje i jednostavniji za integraciju na rubne uređaje. Za istraživače, HRM svjedoči da učenje bez velikih korpusa teksta i bez detaljnog nadzora međukoraka nije donkihotovski pothvat: biološki inspirirana arhitektura može nadoknaditi manjak “sirove snage” kada je problem dobro strukturiran.
Za širu javnost i donositelje politika, pouka je dvostruka. Prvo, napredak u AI-ju nije linearan s veličinom modela; inovacije u arhitekturi mogu ispisati nova pravila igre. Drugo, kako se granica pomiče s “jezičnih papagaja” prema sustavima koji u sebi računaju, planiraju i traže rješenja, tako raste i odgovornost da znamo što ti sustavi rade, kako donose odluke i pod kojim uvjetima griješe. Bez te transparentnosti i neovisnih provjera, svaka tvrdnja o “koraku prema AGI-ju” ostaje tek – tvrdnja.
Zaključno, HRM je intrigantan protunapad na dominantnu paradigmu “veće je bolje”. Ako se potvrdi da hijerarhijsko, višeritmičko “razmišljanje u petlji” donosi stabilno i brže zaključivanje uz skromne resurse, pred nama je snažan argument da se istrajemo baviti arhitekturom, a ne samo skalom. Sapient je bacio rukavicu: mozak, a ne megabajti, mogao bi biti putokaz sljedećem skoku. Sada ostaje vidjeti tko će je i kako podići.
