2 Minute
Studiul Apple scoate la iveală dificultățile inteligenței artificiale generative în fața sarcinilor complexe
Cercetări recente realizate de Apple au evidențiat limitări semnificative în capacitatea modelelor avansate de inteligență artificială generativă de a rezolva probleme complexe. Studiul arată că, deși aceste modele AI pot gestiona sarcini de complexitate medie, întâmpină dificultăți majore în fața provocărilor mai sofisticate, subliniind astfel o diferență esențială între modul în care procesează informațiile mașinile și raționamentul uman autentic.
Evaluarea performanței AI în funcție de complexitatea sarcinilor
Echipa de cercetare de la Apple a analizat performanța unor modele de raționament avansate (Large Reasoning Models – LRMs), precum Claude 3.7 Sonnet Thinking și DeepSeek-R1. Aceste modele au fost testate în medii controlate, folosind puzzle-uri clasice precum Turnul din Hanoi și probleme de traversare a râului. Scopul a fost evaluarea atât a răspunsurilor finale oferite de modele, cât și a modului lor intern de raționament.
Rezultatele au evidențiat că, în cazul sarcinilor simple, modelele lingvistice tradiționale (Language Models – LLMs) fără mecanisme explicite de raționament s-au dovedit mai eficiente și precise, consumând mai puține resurse. Pe măsură ce nivelul de dificultate a crescut, modelele cu strategii structurate de raționament, cum ar fi abordarea „chain of thought”, și-au îmbunătățit performanța. Totuși, în fața unor probleme extrem de complexe, toate modelele AI au înregistrat un declin major al acurateței, chiar și atunci când au avut la dispoziție resurse computaționale ample.
Tipare neașteptate în raționamentul AI
O analiză aprofundată a proceselor de raționament generate de modele a scos la iveală comportamente surprinzătoare. Inițial, odată cu creșterea complexității sarcinii, modelele extindeau durata raționamentului. Însă, când se apropiau de limita de eșec, această tendință se inversa, iar durata raționamentului scădea, în ciuda resurselor suplimentare disponibile.
În plus, chiar și în prezența unor instrucțiuni explicite, pașii detaliați erau dificil de urmat pentru modele în scenarii complexe. Aceasta sugerează o slăbiciune fundamentală în abilitățile de calcul logic ale inteligenței artificiale generative. S-a observat, de asemenea, că modelele AI performează semnificativ mai bine la puzzle-uri familiare, comparativ cu cele mai puțin cunoscute, ceea ce subliniază dependența puternică de datele de antrenament și nu de abilități generalizabile de raționament.
Concluzie
Studiul realizat de Apple evidențiază limitele actuale ale modelelor de inteligență artificială generativă în imitarea raționamentului uman, mai ales în fața problemelor complexe. Aceste rezultate arată necesitatea unor progrese suplimentare în dezvoltarea AI pentru a reduce diferența dintre procesarea computerizată și abilitățile cognitive umane.
Comentarii