AI’s Nieuwe Intuïtie: Waarom Slimmer Denken Belangrijker Is Dan Langer Denken

De vooruitgang in kunstmatige intelligentie (AI) is lange tijd gedreven door de overtuiging dat het verhogen van gegevens en rekenkracht de prestaties kan verbeteren. Deze “brute force”-aanpak heeft indrukwekkende AI-systemen opgeleverd, zoals GPT-3, die in de loop der jaren opvallend goed hebben gepresteerd. however, deze paradigma bereikt zijn limieten. Naarmate AI-problemen complexer worden, wordt het duidelijk dat het simpelweg toevoegen van meer verwerkingskracht geen duurzame of effectieve oplossing is voor langetermijnvooruitgang. Deze realisatie heeft onderzoekers ertoe aangezet hun aanpak van AI-ontwikkeling te heroverwegen. In deze context introduceert Deep Cogito’s Cogito v2-model een nieuwe aanpak die de toekomst van AI-ontwikkeling kan veranderen. In plaats van afhankelijk te zijn van meer verwerkingskracht of uitgebreid redeneren, ontwikkelt Cogito v2 interne “intuïtie” die het model leidt om de juiste paden te identificeren voordat het zelfs maar begint met zoeken. Dit is een paradigma-shift in hoe AI wordt ontwikkeld door zich te concentreren op beter denken, niet langer.

Een Shift in AI-ontwikkeling

Gedurende vele jaren was de drijvende kracht achter AI-vooruitgang het idee dat ” meer beter is “. Deze aanpak heeft geleid tot AI-modellen die uitgebreide redeneerketens genereren om complexe problemen op te lossen. OpenAI’s modellen, zoals GPT-3, zijn een voorbeeld van deze aanpak, waarbij langere redeneerketens indrukwekkende resultaten hebben opgeleverd op moeilijke taken. Hoewel deze methode indrukwekkende resultaten heeft opgeleverd, heeft het significante nadelen. Langere redeneerketens vereisen meer computationele middelen, wat resulteert in langzamere inferentietijden en hogere operationele kosten. Bovendien heeft onderzoek aangetoond dat deze uitgebreide processen vaak leiden tot afnemende rendementen, waarbij langer redeneren leidt tot grotere bias en minder efficiëntie. Het fundamentele probleem is dat het vertrouwen op lange redeneerketens en het verhogen van computationele kracht geen effectieve oplossing meer is voor het aanpakken van complexe AI-problemen. Deze benaderingen zijn beperkt door hun enorme verwerkingstijd en geheugeneisen.

Waarom ‘Intuïtie’ Belangrijk Is voor AI

In tegenstelling tot huidige AI-systemen die afhankelijk zijn van uitgebreid redeneren, vertrouwen mensen vaak op wat wordt genoemd “intuïtie” (een vorm van snelle, intuïtieve oordeelsvorming) om problemen op te lossen. Hoewel intuïtie een abstract concept kan lijken, is het vaak het resultaat van jarenlange ervaring, leren en contextverwerking die mensen in staat stelt om snelle beslissingen te nemen zonder elk detail volledig te analyseren. Het is deze vorm van intuïtie die rauwe berekening onderscheidt van menselijke redenering. Mensen bouwen deze ‘intuïtie’ op door patroonherkenning en opgedane ervaring, en het stelt ons in staat om beslissingen te nemen zonder uitputtend alle mogelijke opties te onderzoeken. AI’s nieuwe ” intuïtie ” heeft als doel dit proces te repliceren.

Dit idee, ook wel de “intelligentie-prior” genoemd, kan een sleutel zijn om AI-systemen te voorzien van menselijke redenering en ze efficiënter te maken. AI-modellen met een sterke intelligentie-prior kunnen anticiperen welke oplossingen waarschijnlijk zullen slagen zonder uitgebreide berekening te hoeven uitvoeren. In plaats van te vertrouwen op uitputtende zoekmethoden, stelt intuïtie AI-systemen in staat om eerder verworven kennis te benutten, met een focus op de meest effectieve paden naar een oplossing.

Hoe Cogito v2 ‘Intuïtie’ Integreerde

Cogito heeft het idee van ‘intuïtie’ (meer technisch, intelligentie-prior) geïntegreerd in zijn onlangs uitgebrachte model Cogito v2. Zij hebben dit idee geïmplementeerd met behulp van een mechanisme genaamd Iterated Distillation and Amplification (IDA). Dit mechanisme stelt het model in staat om te leren van zijn eigen redeneerproces en zijn probleemoplossende vaardigheden over tijd te verfijnen. In plaats van te vertrouwen op statische prompts of vaste leraren, stelt IDA het AI-model in staat om succesvolle redeneerpaden terug te distilleren in zijn kernmodelparameters. Dit zelfverbeteringsproces verfijnt de redeneervaardigheid van het model over tijd, waarbij niet alleen wordt geoptimaliseerd voor accurate antwoorden, maar ook voor de meest efficiënte denkwijzen.

• Iterated Distillation and Amplification (IDA)

Om te begrijpen hoe IDA werkt, kunnen we kijken naar dual-process-theorie, die menselijk denken verdeelt in twee systemen: Systeem 1 en Systeem 2. Systeem 1 verwijst naar snelle, intuïtieve besluitvorming, terwijl Systeem 2 langzamer is, met meer bewuste redenering. De theorie suggereert dat mensen voor de meeste taken vertrouwen op Systeem 1, maar overschakelen naar Systeem 2 wanneer ze worden geconfronteerd met complexere beslissingen.

IDA is een tweestaps cyclus: amplificatie en distillatie. In de amplificatiefase gebruikt het model intensieve computationele methoden om hoge kwaliteit oplossingen of redeneertraces te genereren. Dit is vergelijkbaar met Systeem 2-denken, waarbij de AI de tijd neemt om zorgvuldig potentiële oplossingen te evalueren. In de distillatiefase internaliseert het model vervolgens de inzichten uit de amplificatiefase, waarbij het redeneerproces van Systeem 2 naar Systeem 1 wordt getransformeerd. Net zoals een menselijke bestuurder intuïtiever wordt naarmate hij meer ervaring opdoet, kan een AI-model met IDA snellere, efficiëntere beslissingen nemen over tijd.

Het centrale idee achter IDA is om computationeel intensief redeneren te gebruiken in de amplificatiefase, en vervolgens het verhoogde redeneren terug te distilleren in de modelparameters. Dit proces stelt het model in staat om effectieve redeneerstrategieën te internaliseren, waardoor het zijn capaciteit om intuïtief te denken bij het oplossen van problemen verhoogt. Door deze cyclus te herhalen, verbetert het AI-systeem voortdurend zijn vermogen om beslissingen te nemen met minder computationele middelen.

Voordelen van het Integreren van ‘Intuïtie’ in AI

Een van de belangrijkste voordelen van AI’s intuïtie is de efficiëntie. Modellen zoals Cogito v2 demonstreren redeneerketens die tot 60% korter zijn dan die van concurrerende modellen. Dit betekent dat ze antwoorden kunnen bereiken met minder interne stappen, waardoor de tijd en middelen die nodig zijn voor inferentie worden verminderd. Bijvoorbeeld, een probleem dat mogelijk meer dan 200 tokens nodig heeft om op te lossen met DeepSeek R1, kan worden opgelost door Cogito v2 in minder dan 100 tokens.

Bovendien is de trainingskost van Cogito v2 aanzienlijk lager dan die van traditionele AI-modellen. Het hele trainingsproces voor Cogito v2, dat een breed scala aan parameters omvat, kostte minder dan $3,5 miljoen, wat aanzienlijk minder is dan de uitgaven die gewoonlijk geassocieerd worden met grote modellen zoals GPT-4.

Cogito v2 heeft ook emergente vaardigheden getoond in gebieden waarvoor het niet specifiek was getraind. Bijvoorbeeld, ondanks dat het primair was getraind op tekst, kan Cogito v2 redeneren over afbeeldingen, waarbij het inzichten trekt over afbeeldingssamenstelling en habitats. Deze cross-modale redeneervaardigheid is een belangrijke stap naar generaliseerde intelligentie, een belangrijke mijlpaal op de weg naar Artificial General Intelligence (AGI).

AI-ontwikkeling Opnieuw Overwegen

Het succes van intelligentie-prior suggereert dat AI-ontwikkelingsstrategieën een fundamentele shift nodig hebben. In plaats van simpelweg het modelgrootte of computationele middelen te verhogen, zou AI-ontwikkeling moeten focussen op het bouwen van systemen die hun eigen cognitieve strategieën kunnen ontwikkelen en verfijnen. Deze shift weerspiegelt menselijke cognitieve ontwikkeling, waarbij intelligentie niet het resultaat is van een grotere hersenen of meer denktijd, maar eerder betere mentale modellen en redeneerstrategieën. Deze verandering in aanpak kan langetermijnimplicaties hebben. Door te focussen op slimmer redeneren in plaats van brute rekenkracht, kan AI meer veelzijdig, aanpasbaar en in staat zijn om nieuwe uitdagingen aan te gaan. Deze shift kan de toepassing van AI in industrieën zoals gezondheidszorg, cybersecurity en autonome transport versnellen, waardoor AI-systemen efficiënter, kostenefficiënter en impactvoller worden.

De Bottom Line

Het succes van Cogito v2 toont aan dat de toekomst van AI niet ligt in het schalen van modellen of het verhogen van computationele kracht, maar in het verfijnen van redeneerarchitecturen en het optimaliseren voor slimmer probleemoplossend denken. Deze shift belooft een meer duurzame en toegankelijke toekomst voor AI, waarin systemen voortdurend kunnen verbeteren en aanpassen met minder afhankelijkheid van uitgebreide computationele middelen. Door te focussen op intelligent redeneren in plaats van brute berekening, kan AI beter in staat zijn om complexe, real-world problemen aan te pakken.