De toonaangevende AI-onderzoekers van Silicon Valley worden geconfronteerd met een uitdaging voor het conventionele denken over kunstmatige algemene intelligentie (AGI). Yann LeCun, voormalig Meta AI-chef en prominent criticus van de aanpak van het grote taalmodel (LLM), steunt een startup genaamd Logical Intelligence die een pionier is op het gebied van een andere methode. LeCun stelt dat de huidige obsessie met LLM’s – systemen die het volgende woord in een reeks voorspellen – een doodlopende weg is. In plaats daarvan gelooft hij dat de weg naar echte AI ligt in systemen die redeneren in plaats van alleen maar raden.
Op energie gebaseerd redeneren: een nieuwe benadering van AI
Logical Intelligence heeft een ‘energiegebaseerd model’ (EBM) ontwikkeld, dat leert door beperkingen te absorberen in plaats van de uitkomsten te voorspellen. In tegenstelling tot LLM’s werken EBM’s binnen gedefinieerde parameters – zoals de regels van een Sudoku-puzzel – om problemen op te lossen zonder vallen en opstaan. De startup beweert dat deze methode aanzienlijk minder rekenkracht vereist en fouten elimineert.
Het eerste model van het bedrijf, Kona 1.0, toonde superieure prestaties ten opzichte van toonaangevende LLM’s bij het oplossen van Sudoku-puzzels, draaiend op een enkele Nvidia H100 GPU. Dit suggereert dat efficiënt redeneren kan worden bereikt zonder de enorme schaal van de huidige LLM’s. Logical Intelligence is de eerste die een werkend EBM heeft ontwikkeld, voorheen alleen een theoretisch concept.
Voorbij taal: de toekomst van AI
De startup voorziet EBM’s die problemen uit de echte wereld aanpakken waarbij nauwkeurigheid van cruciaal belang is, zoals het optimaliseren van energienetwerken of het automatiseren van complexe productie. Oprichter en CEO Eve Bodnia benadrukt dat deze taken ‘allesbehalve taal’ zijn, wat impliceert dat de focus moet worden verlegd van de taalkundige sterke punten van LLM’s.
Logical Intelligence is van plan samen te werken met AMI Labs, een andere startup opgericht door LeCun, die ‘wereldmodellen’ ontwikkelt: AI-systemen die fysieke dimensies begrijpen, geheugen vasthouden en uitkomsten voorspellen. Het uiteindelijke doel is om deze benaderingen te combineren: LLM’s voor menselijke interactie, EBM’s voor redeneren en wereldmodellen voor actie in de echte wereld.
Een verschuiving in perspectief
Het kernargument is dat de huidige AI-ontwikkeling verkeerd gericht is. LLM’s vertrouwen op pure schaal en statistische waarschijnlijkheid, terwijl echte intelligentie een meer fundamentele benadering van redeneren vereist. LeCun en Bodnia suggereren dat het nabootsen van menselijke taal niet de sleutel is tot het ontsluiten van AGI; in plaats daarvan zou AI zich moeten concentreren op het oplossen van abstracte problemen, zonder de beperkingen van taal.
Het team verwacht EBM’s in te zetten in sectoren zoals de energie-, farmaceutische en productiesector. De aanpak van het bedrijf om kleinere, gespecialiseerde modellen voor specifieke taken te ontwikkelen – in plaats van één universele AI – kan een praktischer pad voorwaarts bieden.
De weg naar AGI begint volgens Logical Intelligence met een gelaagde aanpak die verschillende soorten AI combineert, elk geoptimaliseerd voor specifieke functies.
Dit nieuwe model vormt een gedurfde uitdaging voor het heersende verhaal in Silicon Valley, wat suggereert dat de toekomst van AI misschien niet in grotere LLM’s ligt, maar in slimmere redeneersystemen.
