Science News · Wetenschap

AI-model onderzoekt redeneren zonder expliciete taalstappen

Een experimenteel AI-systeem, BDH-CQ, wordt getest om te zien of kunstmatige intelligentie problemen kan oplossen zonder woord-voor-woord verklaringen voor elke stap te genereren, wat mogelijk de computationele kosten kan verlagen.

Huidige AI gebruikt vaak 'chain-of-thought'-redenering, waarbij lange tekstuele stappen worden geproduceerd. Deze methode is computationeel intensief, waardoor AI-reacties trager en duurder worden.

Het BDH-CQ-model verwerkt redeneerpuzzels intern en werkt een geheugen van vaste grootte bij met voorbeelden. Hierdoor kan het problemen oplossen zonder tussenstappen om te zetten in taal.

Onderzoekers melden dat BDH-CQ bijna 30% van de puzzels op de ARC-AGI-1 evaluatieset heeft opgelost, wat aantoont dat kleinere modellen nieuwe redeneerproblemen kunnen aanpakken zonder expliciete tekstuele tussenstappen.

Het model toonde gevarieerde prestaties, excelleerde in vormmanipulatie, maar had moeite met kleurveranderingen en complexe regelcombinaties.

De aanpak van BDH-CQ kan de computatiekosten verlagen, met een geschatte kostprijs per query van $0.00070, ongeveer een elfde van GPT-5.6 Luna op dezelfde benchmark.

Experts merken op dat de gespecialiseerde architectuur van BDH-CQ directe vergelijking met algemene AI moeilijk maakt. Verdere tests zijn nodig om ontwerpeffecten te isoleren van trainingseffecten.

De studie roept vragen op over de vraag of AI taal nodig heeft voor alle redeneerprocessen, wat suggereert dat taal mogelijk niet de meest efficiënte interne representatie is voor elke computationele stap.

AI-samenvatting op basis van de bron.