--- title: "Czy sztuczna inteligencja musi myśleć słowami? Mały model testuje inną drogę" description: "Model BDH-CQ sprawdza, czy sztuczna inteligencja może rozwiązywać problemy bez generowania słownych kroków pośrednich. Wyniki sugerują możliwe oszczędności obliczeniowe, ale badanie nie było jeszcze recenzowane." publisher: "Najnowsze Informacje" language: "pl-PL" canonical_url: "https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge" markdown_url: "https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge/index.md" date_published: "2026-09-23T16:19:10.035Z" date_modified: "2026-09-23T16:26:35.273Z" author: "Redakcja" category: "Nauka" tags: - "sztuczna inteligencja" - "modele ai" - "rozumowanie maszynowe" - "efektywność obliczeń" - "badania naukowe" source_url: "https://www.sciencenews.org/article/ai-model-reason-logic-words-efficient" source_name: "Science News" image_url: "https://najnowsze-informacje.pl/api/media/file/nauka-unsplash-1790100088372.jpeg" image_alt: "an abstract image of a sphere with dots and lines" image_credit: "© Growtika / Unsplash" image_credit_url: "https://unsplash.com/@growtika" --- # Czy sztuczna inteligencja musi myśleć słowami? Mały model testuje inną drogę > Eksperymentalny model BDH-CQ rozwiązuje część zagadek bez zapisywania pośrednich kroków rozumowania w języku. ## Kluczowe informacje - BDH-CQ rozwiązał prawie trzy na dziesięć zadań ARC-AGI-1 przy dwóch próbach. - Model aktualizuje pamięć o stałym rozmiarze zamiast przechowywać wszystkie przykłady w formie tekstu. - Autorzy oszacowali koszt jednego zapytania na około 0,00070 dolara, ale porównanie z innym modelem wykonano przy odmiennych założeniach. - Badanie nie było recenzowane, a model zaprojektowano specjalnie do zadań typu ARC. Sztuczna inteligencja nie musi zapisywać każdego kroku swojego rozumowania słowami, aby poradzić sobie z częścią zadań. Taką możliwość sprawdza eksperymentalny, niewielki model BDH-CQ, należący do rodziny nazwanej Dragon Hatchling. Autorzy pracy twierdzą, że system potrafi rozwiązywać niektóre zagadki bez tworzenia tekstowego toku rozumowania między pytaniem a odpowiedzią. Wynik może mieć znaczenie dla kosztu i szybkości działania modeli, ale na tym etapie nie pokazuje, że nowa architektura jest ogólnie lepsza od stosowanych obecnie metod. ## Rozumowanie bez zapisywania kolejnych kroków Wiele współczesnych modeli językowych rozwiązuje trudniejsze problemy za pomocą rozumowania łańcuchowego, znanego też jako chain-of-thought reasoning. Najpierw generują serię pośrednich zdań lub tokenów, a dopiero później podają krótką odpowiedź. Taki proces może poprawiać wyniki, jednak każdy token wymaga czasu i mocy obliczeniowej. Długi zapis rozumowania może więc sprawić, że odpowiedź będzie droższa i wolniejsza, nawet jeśli jej końcowa treść jest krótka. - BDH-CQ podczas pracy nie zamienia kolejnych etapów przetwarzania na język. - Przykłady otrzymywane przed zadaniem aktualizują wewnętrzną pamięć o stałym rozmiarze. - Test ARC-AGI-1 wymaga od modelu odgadnięcia reguł wizualnych na podstawie kilku przykładów i zastosowania ich do nowych zagadek. - Model lepiej radził sobie między innymi z częścią zadań polegających na obracaniu lub przesuwaniu kształtów niż z niektórymi zmianami kolorów i kombinacjami reguł. ## Jak działa BDH-CQ Podczas uczenia kontekstowego modele często otrzymują kilka przykładów, do których mogą wracać, gdy próbują rozwiązać nowe zadanie. BDH-CQ stosuje inne podejście. Każdy przykład służy do aktualizacji pamięci o stałym rozmiarze, która zachowuje najważniejsze informacje w skondensowanej postaci. Gdy pojawia się właściwe pytanie, model wykorzystuje ten stan wewnętrznie. Według opisu zespołu żaden etap pomiędzy pytaniem a odpowiedzią nie jest przekształcany w język. Model przetestowano na publicznym zbiorze ARC-AGI-1. Zadania przypominają sprawdziany, w których trzeba wywnioskować regułę z kilku przykładów i zastosować ją do nowej układanki wizualnej. Przy dwóch próbach BDH-CQ rozwiązał prawie trzy na dziesięć zagadek. Wynik nie był równy dla wszystkich typów problemów. System radził sobie z częścią zadań dotyczących przemieszczania i obracania kształtów, ale większe trudności sprawiały mu niektóre zmiany kolorów oraz zadania łączące kilka reguł. W trudniejszych zagadkach związanych z kolejnością i zagnieżdżaniem wynik poprawiał się po pokazaniu przykładu o podobnym poziomie trudności. ## Obiecująca oszczędność, ale ograniczony test Autorzy oszacowali, że wykonanie jednego zapytania w BDH-CQ kosztuje około 0,00070 dolara. Według ich wyliczeń to mniej więcej jedna jedenasta kosztu działania modelu GPT-5.6 Luna na tym samym teście. Zastrzegli jednak, że oba koszty obliczono w odmienny sposób, dlatego nie jest to bezpośrednie porównanie. Możliwa oszczędność wynika z ograniczenia liczby generowanych słów, ale na podstawie jednego wyspecjalizowanego modelu nie da się ocenić, jak rozwiązanie sprawdzi się w szerszych zastosowaniach. Praca została przesłana do serwisu arXiv i nie przeszła jeszcze recenzji naukowej. Yuntian Deng z University of Waterloo określił wynik jako interesujący przykład poprawy efektywności, ale zaznaczył, że nie dowodzi on wyższości samej architektury BDH-CQ. Jego zdaniem potrzebne są dalsze testy, które oddzielą wpływ konstrukcji modelu od wpływu sposobu jego treningu. Model jest też trudniejszy do kontrolowania, ponieważ nie przedstawia słownego toku rozumowania. Jednocześnie nawet tekstowy łańcuch kroków nie musi wiernie pokazywać, jak system faktycznie doszedł do odpowiedzi. Jonas Geiping z ELLIS Institute Tübingen i Max Planck Institute for Intelligent Systems zwrócił uwagę, że BDH-CQ powstał specjalnie do problemów w stylu ARC, więc trudno porównywać go bezpośrednio z modelami ogólnego przeznaczenia. Uznał jednak podejście za interesujące, między innymi dlatego, że system może rozwiązywać nowe zadania bez ponownego treningu. Badanie otwiera szersze pytanie o to, czy język jest potrzebny na każdym etapie pracy sztucznej inteligencji. Język dobrze służy do komunikowania rozumowania, ale nie musi być najbardziej wydajnym sposobem reprezentowania każdej wewnętrznej operacji. ## Wyjaśnienie pojęć ### [pamięć o stałym rozmiarze](https://najnowsze-informacje.pl/definicje/pamiec-o-stalym-rozmiarze) Wewnętrzny zapis informacji, którego wielkość nie rośnie wraz z liczbą kolejno przetwarzanych przykładów. ### [rozumowanie łańcuchowe](https://najnowsze-informacje.pl/definicje/rozumowanie-lancuchowe) Sposób pracy modelu, w którym przed odpowiedzią generowane są kolejne słowne kroki pośrednie. ## Źródło pierwotne [Science News](https://www.sciencenews.org/article/ai-model-reason-logic-words-efficient) --- ## Informacje do cytowania - **Autor:** Redakcja - **Data publikacji:** 2026-09-23T16:19:10.035Z - **Ostatnia aktualizacja:** 2026-09-23T16:26:35.273Z - **Kategoria:** Nauka - **Adres kanoniczny:** [https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge](https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge) - **Wersja Markdown:** [https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge/index.md](https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge/index.md) **Sugerowane cytowanie:** > Najnowsze Informacje, „Czy sztuczna inteligencja musi myśleć słowami? Mały model testuje inną drogę”, 2026-09-23, https://najnowsze-informacje.pl/nauka/czy-sztuczna-inteligencja-musi-myslec-slowami-maly-model-testuje-inna-droge