Novo istraživanje objavljeno u Proceedings of the National Academy of Sciences pokazuje da veliki modeli za rezoniranje troše sličnu ‘mentalnu energiju’ kao ljudi dok rješavaju logičke i kognitivne zadatke. Autori Andrea Gregor de Varda, Ferdinando Pio D’Elia, Hope Kean i Evelina Fedorenko analizirali su ponašanje modela DeepSeek-R1 na sedam vrsta zadataka i usporedili ga s reakcijskim vremenima ljudskih sudionika. Rezultati otkrivaju da duljina modelovog lanca zaključivanja pouzdano predviđa koliko će vremena ljudima trebati da dođu do rješenja.
U ispitivanim domenama, od numeričke i verbalne aritmetike do intuitivnog i prostornog rezoniranja, model je koristio više koraka na težim problemima, a upravo su ti problemi zahtijevali dulje vrijeme obrade i kod ljudi. Korelacije su unutar pojedinih zadataka dosezale vrijednosti između 0,34 i 0,89, dok je prosjek iznosio 0,57. Razlika u duljini samog teksta zadatka nije mijenjala odnos, što govori da se modelovo računanje podudara s relativnim kognitivnim naporom koji ljudi ulažu.
Autori navode da je model DeepSeek-R1 bio dosljedno usklađeniji s ljudskim rezultatima od svoje osnovne verzije DeepSeek-V3, što upućuje na to da optimizacija za rezoniranje poboljšava sličnost ljudskom načinu obrade. U četiri od sedam skupova podataka korišteni su neobjavljeni ili noviji materijali, što smanjuje vjerojatnost da je riječ o pukom prepoznavanju uzoraka iz treninga.
Na razini među zadacima, prosječna količina ‘razmišljanja’ koju model uloži u rješavanje pojedine vrste problema gotovo savršeno predviđa prosječna ljudska reakcijska vremena. Korelacija je iznosila 0,97, a učinak nije proizlazio iz duljine zadataka. Kada su istraživači spojili sve domene u jedinstvenu analizu, modelovi tokeni rezoniranja i dalje su predviđali ljudske rezultate s visokom preciznošću.
Ovi nalazi pridonose raspravi o tome trebaju li modeli razumijevanja i zaključivanja imati ugrađene simboličke mehanizme da bi oponašali ljudsko mišljenje. Autori tvrde da modeli bez eksplicitnih pravila, ali s optimizacijom usmjerenom na točne odgovore i povratnim informacijama tijekom učenja, mogu razviti obrasce obrade koji blisko odražavaju ljudski intelektualni napor.
Rad zaključuje da su veliki modeli rezoniranja potencijalno korisni alati za proučavanje ljudskog zaključivanja te da bi buduća istraživanja trebala ispitati njihovu usklađenost s ljudima u drugim vrstama kognitivnih zadataka.
MIT neuroscientists find reasoning #AI models mirror human thought—both take longer on harder problems, sharing a “cost of thinking.” 🧠🔬#AINews #ArtificialIntelligence #Tech #SwissCognitivehttps://t.co/ACmJgromTr
— SwissCognitive, AI Venture, Advisory & Research (@SwissCognitive) November 22, 2025
