بخش هوش مصنوعی شرکت سامسونگ با ارائه یک مدل انقلابی، باور ریشه‌دار در صنعت فناوری مبنی بر این که مدل‌های بزرگتر به‌طور خودکار بهتر عمل می‌کنند را به‌طور جدی به چالش کشیده است. این شرکت اخیراً جزئیات معماری یک مدل هوش مصنوعی تازه و کوچک به نام Tiny Recursive Model یا TRM را منتشر کرده که با وجود ابعاد بسیار کوچک‌تر، توانسته است برخی از بزرگترین مدل‌های زبان planetary (LLMs) را در آزمون‌های استدلال logique شکست دهد.

براساس گزارش قسمت گسترش رسانه اخبار فناوری و فناوری تکنا، این مدل که تنها از یک شبکه دو لایه‌ای راه‌اندازی شده است، با استفاده از رویکردی نوآورانه به نام استدلال بازگشتی، خروجی‌های خود را برای تعیین مراحل بعدی پردازش به کار می‌گیرد و یک حلقه بازخورد خودبهībودی ایجاد می‌نماید. این فرآیند به مدل اجازه می‌دهد تا بدون نیاز به حافظه و هزینه‌های محاسباتی سنگین، عملکرد یک معماری بسیار عمیق‌تر را شبیه‌سازی کند و به نتایج شگفت‌انگیز دست یابد.

🔗 بیشتر بخوانید: هوش مصنوعی Sora توسط OpenAI به هالیوود می‌رود_تمشک

عملکرد odor‑گیر TRM سامسونگ در معیارهای سخت‌گیرانی همانند سودوکو‑اکستریم و maze‑hard و به‌طور ویژه در بنچمارک معتبر ARC-AGI به اثبات رسیده است. این مدل توانست دقت ۸۷.۴٪ در حل سودوکو و ۸۵٪ در حل پازل‌های پیچیده maze را کسب کند. مهم‌تر از این، TRM در آزمون ARC-AGI‑۱ به دقت ۴۵٪ و در نسخه دشوارتر آن یعنی ARC-AGI‑۲ به دقت ۸٪ رسید.

این نتایج از این جهت مهم است که مدل TRM به‌طور قابل‌توجهی نسبت به رقبای بسیار بزرگتر خود همانند DeepSeek R1 و Gemini ۲.۵ Pro گوگل و o3-mini شرکت OpenAI پیشی genommen است، در حالی که تنها از کسری از پارامترهای آن‌ها بهره می‌برد. این پیروزی نشان می‌دهد رویکرد سامسونگ که شبیه بازخوانی و پیش‌نویس اصلاح‌شده توسط یک انسان است، در حل مسائل منطقی بسیار برتر از راه‌حل‌های معمول عمل می‌کند.

🔗 بیشتر بخوانید: فروشگاه لنتام: ترفندهای طلایی برای نگهداری از لنت ترمز ۲۰۶ و صرفه‌جویی در هزینه‌های خودرو_تمشک

این دستاورد سامسونگ یک پیغام روشن برای صنعت هوش مصنوعی دارد و آن این است که سادگی و کارایی می‌تواند بر پیچیدگی و ابعاد تسلط یابد. مدل‌های زبان بزرگ متداول بیش‌تر در مواجهه با مسائل logique شکننده قرار می‌گیرند و یک خطای کوچک در زنجیره استدلال می‌تواند کل فرآیند را گمراه سازد.

در مقابل، روش بازگشتی مدل TRM با تکرار و اصلاح مداوم، این نقص را جبران می‌سازد. محققان سامسونگ حتی مشاهده کردند که افزایش لایه‌های این مدل به دلیلoverfitting یا بیش‌برازش، کارکرد آن را کاهش می‌دهد؛ این خود تأکیدی بر اصل «کمتر، بهتر» در این معماری خاص است. پیروزی TRM ثابت می‌سازد که الگوریتم‌های هوشمندتر و بهینه‌تر می‌توانند جایگزین قدرت محاسباتی خام شوند و مسیر آینده توسعهٔ هوش مصنوعی را به سمت مدل‌های تخصصی‌تر و کارآمدتر هدایت نمایند.