New AI Architecture Enables 100x Faster Reasoning Than Large Models with Minimal Training Data
Lubomír Černý · 2025-08-29
A new AI model from Singapore-based startup Sapient Intelligence introduces a breakthrough architecture capable of solving complex tasks up to 100 times faster than current large language models (LLMs). The hierarchical approach simulates human thinking by combining slow strategic planning with rapid detail processing, while requiring only a minimal amount of training data. This model opens new possibilities for businesses with limited resources and data.
Hierarchické uvažování inspirované mozkem
Nová architektura nazvaná Hierarchical Reasoning Model (HRM) vznikla v startupu Sapient Intelligence v Singapuru. Její hlavní inspirací je způsob, jakým lidský mozek kombinuje pomalé, systematické plánování s rychlými, instinktivními reakcemi. Model HRM využívá dvě na sobě závislé moduly – jeden pracuje na abstraktním, pomalém a velkém plánu, zatímco druhý řeší detailní výpočty rychle a lokálně.
Tento přístup umožňuje systému postupně přistupovat k problému pomocí tzv. hierarchické konvergence, kdy rychlý modul řeší dílčí části do stabilního výsledku, a pomalý modul aktualizuje strategii a zadává nové podproblémy. Díky tomu model nevstupuje do příliš rychlé konvergence a nepřichází o kvalitu řešení, zároveň se však vyhýbá problémům jako „zanikající gradient“ u hlubokých sítí.
Výkonnost a efektivita bez velkých dat
HRM dosahuje vysoké přesnosti, a to i u náročných úloh jako jsou složité sudoku, labyrinty nebo benchmark ARC-AGI testující kombinaci uvažování a generalizace. Zatímco nejmodernější LLM postavené na řetězovém myšlení (Chain-of-Thought) zcela selhávají, HRM dosahuje téměř dokonalých výsledků s pouhými 1 000 tréninkovými příklady.
Tento model nevyužívá tradiční metodu "řekni si nahlas", kdy LLM tokenově rozkládají myšlenky, což je náročné na data a pomalé. Místo toho aplikuje tzv. latentní uvažování, kdy myšlení probíhá v abstraktním vnitřním prostoru, zrychluje vyhodnocování a snižuje potřebu dat a paměti.
Praktické přínosy a obchodní využití
HRM svojí efektivitou slibuje až 100násobné zrychlení vyhodnocování úloh oproti současným LLM, což znamená výrazné snížení latence i nákladů na výpočet. To ji činí ideální pro aplikace na hraně s omezenými zdroji, například v robotice, logistice, lékařském výzkumu nebo průmyslové diagnostice, kde nemáme k dispozici rozsáhlé datové sady ani nadměrné výpočetní kapacity.
Podle zakladatele Sapient Intelligence, Guana Wanga, je tato nová architektura perspektivní zejména pro složité, sekvenční rozhodovací úkoly a dlouhodobé plánování, kde současné LLM narážejí na pomalost či chyby. Trénink HRM na sudoku ukázal, že model dokáže postupně zlepšovat svou efektivitu a učit se řešení stále rychleji, jako když se člověk vypracuje z nováčka na experta.
Startup navíc pracuje na rozšíření využití HRM směrem k univerzálním, samoopravujícím se modelům pro zdravotnictví, klimatické předpovědi či robotiku, což potvrzuje potenciál inovace k dalšímu rozvoji inteligentních systémů mimo čistě jazykové modely.
Zdroje: VentureBeat | Future | LinkedIn (Simon Manna)