Výzkumníci vyvinuli novou generaci AI modelů, které dokážou dynamicky upravovat své výpočetní úsilí podle složitosti problému, což představuje zásadní posun v tom, jak umělá inteligence přistupuje k náročným úkolům.
Technologie, kterou reprezentují například modely jako DeepSeek-R1 a o-series od OpenAI, využívá takzvaný „reasoning-first přístup“, který upřednostňuje důkladnou analýzu před rychlým rozpoznáváním vzorů. DeepSeek-R1 je postaven na této metodologii zaměřené na uvažování, díky čemuž je obzvláště vhodný pro řešení složitých úloh ve vědě, programování a matematice prostřednictvím pokročilého logického odvozování a řešení problémů. Tento důraz na „přemýšlení před odpovědí“ je velmi cenný zejména pro technické aplikace.
Na rozdíl od běžných AI systémů jsou tyto nové modely trénovány tak, aby „přemýšlely déle“ před tím, než odpoví. Například OpenAI o3 dokáže rozložit obtížné otázky na logické kroky, provádět mezivýpočty či volání nástrojů a následně předložit dobře podložené odpovědi. Jakožto modely zaměřené na uvažování si efektivně samy ověřují fakta, což pomáhá vyhnout se nástrahám, na které běžné modely často narážejí. I když jim nalezení řešení trvá o sekundy až minuty déle než u běžných modelů, jsou v oblastech jako fyzika, věda a matematika obvykle spolehlivější.
OpenAI zaznamenala, že rozsáhlé posilované učení vykazuje stejný trend „více výpočetního výkonu = lepší výsledky“, jaký byl pozorován při předchozím trénování modelů. Opětovným prošlapáním cesty škálování – tentokrát v oblasti posilovaného učení – dosáhli dalšího řádu velikosti jak v trénovacím výpočetním výkonu, tak v inferenčním uvažování, přičemž jasné zlepšení výkonu potvrzuje, že modely se zlepšují tím více, čím déle mohou přemýšlet.
Tyto modely během inferencí aktivně generují více cest k řešení, přičemž každou z nich vyhodnocují pomocí integrovaných hodnotících modelů, aby určily tu nejperspektivnější. Trénováním hodnotícího modelu na datech označených experty vývojáři zajišťují, že modely rozvíjejí silnou schopnost uvažovat o složitých, vícekrokových problémech. Tato vlastnost umožňuje modelu fungovat jako soudce vlastního uvažování a posouvá velké jazykové modely blíže schopnosti „myslet“ namísto pouhého odpovídání.
Přístup DeepSeek kombinuje řetězení myšlenek (chain-of-thought reasoning) s posilovaným učením, kdy autonomní agent zvládá úkol metodou pokus–omyl bez lidských instrukcí. To zpochybňuje předpoklad, že modely zlepší své schopnosti uvažování pouze tréninkem na označených příkladech správného chování. Jak jeden z výzkumníků poznamenal: „Můžeme model jednoduše odměňovat za správnost a nechat jej, aby si sám objevil nejlepší způsob myšlení?“
Dopady na reálné aplikace jsou zásadní. Tyto modely by mohly zásadně proměnit způsob, jakým AI řeší složité problémy v oblastech od vědeckého výzkumu a inženýrství po obchodní strategii a kreativní řešení problémů. Tím, že přidělují výpočetní zdroje úměrně obtížnosti úkolu – podobně jako lidé přirozeně věnují více času těžším problémům – slibují tyto systémy spolehlivější výkon při nejnáročnějších intelektuálních úlohách, kterým lidstvo čelí.