Ein öffentliches Sudoku-Experiment in diesem Jahr brachte ein auffälliges Ergebnis hervor. Laut Logical Intelligence lösten eine Gruppe führender großer Sprachmodelle, darunter GPT-5.2 von OpenAI, Claude Opus 4.5 und Sonnet 4.5, Gemini 3 Pro und DeepSeek V3.2, zusammen nur 2 % der Rätsel und verbrauchten dabei rund 11.000 Dollar an API-Aufrufen. Ein Modell namens Kona, etwa tausendmal kleiner, löste 96,2 % für lediglich 4 Dollar GPU-Zeit.
Die Lücke betrifft eigentlich nicht nur Sudoku. Die Regeln von Sudoku sind klar definiert und einfach genug, dass ein Zehnjähriger sie lernen kann, und genau deshalb ist das Ergebnis überraschend. LLMs sind die leistungsfähigsten KI-Modelle, die um Sprache herum aufgebaut sind, doch viele alltägliche Aufgaben erfordern Intelligenz jenseits der Sprache. Manche verlangen räumliches oder dimensionales Denken, andere beruhen auf Logik, Planung oder emotionalem Gespür, und vieles, was Menschen tun, lässt sich nicht vollständig in Worte fassen. Extrapolation und Kreativität sind es, die Intelligenz lebendig statt mechanisch wirken lassen.
Yann LeCun, Turing-Preisträger und Pionier des Deep Learning, argumentiert seit Jahren, dass Text allein keine echte Intelligenz hervorbringt. Der Ansatz von Logical Intelligence, gegründet von Eve Bodnia, stützt sich auf energiebasierte Reasoning-Modelle (EBRMs) wie Kona. Diese Modelle sind dafür ausgelegt, Constraint-Probleme zu bewältigen, mit denen LLMs ihre Schwierigkeiten haben.
LLMs arbeiten, indem sie das wahrscheinlichste nächste Token in einer Sequenz vorhersagen. Dieses Design hat bei Übersetzung, Zusammenfassung und Codegenerierung starke Ergebnisse erzielt, eignet sich aber nicht für jedes Problem. Für Aufgaben, die andere Formen von Intelligenz erfordern, bieten EBRMs einen anderen Weg, mit zuverlässigerem latentem Schließen und mit Verifikation und Sicherheit, die anders gehandhabt werden als bei LLM-Systemen.
Quelle: ByteByteGo · Zusammengefasst von HeadlinesBriefing