Don’t be fooled—LLMs don’t reason

Ten years after AlphaGo's historic match against Lee Sedol, a critical gap remains between past and present AI capabilities. In 2016, AlphaGo's famous 'Move 37' demonstrated a unique blend of intuition and calculation. Unlike Deep Blue, which relied on brute-force computation, AlphaGo used a policy network to generate hunches and a separate search machinery to weigh future consequences. This architecture mimicked human System 1 and System 2 thinking, allowing the AI to evaluate thousands of future game states before selecting a creative move.

Today's large language models operate differently. They predict the next token iteratively, relying primarily on fast, associative pattern completion. While techniques like chain-of-thought prompting encourage intermediate steps, they do not create a distinct reasoning engine. The intermediate output is still generated by the same next-token prediction process, meaning modern AI lacks the genuine deliberative machinery that powered AlphaGo's success. To achieve trustworthy, novel insights in science and medicine, future systems must integrate a separate, deliberate reasoning process rather than relying solely on pattern completion.

بعد عشر سنوات من المباراة التاريخية لـ AlphaGo ضد لي سيдол، لا يزال هناك فجوة حاسمة بين قدرات الذكاء الاصطناعي الماضية والحالية. في عام 2016، أظهر الحركة الشهيرة 'الحركة 37' لـ AlphaGo مزيجًا فريدًا من الحدس والحساب. على عكس Deep Blue، الذي اعتمد على الحساب بالقوة الغاشمة، استخدم AlphaGo شبكة سياسة لتوليد الحدس وآلية بحث منفصلة لوزن العواقب المستقبلية. هذه البنية محاكاة للتفكير البشري نظام 1 ونظام 2، مما سمح للذكاء الاصطناعي بتقييم آلاف الحالات المستقبلية للعبة قبل اختيار حركة إبداعية.

تعمل نماذج اللغة الكبيرة اليوم بشكل مختلف. إنها تتنبأ بالرمز التالي بشكل تكراري، وتعتمد بشكل أساسي على إكمال الأنماط السريع والارتباطي. بينما تشجع تقنيات مثل تحفيز سلسلة التفكير على خطوات وسيطة، فإنها لا تخلق محرك تفكير منفصل. لا يزال المخرج الوسيط يُولد بواسطة نفس عملية تنبؤ الرمز التالي، مما يعني أن الذكاء الاصطناعي الحديث يفتقر إلى الآلية التفكيرية الحقيقية التي drove نجاح AlphaGo. لتحقيق رؤى موثوقة وجديدة في العلوم والطب، يجب أن تدمج الأنظمة المستقبلية عملية تفكير متعمدة منفصلة، بدلاً من الاعتماد فقط على إكمال الأنماط.

Dash বছর পরে AlphaGo-এর Lee Sedol-এর সাথে ঐতিহাসিক মেলার পরে, অতীতে এবং বর্তমান AI ক্ষমতার মধ্যে একটি গুরুত্বপূর্ণ পার্থক্য বاقية আছে। ২০১৬ সালে, AlphaGo-এর বিখ্যাত 'মুভ ৩৭' ইনটুইশন এবং গণনার একটি অনন্য মিশ্রণ দেখিয়েছে। Deep Blue-এর বিপরীতে, যা বাল-force গণনায় নির্ভর ছিল, AlphaGo হুঁচ-generating জন্য একটি পলিসি নেটওয়ার্ক ব্যবহার করেছিল এবং ভবিষ্যৎ পরিণামের ওজন দেওয়ার জন্য একটি আলাদা খোঁজ মেশিনারি ব্যবহার করেছিল। এই আর্কিটেকচার মানব সিস্টেম ১ এবং সিস্টেম ২ চিন্তার অনুকরণ করেছিল, যা AI-কে একটি সৃজনশীল चाल বেছে নেওয়ার আগে হাজারো ভবিষ্যৎ গেমের অবস্থা মূল্যায়ন করতে অনুমতি দিয়েছিল।

আজকের বড় ভাষা মডেলগুলি আলাদা ভাবে কাজ করে। তারা পুনরাবৃত্তি করে পরবর্তী টোকেনের পূর্বাভাস দেন, मुख्यত দ্রুত, সংযোজক প্যাটার্ন পূর্ণতায় নির্ভর করে। Enquanto চেন-অফ-থোট প্রম্পটিং जैसी तकनीकें मध्यवर्ती चरणों को प्रोत्साहित करती हैं, वे एक अलग तर्क इंजन नहीं बनाती हैं। मध्यवर्ती आउटपुट अभी भी उसी अगले टोकन पूर्वानुमान प्रक्रिया द्वारा उत्पन्न किया जाता है, जिसका अर्थ है कि आधुनिक AI में AlphaGo की सफलता को चलाने वाली वास्तविक विचारशील मशीनरी की कमी है। विज्ञान और चिकित्सा में विश्वसनीय, novel अंतर्दृष्टि प्राप्त करने के लिए, भविष्य की प्रणालियों को केवल पैटर्न पूर्णता पर निर्भर रहने के बजाय, एक अलग, deliberate तर्क प्रक्रिया को एकीकृत करना चाहिए।

Zehn Jahre nach dem historischen Match von AlphaGo gegen Lee Sedol besteht weiterhin eine kritische Lücke zwischen den Fähigkeiten früherer und aktueller KI. Im Jahr 2016 demonstrierte der berühmte 'Zug 37' von AlphaGo eine einzigartige Mischung aus Intuition und Berechnung. Im Gegensatz zu Deep Blue, das auf brute-force Berechnung setzte, verwendete AlphaGo ein Policy-Netzwerk, um Intuitionen zu generieren, und eine separate Suchmaschinerie, um zukünftige Folgen abzuwägen. Diese Architektur ahmt das menschliche System 1 und System 2 Denken nach, wodurch die KI Tausende zukünftiger Spielzustände bewerten konnte, bevor sie einen kreativen Zug auswählte.

Heutige große Sprachmodelle funktionieren anders. Sie vorhersagen das nächste Token iterativ und verlassen sich hauptsächlich auf schnelle, assoziative Musterergänzung. Obwohl Techniken wie Chain-of-Thought-Prompting Zwischenschritte fördern, schaffen sie keinen eigenständigen Denkmechanismus. Die Zwischenergebnis wird weiterhin vom gleichen nächsten-Token-Vorhersageprozess erzeugt, was bedeutet, dass moderne KI das echte deliberative Maschinerie vermissen lässt, das AlphaGo zum Erfolg verhalf. Um vertrauenswürdige und neue Erkenntnisse in Wissenschaft und Medizin zu erzielen, müssen zukünftige Systeme einen separaten, deliberaten Denkprozess integrieren, anstatt sich ausschließlich auf Musterergänzung zu verlassen.

Diez años después del histórico enfrentamiento de AlphaGo contra Lee Sedol, persiste una brecha crítica entre las capacidades de la IA pasada y presente. En 2016, el famoso 'Movimiento 37' de AlphaGo demostró una combinación única de intuición y cálculo. A diferencia de Deep Blue, que dependía del cálculo por fuerza bruta, AlphaGo utilizó una red de políticas para generar corazonadas y una maquinaria de búsqueda separada para ponderar las consecuencias futuras. Esta arquitectura imitó el pensamiento Sistema 1 y Sistema 2 humano, permitiendo que la IA evaluara miles de estados futuros del juego antes de seleccionar un movimiento creativo.

Los modelos de lenguaje grandes de hoy operan de manera diferente. Predicen el siguiente token de forma iterativa, confiando principalmente en la finalización rápida y asociativa de patrones. Aunque técnicas como el razonamiento en cadena de pensamiento fomentan pasos intermedios, no crean un motor de razonamiento distinto. La salida intermedia sigue siendo generada por el mismo proceso de predicción del siguiente token, lo que significa que la IA moderna carece de la maquinaria deliberativa genuina que impulsó el éxito de AlphaGo. Para lograr insights confiables y novedosos en ciencia y medicina, los sistemas futuros deben integrar un proceso de razonamiento deliberado separado, en lugar de depender únicamente de la finalización de patrones.

Dix ans après le match historique d'AlphaGo contre Lee Sedol, un fossé critique demeure entre les capacités de l'IA passée et actuelle. En 2016, le célèbre 'Coup 37' d'AlphaGo a démontré un mélange unique d'intuition et de calcul. Contrairement à Deep Blue, qui s'appuyait sur le calcul par force brute, AlphaGo utilisait un réseau de politiques pour générer des pressentiments et une machinerie de recherche distincte pour peser les conséquences futures. Cette architecture imitait la pensée humaine Système 1 et Système 2, permettant à l'IA d'évaluer des milliers d'états futurs de jeu avant de sélectionner un mouvement créatif.

Les grands modèles de langage d'aujourd'hui fonctionnent autrement. Ils prédisent le prochain jeton de manière itérative, en s'appuyant principalement sur la complétion rapide et associative de motifs. Bien que des techniques comme l'invite chaîne de pensée encouragent des étapes intermédiaires, elles ne créent pas un moteur de raisonnement distinct. La sortie intermédiaire est toujours générée par le même processus de prédiction du prochain jeton, ce qui signifie que l'IA moderne manque de la machinerie délibérative authentique qui a alimenté le succès d'AlphaGo. Pour obtenir des insights fiables et novateurs en science et en médecine, les systèmes futurs doivent intégrer un processus de raisonnement délibéré séparé, plutôt que de se fier uniquement à la complétion de motifs.

दस साल बाद AlphaGo के ली सेडोल के साथ ऐतिहासिक मैच के बाद, अतीत और वर्तमान AI क्षमताओं के बीच एक महत्वपूर्ण अंतर बना हुआ है। 2016 में, AlphaGo का प्रसिद्ध 'मूव 37' ने intuición और गणना का एक अद्वितीय मिश्रण प्रदर्शित किया। Deep Blue के विपरीत, जो बल-बल गणना पर निर्भर था, AlphaGo ने hunches उत्पन्न करने के लिए एक नीति नेटवर्क का उपयोग किया और भविष्य के परिणामों को तौलने के लिए एक अलग खोज मशीनरी का उपयोग किया। इस आर्किटेक्चर ने मानव Sistema 1 और Sistema 2 सोच की नकल की, जिससे AI को एक रचनात्मक चाल चुनने से पहले हजारों भविष्य के खेल स्थितियों का मूल्यांकन करने की अनुमति मिली।

आज के बड़े भाषा मॉडल अलग तरह से काम करते हैं। वे अगले टोकन का पूर्वानुमान लगाने के लिए पुनरावृत्ति करते हैं, मुख्य रूप से तेज, संबंधात्मक पैटर्न पूर्णता पर निर्भर करते हैं। जबकि चेन-ऑफ-थॉट प्रॉम्प्टिंग जैसी तकनीकें मध्यवर्ती चरणों को प्रोत्साहित करती हैं, वे एक अलग तर्क इंजन नहीं बनाती हैं। मध्यवर्ती आउटपुट अभी भी उसी अगले टोकन पूर्वानुमान प्रक्रिया द्वारा उत्पन्न किया जाता है, जिसका अर्थ है कि आधुनिक AI में AlphaGo की सफलता को चलाने वाली वास्तविक विचारशील मशीनरी की कमी है। विज्ञान और चिकित्सा में विश्वसनीय, novel अंतर्दृष्टि प्राप्त करने के लिए, भविष्य की प्रणालियों को केवल पैटर्न पूर्णता पर निर्भर रहने के बजाय, एक अलग, deliberate तर्क प्रक्रिया को एकीकृत करना चाहिए।

Sepuluh tahun setelah pertandingan historis AlphaGo melawan Lee Sedol, masih terdapat celah kritis antara kemampuan AI masa lalu dan kini. Pada tahun 2016, gerakan terkenal 'Gerakan 37' AlphaGo menunjukkan kombinasi unik antara intuisi dan perhitungan. Berbeda dengan Deep Blue yang bergantung pada perhitungan paksa, AlphaGo menggunakan jaringan kebijakan untuk menghasilkan corokan dan mesin pencarian terpisah untuk menimbang konsekuensi masa depan. Arsitektur ini meniru pemikiran manusia Sistem 1 dan Sistem 2, memungkinkan AI untuk mengevaluasi ribuan kondisi permainan masa depan sebelum memilih gerakan kreatif.

Model bahasa besar saat ini beroperasi dengan cara yang berbeda. Mereka memprediksi token berikutnya secara berulang, terutama mengandalkan penyelesaian pola yang cepat dan asosiatif. Meskipun teknik seperti pemanggutan rantai pikiran mendorong langkah-langkah tengah, mereka tidak menciptakan mesin penalaran yang terpisah. Output tengah masih dihasilkan oleh proses prediksi token berikutnya yang sama, yang berarti AI modern tidak memiliki mesin penalaran deliberatif sejati yang mendukung keberhasilan AlphaGo. Untuk mencapai wawasan yang dapat dipercaya dan baru dalam sains dan kedokteran, sistem masa depan harus mengintegrasikan proses penalaran deliberatif yang terpisah, bukan hanya bergantung pada penyelesaian pola.

AlphaGoが李世ドルと歴史的な試合をしてから10年経ちますが、過去と現在のAI能力には依然として重要なギャップがあります。2016年、AlphaGoの有名な『手37』は直感と計算の独特な組み合わせを示しました。Deep Blueが brute-force 計算に依存していたのに対し、AlphaGoはポリシーネットワークで直感を生成し、別の探索機構で将来の結果を評価しました。このアーキテクチャは人間のシステム1とシステム2の思考を模倣し、AIが創造的な手を選択する前に数千の将来のゲーム状態を評価することを可能にしました。

今日、大規模言語モデルは異なる方法で動作します。彼らは次のトークンを反復的に予測し、主に高速な関連的パターン補完に依存しています。チェーン・オブ・シンサプリングなどの技術は中間ステップを促進しますが、それらは別の推論エンジンを作り出しません。中間出力はまだ同じ次のトークン予測プロセスによって生成されており、これは現代のAIがAlphaGoの成功を支えた真の熟慮的機構を欠いていることを意味します。科学と医学で信頼できる新しい洞察を得るためには、将来のシステムはパターン補完にのみ依存するのではなく、別個の熟慮的推論プロセスを統合する必要があります。

Dez anos após a histórica partida do AlphaGo contra Lee Sedol, permanece uma lacuna crítica entre as capacidades de IA do passado e do presente. Em 2016, o famoso 'Movimento 37' do AlphaGo demonstrou uma combinação única de intuição e cálculo. Ao contrário do Deep Blue, que dependia do cálculo por força bruta, o AlphaGo utilizou uma rede de políticas para gerar pressentimentos e uma maquinaria de busca separada para ponderar as consequências futuras. Esta arquitetura imitava o pensamento humano Sistema 1 e Sistema 2, permitindo que a IA avaliasse milhares de estados futuros do jogo antes de selecionar um movimento criativo.

Os grandes modelos de linguagem de hoje operam de forma diferente. Eles preveem o próximo token de forma iterativa, confiando principalmente na conclusão rápida e associativa de padrões. Embora técnicas como o encadeamento de pensamento incentivem etapas intermediárias, elas não criam um motor de raciocínio distinto. A saída intermediária ainda é gerada pelo mesmo processo de previsão do próximo token, o que significa que a IA moderna carece da maquinaria deliberativa genuína que impulsionou o sucesso do AlphaGo. Para alcançar insights confiáveis e novos em ciência e medicina, os sistemas futuros devem integrar um processo de raciocínio deliberado separado, em vez de depender exclusivamente da conclusão de padrões.

Десять лет после исторического матча AlphaGo против Ли Седола остается критический разрыв между возможностями прошлого и настоящего ИИ. В 2016 году знаменитый 'Ход 37' AlphaGo продемонстрировал уникальное сочетание интуиции и вычислений. В отличие от Deep Blue, который полагался на грубую вычислительную силу, AlphaGo использовал политику сети для генерации интуитивных догадок и отдельный поисковый механизм для взвешивания будущих последствий. Эта архитектура имитировала мышление человека Система 1 и Система 2, позволяя ИИ оценивать тысячи будущих состояний игры перед выбором творческого хода.

Сегодня большие языковые модели работают иначе. Они предсказывают следующий токен итеративно, полагаясь в основном на быстрое ассоциативное завершение шаблонов. Хотя техники типа цепочки мыслей поощряют промежуточные шаги, они не создают отдельный механизм рассуждения. Промежуточный вывод все еще генерируется тем же процессом предсказания следующего токена, что означает, что современный ИИ лишен подлинной размыслительной машины, которая обеспечила успех AlphaGo. Чтобы достичь надежных и новых инсайтов в науке и медицине, будущие системы должны интегрировать отдельный, deliberate процесс рассуждения, а не полагаться исключительно на завершение шаблонов.

Ten years after AlphaGo's historic match against Lee Sedol, a critical gap remains between past and present AI capabilities. In 2016, AlphaGo's famous 'Move 37' demonstrated a unique blend of intuition and calculation. Unlike Deep Blue, which relied on brute-force computation, AlphaGo used a policy network to generate hunches and a separate search machinery to weigh future consequences. This architecture mimicked human System 1 and System 2 thinking, allowing the AI to evaluate thousands of future game states before selecting a creative move.

Today's large language models operate differently. They predict the next token iteratively, relying primarily on fast, associative pattern completion. While techniques like chain-of-thought prompting encourage intermediate steps, they do not create a distinct reasoning engine. The intermediate output is still generated by the same next-token prediction process, meaning modern AI lacks the genuine deliberative machinery that powered AlphaGo's success. To achieve trustworthy, novel insights in science and medicine, future systems must integrate a separate, deliberate reasoning process rather than relying solely on pattern completion.