Kineski DeepSeek predstavio je novu verziju svog otvorenog matematičkog modela, koji je ostvario rezultat blizak savršenom na jednom od najtežih univerzitetskih takmičenja na svijetu.

Putnam rezultat koji pomjera granice AI-a

DeepSeek-Math-V2 postigao je 118 od mogućih 120 poena na američkom Putnam takmičenju, nadmašivši čak i jednog aktuelnog osvajača zlatne medalje sa Međunarodne matematičke olimpijade. Model koristi dvojni sistem: jedan AI generiše više rješenja, dok drugi provjerava logičku ispravnost dokaza jer, kako tim ističe, „tačan odgovor ne garantuje tačno rezonovanje“.

Šta donosi nova verzija?

DeepSeekova arhitektura kombinuje generator i verifikator dokaza. Model prvo priprema više nezavisnih matematičkih rješenja, a zatim ih verifikator rangira po logičkoj koherentnosti. Ovaj pristup značajno smanjuje šanse za takozvane „halucinacije“ u kompleksnim matematičkim zadacima.

Težine modela objavljene su pod licencom Apache 2.0, što znači da ih bilo ko može preuzeti i koristiti uz uslov da posjeduje dovoljno memorije i GPU resursa.

Gdje su granice?

Iako su rezultati impresivni, tim priznaje da dio Putnam zadataka može biti prisutan u trening podacima, pa kombinacija razumijevanja i memorisanih obrazaca nije isključena. Ipak, i OpenAI i DeepMind postigli su slične rezultate na sličnim izazovima, ali u zatvorenim okruženjima, dok DeepSeek nudi javno dostupan model s gotovo identičnim performansama.

Zašto je ovo važno za Balkan?

Otvoren pristup pod Apache licencom znači da akademske institucije, istraživački centri i startupi u regionu mogu eksperimentisati s potpuno transparentnim matematičkim modelom. Međutim, hardverski zahtjevi naročito ako se žele pokrenuti i „genije“ i „eksaminator“ ostaju prepreka za većinu manjih organizacija.

Šta slijedi?

Ovakvi samoverifikujući AI sistemi mogli bi smanjiti broj kritičnih grešaka u finansijama, inženjeringu, farmaciji i istraživanju. U narednim mjesecima biće ključno vidjeti ko zaista ima resurse da ovakve alate koristi na skali.