سایت علمی تی‌ان به نقل از پژوهشگران پزشکی شاریته برلین (Charité Universitätsmedizin) نوشته است افراد باهوش ممکن است به زمان بیشتری برای حل مشکلاتِ دشوار نیاز داشته باشند و البته صرف زمان بیشتر منجر به تصمیم‌گیری دقیق‌تر نیز خواهد شد. این سایت نوشته است که پژوهشگران دانشگاه پزشکی شاریته برلین به همراه همکاران شان از بارسلونا، به این نتیجه‌ی شگفت‌انگیز دست یافته‌اند که شرکت‌کنندگانی که ضریب هوشی بالاتری دارند، تنها در انجام کارهای ساده سریع‌تر عمل می‌کنند، در حالی که برای حل مسایل دشوار نسبت به افرادی با IQ پایین‌تر، زمان بیشتری لازم داشتند. در شبیه‌سازی‌های شخصی‌سازی شده از مغز ۶۵۰ شرکت‌کننده، پژوهشگران توانستند مشخص کنند که مغزهایی که انطباق کمتری بین نواحی آن‌ها وجود دارد، هنگام تصمیم‌گیری به‌جای این‌که منتظر بمانند تا مناطق بالادست مراحل پردازش مورد نیاز برای حل مشکل را تکمیل کنند، سریع به مرحله نتیجه‌گیری می‌روند. در واقع، مدل‌های مغزی شرکت‌کنندگانی که ضریب بالاتر هوش را داشتند به زمان بیشتری برای حل وظایف چالش‌برانگیز نیاز داشتند در حالی که خطای آن‌ها کمتر بود. این سایت تاکید کرده است که اکنون دانشمندان یافته‌های خود را در مجله‌ «Nature Communications» منتشر کرده‌اند. براساس معلومات‌های ارائه شده، حدود ۱۰۰ میلیارد نورون در مغز انسان وجود دارد. هر یک از آن‌ها به حدود ۱۰۰۰ نورون همسایه یا دور متصل است. این شبکه‌ غیرقابل درک، کلید توانایی‌های شگفت‌انگیز مغز است و البته چیزی است که درک نحوه‌ی عملکرد مغز را بسیار دشوار می‌کند. پروفسور پترا ریتر (Petra Ritter)، رییس بخش شبیه‌سازی مغز و بخش عصب‌شناسی تجربی شاریته برلین، مغز انسان را با استفاده از کامپیوتر شبیه‌سازی می‌کند. وی می‌گوید: «ما می‌خواهیم بفهمیم فرآیندهای تصمیم‌گیری مغز چگونه کار می‌کند و چرا افراد مختلف تصمیم‌های متفاوتی می‌گیرند.» پروژهشگران برای شبیه‌سازی مکانیسم‌های مغز انسان، از داده‌های دیجیتالی اسکن‌های مغزی مانند تصویربرداری تشدید مغناطیسی (MRI) و همچنین مدل‌های ریاضی مبتنی بر دانش نظری در مورد فرآیندهای بیولوژیکی استفاده کردند. این کارها در ابتدا منجر به ایجاد یک مدل «عمومی» از مغز انسان می‌شود. سپس دانشمندان این مدل را با استفاده از داده‌های مربوط به افراد اصلاح می‌کنند و در نتیجه «مدل‌های مغزی شخصی سازی ‌شده» ایجاد می‌کنند. سایت علمی تی‌ان نوشته است که برای این مطالعه، دانشمندان از داده‌های مربوط به ۶۵۰ شرکت‌کننده که در پروژه‌ی Human Connectome حضور داشتند، استفاده کردند. این پروژه توسط ایالات متحده از ماه سپتامبر ۲۰۱۰ آغاز شده و در حال مطالعه‌ اتصالات عصبی در مغز انسان بوده است. آقای ریتر توضیح می‌دهد: این تعادل مناسب بین برانگیختی و مهار نورون‌ها است که بر تصمیم‌گیری اثر می‌گذارد و کم و بیش فرد را قادر می‌سازد تا مشکلات را حل کند. وی گفته است: «ما می‌توانیم فعالیت‌های مغز افراد را به طور بسیار مؤثری بازتولید کنیم. ما در این فرآیند متوجه شدیم که این مغزها رفتار متفاوتی با یکدیگر دارند که مشابه همتایان بیولوژیکی آن‌ها است. آواتارهای مجازی ما با عملکرد فکری و زمان واکنش آنالوگ‌های بیولوژیکی آن‌ها مطابقت دارند.» او تاکید کرد، جالب توجه است که مغزهای «کُندتر» هم در انسان‌ها و هم در مدل‌ها هماهنگ‌تر بودند. این هماهنگی به مدارهای عصبی در لوب پیشانی اجازه می‌دهد تا تصمیم‌گیری را برای مدت طولانی‌تری نسبت به مغزهایی که هماهنگی کمتری داشتند به تعویق بیاندازد. مدل‌ها نشان دادند که چگونه هماهنگی کمتر منجر به این می‌شود که اطلاعات مورد نیاز برای تصمیم‌گیری در صورت نیاز موجود نباشد و در حافظه کاری ذخیره نشود. در ادامه آمده است که از شرکت‌کنندگان خواسته شد تا قوانین منطقی را در مجموعه‌ای از الگوها شناسایی کنند. این قوانین هر بار پیچیده‌تر می‌شدند و بنابراین رمزگشایی آن‌ها دشوارتر می‌شد. در این مدل، رقابت بین گروه‌های عصبی مختلف درگیر در تصمیم‌گیری رخ داد.  در مورد تصمیمات پیچیده، شواهد اغلب برای تصمیم‌گیری سریع به اندازه کافی واضح نیستند و این گروه‌های عصبی را مجبور می‌کند سریع به نتیجه برسند. این سایت علمی گفته است که همگام‌سازی به معنای تشکیل شبکه‌های عملکردی در مغز ویژگی‌های حافظه فعال و در نتیجه توانایی «تحمل» دوره‌های طولانی‌مدت بدون تصمیم‌گیری را تغییر می‌دهد. در کارهای چالش برانگیزتر، شما باید پیشرفت‌های قبلی را در حافظه کاری ذخیره کنید، در حالی که سایر مسیرهای راه حل را کاوش می‌کنید و سپس آن‌ها را با یکدیگر ادغام می‌کنید.

به رغم روی آوردن بسیاری از شرکت‌های هوش مصنوعی به ارائه مدل‌های هوش مصنوعی استدلالی، بسیاری از افراد آن را به عنوان بهترین گزینه برای پیشرفت این حوزه قبول ندارند. پس از انتشار مدل «o1» شرکت «اوپن‌ای‌آی»(OpenAI) معروف به «مدل استدلالی»، جهان با انفجار مدل‌های استدلالی از آزمایشگاه‌های هوش مصنوعی رقیب روبرو شده است. به نقل از تک کرانچ، شرکت هوش مصنوعی «دیپ‌سیک»(DeepSeek) در اوایل ماه نوامبر یک پیش‌نمایش را از اولین الگوریتم استدلالی خود موسوم به «DeepSeek-R۱» منتشر کرد. در همان ماه، گروه «کوئن»(Qwen) زیرمجموعه «علی‌بابا»(Alibaba) از مدلی رونمایی کرد که به ادعای آن، اولین رقیب باز o1 است. فشار رقابتی شدیدی بر شرکت‌های هوش مصنوعی برای حفظ سرعت کنونی نوآوری وجود دارد. براساس یک برآورد، ارزش بازار جهانی هوش مصنوعی در سال ۲۰۲۳ به ۱۹۶.۶۳ میلیارد دلار رسید و تا سال ۲۰۳۰ می‌تواند به ۱.۸۱ تریلیون دلار برسد. به عنوان مثال، اوپن‌ای‌آی ادعا کرده است که مدل‌های هوش مصنوعی استدلالی می‌توانند مشکلات سخت‌تری را نسبت به مدل‌های پیشین حل کنند و نشان‌دهنده یک تغییر در توسعه هوش مصنوعی مولد هستند. با وجود این، همه متقاعد نشده‌اند که مدل‌های استدلالی بهترین مسیر رو به جلو هستند. «آمیت تالوالکار»(Ameet Talwalkar) دانشیار یادگیری ماشینی در «دانشگاه کارنگی ملون»(CMU) عقیده دارد که محصول اولیه مدل‌های استدلالی بسیار چشمگیر است. با وجود این، او انگیزه‌های هر کسی را که با اطمینان ادعا می‌کند می‌داند مدل‌های استدلالی صنعت را به کجا می‌رسانند، زیر سوال می‌برد. تالوالکار گفت: شرکت‌های هوش مصنوعی، مشوق‌های مالی را برای ارائه پیش‌بینی‌های درخشان درباره قابلیت‌های نسخه‌های آینده فناوری خود دارند. ما خطر تمرکز نزدیک‌بینانه را روی یک الگوی واحد داریم. به همین دلیل است که برای جامعه تحقیقاتی گسترده‌تر هوش مصنوعی بسیار مهم است که کورکورانه به تبلیغات و تلاش‌های بازاریابی این شرکت‌ها باور نداشته باشند و در عوض روی نتایج ملموس تمرکز کنند. دو جنبه منفی مدل‌های استدلالی این است که پرهزینه و قدرت‌طلب هستند. «گای ون دن بروک»(Guy Van Den Broeck) استاد علوم رایانه «دانشگاه کالیفرنیا لس‌آنجلس»(UCLA) گفت: هزینه کلی استدلال مدل زبانی بزرگ مطمئنا کاهش نمی‌یابد. یکی از دلایل بالا بودن هزینه مدل‌های استدلالی این است که برای اجرا به منابع محاسباتی زیادی نیاز دارند. برخلاف بیشتر مدل‌های هوش مصنوعی، o1 و سایر مدل‌های استدلالی سعی می‌کنند کار خود را هنگام انجام دادن آن مورد بررسی قرار دهند. این ویژگی به آنها کمک می‌کند تا از برخی مشکلاتی که معمولا مدل‌ها را به خطر می‌اندازند، دور بمانند و جنبه منفی این است که اغلب برای رسیدن به راه‌حل‌ها به زمان بیشتری نیاز دارند. اوپن‌ای‌آی، مدل‌های استدلالی آینده را به تصویر می‌کشد که ساعت‌ها، روزها یا حتی هفته‌ها به صورت متوالی فکر می‌کنند. این شرکت اذعان می‌کند که هزینه‌های استفاده بیشتر خواهند بود اما بازدهی مدل‌ها ممکن است ارزش این زمان را داشته باشد. ارزش پیشنهادی مدل‌های استدلالی امروزی به اندازه کافی آشکار نیست. «کوستا هوانگ»(Costa Huang) پژوهشگر و مهندس یادگیری ماشینی در سازمان غیرانتفاعی «Ai2» خاطرنشان کردکه o1 یک ماشین حساب قابل اعتماد نیست و جستجوهای گذرا در رسانه‌های اجتماعی، تعدادی از خطاهای حالت o1 pro را نشان می‌دهند. هوانگ گفت: این مدل‌های استدلالی، تخصصی هستند و ممکن است در حوزه‌های عمومی ضعیف عمل کنند. برخی محدودیت‌ها زودتر از سایر محدودیت‌ها برطرف می‌شوند. ون دن بروک ادعا کرد که مدل‌های استدلالی، استدلال واقعی را انجام نمی‌دهند و به همین دلیل فقط می‌توانند وظایف محدودی را با موفقیت انجام دهند. وی افزود: استدلال واقعی روی همه مشکلات کار می‌کند؛ نه فقط مشکلاتی که احتمالا در داده‌های آموزشی مدل وجود دارند. این چالش اصلی است که هنوز باید بر آن غلبه کرد. با توجه به انگیزه قوی بازار برای تقویت مدل‌های استدلالی، این یک شرط قطعی است که مدل‌ها با گذشت زمان بهتر شوند. از این گذشته، تنها شرکت‌های اوپن‌ای‌آی، دیپ‌سیک و علی‌بابا نیستند که در این حوزه جدید تحقیقات هوش مصنوعی سرمایه‌گذاری می‌کنند. بنیان‌گذاران صنایع نیز برای آینده‌ای گام برمی‌دارند که تحت سلطه استدلال هوش مصنوعی است. با وجود این، تالوالکار نگران است که آزمایشگاه‌های بزرگ از این پیشرفت‌ها محافظت کنند. وی افزود: قابل درک است که آزمایشگاه‌های بزرگ، دلایل رقابتی را برای مخفی ماندن دارند اما این عدم شفافیت به شدت مانع توانایی جامعه پژوهشی برای تعامل با این ایده‌ها می‌شود. من انتظار دارم با کار کردن افراد بیشتری در این حوزه، مدل‌های استدلالی به سرعت پیشرفت کنند. اگرچه برخی از ایده‌ها از دانشگاه می‌آیند اما با توجه به انگیزه‌های مالی انتظار می‌رود که بیشتر مدل‌ها توسط آزمایشگاه‌های صنعتی بزرگ مانند اوپن‌ای‌آی ارائه شوند.