انقلاب سامسونگ در هوش مصنوعی: مدل ۷ میلیونی TRM، غول‌های میلیارد پارامتری را شکست داد!

بخش دوربین سامسونگ ممکن است درحال‌حاضر خالی از نوآوری معنادار باشد، اما همین را نمی‌توان درمورد تلاش‌های این شرکت در زمینه هوش مصنوعی گفت؛ موضوعی که به‌خوبی در جدیدترین مدل هوش مصنوعی این برند تجلی یافته است؛ مدلی که به‌تازگی برخی از مدل‌های زبان بزرگ (LLM) را که تا ۱۰,۰۰۰ برابر بزرگ‌تر هستند، شکست داده است!

خلاصه و نکات کلیدی

• 🔹 سامسونگ از یک مدل هوش مصنوعی جدید و فوق‌العاده کوچک به نام TRM با تنها ۷ میلیون پارامتر رونمایی کرده است.
• 🔹 این مدل از یک معماری «بازگشتی» استفاده می‌کند که با تحلیل خروجی خود، به استدلال تکرارشونده و بهبود مستمر دست می‌یابد.
• 🔹 TRM در حل معماهای پیچیده مانند سودوکو، عملکردی بهتر یا برابر با غول‌هایی مانند Gemini 2.5 Pro داشته، درحالی‌که ۱۰,۰۰۰ برابر کارآمدتر است.
• 🔹 این موفقیت نشان می‌دهد که معماری‌های هوشمندانه می‌توانند جایگزین مقیاس‌پذیری عظیم شوند و راه را برای هوش مصنوعی ارزان‌تر و کم‌مصرف‌تر روی دستگاه‌ها باز کنند.

مدل بازگشتی کوچک (TRM) چیست و چگونه کار می‌کند؟

سامسونگ در مقاله‌ای با عنوان «کمتر، بیشتر است: استدلال بازگشتی با شبکه‌های کوچک» (Less is More: Recursive Reasoning with Tiny Networks paper explained)، جزئیات معماری بدیع مدل بازگشتی کوچک (Tiny Recursive Model یا TRM) خود را تشریح کرده است. این مدل به‌طور آشکاری کوچک است و تنها ۷ میلیون پارامتر دارد، در مقایسه با میلیاردها پارامتری که مدل‌های زبان بزرگ را تشکیل می‌دهند.

مدل هوش مصنوعی TRM سامسونگ

این مدل از یک معماری منحصربه‌فرد بهره می‌برد: با استفاده از خروجی خود برای مشخص کردن گام‌های بعدی‌اش، یک حلقه بازخورد خودبهبودگر ایجاد می‌کند. با هر چرخه بازگشتی، مدل قادر است پیش‌بینی‌ها یا نتایج به‌تدریج بهتری تولید کند. این رویکرد، که شبیه به فردی است که پیش‌نویس خود را بازخوانی کرده و با هر بار خواندن، اشتباهات را برطرف می‌کند، بسیار برتر از رویکرد مرسوم‌تر «زنجیره‌تفکر» (chain-of-thought) است که اغلب در صورت اشتباه در یک مرحله، کل استدلال آن فرو می‌پاشد.

نتایج بنچمارک: کوچک اما قدرتمند

سامسونگ دریافت که کاهش لایه‌های مدل اما افزایش تعداد بازگشت‌ها، درواقع عملکرد کلی TRM را بهبود می‌بخشد. این مدل در حل معماهای پیچیده به دقت‌های زیر دست یافت: ۸۷.۴ درصد در سودوکوی شدید، ۸۵ درصد در معماهای سخت Maze، تا ۴۵ درصد در ARC-AGI-1 و ۸ درصد در ARC-AGI-2. نکته مهم این است که TRM سامسونگ با وجود استفاده از کسر بسیار کوچکی از پارامترهای مدل‌های زبان بزرگ، عملکردی بهتر یا تقریباً برابر با برخی از بهترین‌های آن‌ها از جمله DeepSeek R1 ،Gemini 2.5 Pro گوگل و o3-mini از OpenAI دارد.

جدول نتایج دقت

اهمیت این دستاورد برای آینده هوش مصنوعی

این دستاورد برای شرکت‌های هوش مصنوعی یک پیام مهم دارد: آن‌ها باید اولویت دادن به معماری‌های هوشمندانه را بر مقیاس‌پذیری عظیم درنظر بگیرند. این رویکرد راه را برای هوش مصنوعی ارزان‌تر، سبزتر و قابل‌اجرا روی دستگاه‌های کوچک باز می‌کند.

البته باید توجه داشت که این مدل درحال‌حاضر متمرکز بر حل معما است و کاربردهای گسترده‌تر آن نیاز به توسعه بیشتری دارد. اما این یک شیوه تفکر شگفت‌انگیز و یک پیشرفت بزرگ برای آینده هوش مصنوعی محسوب می‌شود.

به‌نظر شما، آیا این موفقیت سامسونگ می‌تواند نقطه‌عطفی در توسعه هوش مصنوعی باشد و شرکت‌ها را به‌سمت ساخت مدل‌های کوچک‌تر و کارآمدتر به‌جای مدل‌های بزرگ‌تر و پرهزینه‌تر سوق دهد؟