类脑模型诞生通向AGI新路径
“当前的LLM架构不能通向 AGI”，这是Yann LeCun等大佬的立场。而现在，一款模仿人类大脑的模型诞生了！
层级推理模型（HRM，Hierarchical Reasoning Model），它是一种受大脑启发的新架构，完全不同于Transformer路径。
它在任务执行时，表现出了“人类感”：
- 迷宫任务：像人在探索路径，先试探后修正
- 数独任务：尝试→回退→再尝试，像深度优先搜索
- ARC任务：逐步调整，逐步接近目标，像爬山算法
这种推理方式，近乎人类策略。
背后机制是，HRM模仿了人脑的分层处理方式，其架构分为两个模块：
- 高层模块：慢速、负责抽象思考，相当于人脑的前额叶。
- 低层模块：快速、处理细节操作，类似感觉或运动皮层
模块之间采用“交错更新”，就像大脑中不同频率的脑波（Theta-Gamma耦合）那样协同推理。
其次，HRM的推理过程并不依赖语言，也没有外显的“思维链条”。
它不生成语言步骤、不靠“推理提示”，直接在隐藏状态空间中思考。
更特别的是，它训练方式也很“类脑”。
传统RNN需要复杂的“反向传播时间”（BPTT）来训练。HRM用一种“一步梯度近似”方法，只追踪最近的状态变化，训练更稳定，符合神经科学中的“局部学习”。
为了进一步接近人类推理方式，HRM还引入了“可变计算时间”（ACT）机制。通过强化学习，它能自主判断任务是否完成——简单任务自动提前终止，难题则动态延长计算时间，实现效率与准确率的平衡。
训练完成后，HRM的两个模块也展现出大脑式的功能分化。研究发现，高层模块在维度参与度上明显高于低层模块，表现出抽象处理区域的典型特征，这与神经科学中的分层结构高度吻合。
在多个高难度任务中，HRM的表现惊人：
- 在ARC-AGI基准上达到40.3%的正确率，远高于Claude 3.7的21.2%；
- 在Sudoku Extreme和迷宫导航任务上拿下74.5%的准确率，而其他大模型得分接近于零，甚至完全失败。
网友评论道：这可能就是通往通用人工智能（AGI）的新路径。
感兴趣的小伙伴可以阅读论文：arxiv.org/pdf/2506.21734
