Baggrunden: Hvorfor HRM vækker opsigt

I takt med at store sprogmodeller (LLMs) har sat standarden for AI, er deres begrænsninger tydelige, især på komplekse ræsonnementopgaver. Chain-of-thought (CoT)-teknikken, hvor modellen “tænker højt” i flere trin, har forbedret præcisionen, men kræver store datamængder og giver ofte langsomme, omkostningstunge svar. Sapient Intelligence har derfor hentet inspiration fra hjernen og designet HRM, der arbejder i flere niveauer – ligesom hjernens skift mellem hurtig, intuitiv handling og langsom, strategisk planlægning.

Sådan virker HRM: Hjerneinspireret lagdeling

HRM består af to specialiserede moduler: et strategisk (langsommere) og et eksekverende (hurtigere). Det hurtige modul løser delopgaver gentagne gange, mens det langsomme sætter retningen og tilpasser strategien. Denne dynamik minder om, hvordan hjernen arbejder med både overblik og detaljefokus. I stedet for at generere tekst for hvert tanke-trin arbejder HRM i et såkaldt “latent space” – altså interne, abstrakte repræsentationer, hvor processen ikke hele tiden skal oversættes til tekst. Det giver både mere effektiv og hurtigere bearbejdning, når opgaven egner sig til denne tilgang.

For læsere uden AI-baggrund: Et “latent space” er et slags indre arbejdsområde, hvor AI-modellen bearbejder information uden at formulere hvert trin på et sprog, vi kan læse. Det kan sammenlignes med, hvordan man sommetider løser en sudoku i hovedet uden at forklare hvert eneste valg.

Testresultater: Hvor HRM imponerer

På klassiske matematiske og logiske benchmarks som “Sudoku-Extreme” og “Maze-Hard” leverer HRM op til 100 gange hurtigere svar end selv avancerede LLMs – og det vel at mærke efter kun 1.000 træningseksempler. På det krævende ARC-AGI benchmark opnår en 27 millioner parameter HRM 40,3% korrekt – foran både o3-mini-high (34,5%) og Claude 3.7 Sonnet (21,2%), som er langt større modeller.¹

Det skal dog understreges, at disse resultater kun gælder for de konkrete testopgaver. Der er endnu ingen dokumentation for, at HRM kan overføre denne fordel til sprog- eller kreative opgaver, hvor LLMs stadig er overlegne. VentureBeat og Sapient Intelligences eget whitepaper er hovedkilder til resultaterne.^1,2

Begrænsninger: Kun på benchmarks – ikke bevis for generel overlegenhed

Selvom resultaterne er lovende, har HRM kun vist sin styrke på afgrænsede benchmarks i kontrollerede tests. Der er endnu ikke peer-reviewede studier eller uafhængige virksomhedscases, der dokumenterer HRMs performance i virkelige forretningsmiljøer. Det betyder, at effekten i praksis stadig er usikker, og Sapient selv anerkender behovet for mere validering.¹

Der er også risiko for overfitting, når modeller trænes på meget små datasæt – altså at modellen lærer benchmarks uden at kunne generalisere til nye typer opgaver. Det er værd at holde for øje for danske virksomheder, der overvejer at eksperimentere med HRM-inspirerede løsninger.

Tekniske gevinster og forklaringer

En af HRMs store fordele er lavt ressourceforbrug: Sudoku på “master”-niveau kan trænes på ca. 2 GPU-timer, og ARC-AGI på 50-200 timer. Til sammenligning kræver store foundation models som GPT-4 tusindvis af GPU-timer. Dermed kan HRM potentielt gøre avanceret ræsonnement tilgængeligt selv for mindre virksomheder eller på såkaldte edge-enheder – altså lokale apparater, der arbejder uden konstant forbindelse til store datacentre.

“Edge AI” betyder, at AI-funktionaliteten ligger ude i fx IoT-enheder eller mobile enheder, hvor både svartid og strømforbrug er kritisk. HRMs effektivitet og beskedne datakrav kan derfor åbne for AI-automatisering i helt nye sammenhænge.

Tolkning og transparens: Kan HRM forklares?

Nogle AI-modeller er berygtede for at være “black boxes” – uigennemskuelige for brugeren. Sapient argumenterer for, at HRMs interne processer kan visualiseres og tolkes på linje med CoT. Dog bør det understreges, at transparens stadig er et forskningsområde, og at det ikke automatisk følger af den nye arkitektur. Sapients CEO, Guan Wang, påpeger, at CoT kan give en falsk illusion af gennemsigtighed, fordi modellen nogle gange finder rigtige svar med forkerte tanke-trin.¹

Relevans for danske virksomheder: Muligheder og barrierer

Virksomheder i Danmark, hvor datamængden er begrænset og latency (svartid) kritisk, kan teoretisk have fordel af HRM-inspireret AI. Det gælder f.eks. logistikoptimering, fejlfinding i tekniske systemer, avanceret planlægning eller automatiseret rapportering, især hvor klassiske LLMs bliver for dyre eller langsomme.

Der findes dog endnu ingen cases, hvor HRM er testet i dansk erhvervsliv eller uden for benchmarks. Barrieren er især manglende dokumenteret erfaring med implementering i produktion, risiko for, at modellen ikke kan håndtere komplekse, åbne problemstillinger eller at integrationen med eksisterende systemer bliver vanskelig.

Snillds vurdering: Hvordan kan vi hjælpe?

Vi i Snilld ser et potentiale for at bruge HRM-principper på snævre, klart definerede opgaver – fx i proof-of-concept-projekter, hvor hurtig og præcis beslutningstagning er altafgørende, men hvor man ikke ønsker at investere i enorme datamængder eller dyre API-tjenester.

• Vi kan bistå med at identificere processer, hvor HRM-lignende arkitektur giver mening, og rådgive om integration, pilotafprøvning og valg af rette anvendelser.
• Eksempler kunne være automatiseret fejlfinding i maskiner, intelligente logistiksystemer eller edge AI i produktionsmiljøer, hvor strømforbrug og latens er kritisk.

Vi anbefaler dog en balanceret tilgang: Start med små, afgrænsede pilotprojekter og følg forskningen tæt, før man ruller løsningen bredt ud.

Hvad gør konkurrenterne?

Andre AI-udbydere vil fremhæve, at LLMs stadig er overlegne på sproglige, kreative og åbne opgaver, hvor der ikke findes en entydig løsning. HRM har indtil nu kun vist sin styrke, hvor opgaven kan nedbrydes i klare deltrin og kræver deterministisk ræsonnement. Tendensen peger dog mod mere specialiserede og “brain-inspired” modeller til nicheopgaver – især hvor ressourcerne er små.

Hvad betyder det for dig som læser?

Du får indblik i, hvorfor HRM vækker opsigt, men også hvorfor danske virksomheder bør være nøgterne: Modellen er på ingen måde en universalløsning, men kan inspirere til smartere, mere målrettede AI-løsninger på udvalgte områder. Før du investerer i HRM-lignende systemer, bør du afveje både potentialet og de konkrete barrierer – og holde øje med, hvordan teknologien klarer sig i reelle driftssituationer.

Kilder:

• https://venturebeat.com/ai/new-ai-architecture-delivers-100x-faster-reasoning-than-llms-with-just-1000-training-examples/
• https://www.sapient.inc/
• https://arxiv.org/html/2506.21734v1
• https://www.morganstanley.com/insights/articles/ai-trends-reasoning-frontier-models-2025-tmt
• https://pubmed.ncbi.nlm.nih.gov/39047282/

Målgruppens mening om artiklen

Henrik Larsen, CEO i en teknologivirksomhed:

Jeg vil give denne artikel en score på 70 ud af 100. Artiklen er interessant, fordi den præsenterer en spændende ny udvikling inden for AI, specielt med HRMs potentiale til at overgå eksisterende LLMs på specifikke opgaver. Dog ser jeg det som en begrænsning, at modellen ikke er blevet testet udover benchmarks, hvilket giver mig en vis skepsis overfor dens reelle implementeringsmuligheder i vores sektor.

Mette Sørensen, Digitaliseringsekspert:

Jeg synes, at artiklen fortjener 65. Mens HRM kan være lovende for mindre virksomheder, der ikke har de samme ressourcer som store konkurrenter, er begrænsningerne tydelige, især uden peer-reviewede studier eller tests i realistiske arbejdsmiljøer. Det gør teknologien til et usikkert valg for det offentlige.

Jens Rasmussen, Innovationschef i en mellemstor virksomhed:

Jeg vurderer artiklen til 75. Potentialet for HRM-modellen til at operere med lavere ressourceforbrug er spændende. Desværre er der ikke nok dokumentation udenfor benchmarkscenarierne, hvilket kunne have styrket overvejelserne om en sådan integration her i virksomheden.

Maria Hansen, IT-projektleder:

Artiklen får 60 fra mig. Den bidrager med god indsigt i HRMs opbygning og potentialet for hurtigere databehandling. Dog mangler jeg virkelig eksempler på succesfuld implementering i virkelige scenarier, før jeg kunne gå ind for en test i min virksomhed.

Poul Erik Nielsen, Teknologikonsulent:

Jeg giver artiklen en score på 68. HRM’s præstationer på testopgaver er imponerende, men jeg tvivler på dens evne til at konkurrere med etablerede LLMs i bredere, praktiske aspekter. Det ville være en risikofyldt investering på nuværende tidspunkt med så lidt validering.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Fluxx Schnell fra Black Forest Labs.