Ang Turing Award winner na si Yang Likun at Fields Medal winner na si Freedman ay sabay na sumali, ang kauna-unahang energy model commercialization company sa mundo ay ipinanganak

Noong nakaraang taon, kamakailan lamang na umalis mula sa Meta ang Turing Awardee na si Yann LeCun. Hindi pa man lumilipas ang dalawang buwan mula nang ipahayag niyang itinatag niya ang sariling kumpanya ng world model na AMI Labs, muling lumitaw si LeCun sa publiko sa panibagong papel. Nitong Miyerkules, inilathala ng Silicon Valley startup na Logical Intelligence na si Yann LeCun ang itinalaga bilang Chairman ng Technical Research Committee. Kasabay nito, inilunsad ng anim na buwang gulang na kumpanyang ito ang flagship product nitong tinawag na Kona 1.0, na sinasabing unang Energy-Based Reasoning Model (EBRM) na pormal na inilalapat sa komersyo.

Larawan丨Kaugnay na Tweet (pinagmulan: X)

Tungkol sa kung kayang maabot ng malalaking language model (LLM) ang AGI, hindi kailanman tumigil ang mga pagdududa mula sa industriya. Kung ang sagot ay hindi, nasaan ang alternatibo? Ang sagot ng Logical Intelligence: energy models (EBM). Sa pananaw ng founder ng kumpanya na si Eve Bodnia, ang LLM ay sa esensya ay isang laro ng paghula ng salita. Bibigyan mo ito ng prompt, at huhulaan nito ang posibilidad ng susunod na salita, paulit-ulit hanggang makabuo ng tila makinis na sagot. Ang problema, may malalim na bangin sa pagitan ng “tila makinis” at “lohikal na tama.”

Sa panayam ng Financial Times, gumamit si Bodnia ng talinghaga: kahit turuan mo ang pusa na tumahol tulad ng aso, hindi pa rin ito magiging aso. Kayang magsulat ng LLM ng mga mukhang tamang mathematical proof o code, ngunit hindi nito tunay na nauunawaan ang reasoning chain sa likod ng mga simbolo. Kapag tumataas ang complexity ng task, o dumarami ang constraints, nagsisimula itong magkamali—at madalas, wala sa hulog ang mga pagkakamali nito.

Paulit-ulit ring ipinahayag ni Yann LeCun ang ganitong pananaw. Sa katunayan, sa mga nakaraang taon, palagi niyang idiniin na hindi kayang makamit ang tunay na human-level intelligence sa pamamagitan lamang ng pagpapalaki ng LLM. Sa isang podcast, prangkahan niyang sinabi na ang paniniwalang “palakihin lang ng palakihin ang model ay magdudulot ng superintelligence” ay “kalokohan” (ang orihinal niyang sinabi ay bullshit).

Ang pangunahing argumento ni Yann LeCun:Walang tunay na pag-unawa sa pisikal na mundo ang LLM; ginagawa lamang nila ang pattern matching sa text space, hindi katulad ng tao o hayop na natututo ng causal relationship sa pamamagitan ng aktwal na pakikipag-interact sa environment.Minsan pa nga niyang sinabi,mas marami pang common sense ang isang pusang bahay kaysa sa GPT-4.

Kaya naman, nang lumabas ang pangalan ni Yann LeCun sa anunsyo ng Logical Intelligence, malinaw na sumusuporta siya sa EBM model sa pamamagitan ng kanyang aksyon. Sinabi rin niya sa pahayag na matagal na niyang pinaniniwalaan na ang tunay na reasoning ay dapat ipahayag bilang optimization problem—na siyang pundasyon ng energy model, kung saan inference at reasoning ay ginagawa sa pamamagitan ng minimization ng energy function. Tinawag ni LeCun ang Logical Intelligence bilang “unang kumpanya na nagdala ng EBM-based reasoning mula research concept tungo sa produkto.”

Paano naman gumagana ang EBM? Bakit sinasabing kaya nitong punan ang kahinaan ng LLM?

Sa madaling salita, nag-a-assign ang EBM ng “energy” score sa bawat candidate state. Mas mababa ang energy, mas angkop ito sa constraints at goal; mas mataas, mas may problema. Ang ganitong scoring ay maaaring i-apply sa partially completed reasoning chain, at hindi kailangang hintayin ang final answer para malaman kung tama o mali. Katulad ito ng chess na maaari mong suriin ang bawat galaw, hindi lang kapag tapos na ang laro.

Ayon sa Logical Intelligence, nilulutas ng model nilang Kona ang tatlong pangunahing kakulangan ng LLM sa reasoning.Una, hindi autoregressive ang Kona.Ang LLM ay nagge-generate ng text word-by-word, kaya kapag may mali, kailangang ulitin ang malaking bahagi ng prefix—hindi efficient. Ang Kona ay kayang bumuo ng buong reasoning trajectory nang sabay, at mag-optimize agad batay sa constraints.

Ikalawa, gumagamit ang Kona ng global scoring sa halip na local scoring.Ang pre-training objective ng LLM ay para lang hulaan ang susunod na salita, walang kinalaman sa kabuuang correctness ng reasoning. Ang energy function na natutunan ng Kona ay kayang mag-evaluate ng quality ng reasoning trajectory end-to-end.

Ikatlo, nagre-reason ang Kona sa continuous latent space.Discrete token sequence ang output ng LLM, kaya mahirap mag-fine-tune ng local correction gamit ang gradient information. Ang output ng Kona ay dense vectors, kaya maaaring i-edit nang kontrolado gamit ang approximate gradients, paunti-unting pinapabuti ang consistency ng reasoning.

Kasabay nito, naglabas din ang Logical Intelligence ng agent orchestration layer na tinawag na Aleph, na espesyal na idinisenyo upang i-coordinate ang Kona, LLM, at iba pang tools. Pinagpares ng kumpanya ang Aleph sa GPT-5.2 ng OpenAI, at nakamit ang 99.4% accuracy sa PutnamBench.

Ang PutnamBench ay isang formal reasoning benchmark batay sa mga tanong mula sa Putnam Mathematics Competition, na binubuo ng 672 mahihirap na problema mula sa mahigit 50 taon ng kompetisyon. Kinakailangan ang bawat problema na magkaroon ng formal proof gamit ang mga wika tulad ng Lean at validated ng external compiler.

Batay sa public leaderboard, napunta sa tuktok ng benchmark na ito ang Logical Intelligence. Sa ulat ng kumpanya, awtomatikong natuklasan ng Aleph na may error sa formal description ng 15 problema at nagbigay ng rekomendasyon para itama ito—lahat ng rekomendasyon ay nakumpirma ng PutnamBench team.

Larawan丨Putnam Bench test results (pinagmulan: PutnamBench)

Gayunpaman, dapat bigyang-diin na ang Aleph ay batay mismo sa LLM (ginagamit nito ang GPT-5.2), at ang lakas nito ay nasa orchestration at coordination, hindi sa pagtalikod nang buo sa LLM. Ayon kay Bodnia, ang Aleph ay isang “internal tool” para subukin ang rigor ng mathematical environment ng kumpanya; ang tunay na core technology ng kumpanya ay ang Kona na EBRM. Sa isang interbyu noong Disyembre 2023, direkta niyang sinabi: Ang performance ng Aleph ay patunay ng matibay naming pundasyon, ngunit ito ay maliit na bahagi lamang ng kakayahan ng core model namin.

Ang Kona 1.0 ay opisyal na na-demo noong Enero 21, 2026, at ang unang ipinakitang kakayahan ay ang paglutas ng Sudoku. Sa live na comparison sa website ng kumpanya, nakipagsabayan ang Kona sa nangungunang LLM ng OpenAI, Google, Anthropic, at iba pa, at malinaw na nagpakita ng kalamangan sa bilis at energy consumption. Ayon sa kumpanya, magdadagdag pa sila ng chess at Go demonstrations upang mas madaling maunawaan ng publiko ang kaibahan ng “energy-based reasoning” at “probability-based guessing.”

Sa isang blog post na pinamagatang “Ang Sining ng Kognisyon,” isinulat ni Bodnia na nakaka-excite para sa marami ang LLM dahil mahusay itong sumagot ng personal na tanong at natural ang interaction, kaya madaling isipin ng tao na kaya rin nitong lutasin ang mas mahihirap na problema.

Pero kung iisipin, karamihan ng mga gawain natin araw-araw ay hindi purong language problems—mayroong nangangailangan ng spatial reasoning, lohika, pagpaplano, o emosyonal na perception, at marami ring hindi ganap na maipapahayag sa wika. Hindi static ang intelligence, ito ay adaptive. Magaling ang LLM sa ilang bagay, ngunit isa lang itong anyo ng intelligence; maraming tanong ang nangangailangan ng ibang direksyon.

Kaugnay rin ito ng kakaibang background ni Eve Bodnia. Ipinanganak siya sa Kazakhstan, lumipat sa Amerika sa edad na 18, nag-aral muna sa community college, lumipat sa University of California, Berkeley, at kumuha ng PhD sa University of California, Santa Barbara. Ang kanyang research ay sumasaklaw sa dark matter detection, quantum mechanics, at particle physics, may 22 research papers na inilathala, at minsan na ring nakipagtulungan sa Google Quantum AI.

Ayon sa self-introduction sa kanyang personal website, interesado siya sa applications ng algebraic topology at Lie groups sa formalization ng learning systems. Dahil sa background niyang ito sa mathematical physics, tila abot-langit ang kanyang paghahangad sa verifiability.

Bukod kina Bodnia at Yann LeCun, kabilang din sa Logical Intelligence team si Fields Medalist Michael Freedman bilang Chief Mathematics Officer, si Vlad Isenbaev (dating Facebook engineer at ICPC World Champion) bilang Chief AI Officer, at si Patrick Hillmann (dating Binance Chief Strategy Officer at General Electric executive) bilang in-charge sa strategic planning.

Larawan丨Logical Intelligence founding team (pinagmulan: Logical Intelligence)

Ayon sa mga ulat mula sa Financial Times at iba pang media, naghahanda ang Logical Intelligence para sa bagong round ng fundraising, na may layuning valuation sa pagitan ng $1 bilyon at $2 bilyon. Plano ng kumpanya na simulan ang pilot ng Kona 1.0 kasama ang ilang partners mula sa energy, advanced manufacturing, at semiconductor industries sa bandang huling bahagi ng quarter na ito.

Siyempre, hindi lang Logical Intelligence ang sumusubok sa larangang ito., ang flagship model na Aristotle ay umabot na sa gold medal level sa 2025 International Mathematical Olympiad.

Gayunpaman, ang Harmonic ay sumusunod sa landas ng Mathematical Superintelligence, nananatili sa loob ng LLM framework at gumagamit ng formal verification upang alisin ang hallucination; samantalang malinaw na ipinagmamalaki ng Logical Intelligence na sila ay “language-free,” direktang nagre-reason sa structured state space at hindi sa token. May esensyal na pagkakaiba sa teknikal na landas ng dalawa.

Ang mga hakbang ni Yann LeCun ay mas sabay-sabay pa. Ang AMI Labs na itinatag niya ay nakatuon sa world models, at ayon sa ulat ay kasalukuyang nagra-raise ng €500 milyon sa valuation na humigit-kumulang $3.5 bilyon, na itatayo ang headquarters sa Paris. Layunin ng world models na ipaunawa sa AI ang causal relationships sa pisikal na mundo gamit ang video at spatial data, hindi lang basta text.

Ayon sa mga ulat, naniniwala rin sina Yann LeCun at Bodnia na ang tunay na human-level AI ay nangangailangan ng kombinasyon ng iba’t ibang modelo. Batay sa sabay niyang partisipasyon sa world model company na AMI Labs at energy-based reasoning company na Logical Intelligence, malinaw na tumataya siya sa ilang teknikal na direksyon nang sabay-sabay.

May ilan ding nagdududa. Sa panayam ng Upstarts, isang anonymous AI investor ang nagsabing duda siya kung talagang kailangan ng formal verification ang karamihan ng AI-generated code. Sa huli, pinakamainam ang formal methods sa mga highly standardized na larangan, ngunit hindi pa tiyak kung magagamit ito sa mas malawak na applications.

Bukod pa rito, ang mga higanteng laboratoryo tulad ng OpenAI at Google ay abala rin sa pagpapabuti ng reliability ng kanilang sariling reasoning models. Kinilala ng Harmonic CEO na si Tudor Achim na walang kapantay ang precision ng formal proof systems, ngunit upang maging sustainable ang business, dapat mapatunayan muna ang halaga nito sa labas ng academic competitions.

Operasyon/Pagkaka-layout: He Chenlong