$REI parie que la prochaine frontière n'est pas de meilleurs prompts, mais une cognition persistante, la formation de concepts et une intelligence spécifique au domaine.
La plupart des agents IA aujourd'hui n'apprennent pas vraiment.
Ils retiennent des fragments.
Ils récupèrent des documents.
Ils appellent des outils.
Ils suivent des prompts.
Ils peuvent impressionner en démo.
Mais après des semaines d'utilisation, la plupart ne sont toujours pas significativement meilleurs pour comprendre votre domaine.
C'est le fossé que $REI / Unit essaie d'attaquer.
Pas en construisant un autre chatbot.
Pas en enveloppant un autre modèle de fondation.
Pas en ajoutant une base vectorielle et en l'appelant mémoire.
Mais en tentant de construire une couche de cognition persistante sous les applications IA.
Voilà la thèse $REI.
Et si l'équipe a même raison sur la direction, le marché regarde peut-être la mauvaise catégorie.
La thèse simple
Le marché de l'IA est actuellement obsédé par trois choses :
• des modèles plus grands
• de meilleurs prompts
• plus d'agents
Les trois comptent.
Mais aucun ne résout complètement le problème plus profond :
La plupart des systèmes IA n'accumulent pas une compréhension durable par l'utilisation.
Ils peuvent se souvenir de texte.
Ils peuvent récupérer des fichiers.
Ils peuvent résumer des informations.
Mais une véritable expertise de domaine exige plus que du stockage.
Elle exige la formation de concepts.
Elle exige un contexte persistant.
Elle exige un raisonnement sur les relations.
Elle exige de savoir quoi renforcer, quoi affaiblir, quoi oublier et quoi connecter.
C'est pourquoi $REI est intéressant.
REI n'essaie pas de gagner en disant : « Nous avons un autre agent IA. »
Le cadrage le plus fort est : « Nous construisons un système qui peut évoluer en une couche de raisonnement spécifique au domaine. »
C'est une affirmation très différente.
Qu'est-ce que la cognition persistante ?
Par cognition persistante, j'entends un système qui ne se contente pas de stocker les interactions passées, mais qui change sa façon de raisonner à cause d'elles.
Cette distinction compte.
La mémoire n'est pas la cognition.
Une base de données peut stocker un fait.
Un système de recherche vectorielle peut récupérer un document.
Un chatbot peut se souvenir de votre nom.
Mais la cognition, c'est la capacité à utiliser une interaction antérieure pour remodeler le raisonnement futur.
Un système utile ne devrait pas seulement se souvenir de ce qui s'est passé.
Il devrait comprendre pourquoi cela importait.
Il devrait savoir quels concepts sont liés.
Il devrait savoir quand un ancien contexte est obsolète.
Il devrait savoir quand une correction doit mettre à jour le comportement futur.
Il devrait devenir plus utile à mesure qu'on l'utilise.
C'est ce que la plupart des agents IA échouent encore à faire.
Et c'est là que REI Core entre en jeu.
REI Core en termes simples
REI Core est le cœur du projet.
L'équipe le décrit comme un système d'intelligence algorithmique, pas un modèle de fondation standard.
La partie importante n'est pas qu'il puisse produire une réponse.
La partie importante est comment il essaie de produire une réponse.
Les documents publics de REI décrivent Core comme un système construit autour d'algorithmes propriétaires, de traitement parallèle, de structures internes adaptatives et d'apprentissage au moment de l'inférence.
En termes simples :
Core est conçu pour construire, réviser et raisonner sur une structure de connaissances persistante.
Cette structure n'est pas juste un dossier de souvenirs.
C'est plus proche d'une surface de raisonnement dynamique.
Les concepts peuvent être connectés.
Les relations peuvent se renforcer.
Les chemins faibles peuvent se dégrader.
De nouveaux schémas peuvent émerger.
Le système peut devenir plus spécialisé par interaction répétée.
Voilà la clé.
Un LLM normal peut générer du langage.
Un système RAG peut récupérer des informations.
Un agent utilisant des outils peut exécuter des tâches.
Mais REI Core essaie de rendre la couche de raisonnement elle-même adaptative.
C'est pourquoi l'appeler « un autre wrapper IA » rate le point.
Pourquoi ce n'est pas juste du RAG
Le RAG est utile.
Mais le RAG n'est pas la cognition.
Un système RAG demande généralement : « Quels morceaux de documents sont sémantiquement proches de cette requête ? »
Un système de raisonnement conceptuel pose une question plus profonde : « Quels concepts sont impliqués, comment sont-ils liés, quels chemins les relient, et quelle conclusion émerge en parcourant cette structure ? »
Cette différence est immense.
La récupération peut trouver des informations.
Le raisonnement devrait créer de la structure.
La récupération peut faire surface d'un document.
Le raisonnement devrait comprendre pourquoi le document est important.
La récupération peut retourner un fait.
Le raisonnement devrait comprendre comment ce fait change d'autres croyances.
La récupération concerne l'accès.
La cognition concerne la transformation.
C'est ici que le cadrage de « Raisonnement Conceptuel » de REI devient important.
L'idée est que l'intelligence ne devrait pas seulement faire correspondre des schémas dans le texte.
Elle devrait construire des représentations structurées de concepts et de relations.
Le code est conceptuel.
Les données de marché sont conceptuelles.
Les précédents juridiques sont conceptuels.
La recherche scientifique est conceptuelle.
Les préférences personnelles sont conceptuelles.
Si quelque chose a une structure, une relation et un contexte, cela peut faire partie d'un système de raisonnement.
C'est l'espace de conception vers lequel REI se dirige.
Pourquoi c'est important maintenant
Le timing compte.
L'adoption de l'IA explose.
Les dépenses d'infrastructure IA explosent.
Les produits agents explosent.
Mais la mémoire IA durable, le raisonnement fiable et l'apprentissage spécifique au domaine restent faibles.
Cela crée un fossé entre ce à quoi l'IA ressemble en démos et ce dont les entreprises ont réellement besoin en production.
La version démo de l'IA est : « Posez une question et obtenez une belle réponse. »
La version production de l'IA est : « Ce système peut-il comprendre notre domaine, se souvenir de ce qui compte, s'adapter au fil du temps et devenir plus fiable par une utilisation répétée ? »
Ce deuxième problème est bien plus difficile.
C'est aussi là que se trouve la vraie valeur économique.
Une entreprise n'a pas besoin d'une IA qui connaît simplement des faits généraux.
Elle a besoin d'une IA qui comprend son propre environnement opérationnel.
Ses documents.
Ses flux de travail.
Ses cas limites.
Ses clients.
Ses politiques.
Son langage interne.
Ses décisions historiques.
Sa tolérance au risque.
Ses objectifs.
C'est l'expertise du domaine.
Et l'expertise du domaine n'est pas créée par une simple interface de chatbot générique.
Des exemples clarifient
Une IA juridique ne devrait pas seulement se souvenir des documents.
Elle devrait comprendre comment un cabinet raisonne sur le risque.
Elle devrait connecter les précédents, la juridiction, les préférences clients, le style de rédaction et les contraintes stratégiques.
Une IA de recherche ne devrait pas seulement résumer des articles.
Elle devrait connecter les mécanismes, les hypothèses, les contradictions et les questions ouvertes.
Elle devrait savoir quels résultats se renforcent mutuellement et lesquels créent de l'incertitude.
Une IA d'intelligence financière ne devrait pas seulement récupérer des données de marché.
Elle devrait apprendre les régimes, les récits, les catalyseurs, la réflexivité et la dégradation des signaux.
Elle devrait comprendre quand la même métrique signifie des choses différentes dans des contextes différents.
Une IA personnelle ne devrait pas seulement se souvenir des préférences.
Elle devrait devenir meilleure pour anticiper le contexte.
Elle devrait comprendre comment vos objectifs, habitudes, contraintes et priorités évoluent avec le temps.
C'est la différence entre mémoire et cognition.
La mémoire stocke.
La cognition s'adapte.
L'indice Core 0.5a
L'un des indices publics les plus importants autour de REI est Core 0.5a.
La mise à jour 0.5a importe car elle se concentre sur la façon dont les Units apprennent, se rappellent, persistent les connaissances et évoluent.
Les idées clés incluent :
• Évolution au niveau des Units
• Rappel hybride
• Enrichissement de type hypergraphe
• Traitement adaptatif du contexte
• Persistance des connaissances
• Fiabilité à l'exécution
• Amélioration du comportement d'apprentissage
Ce n'est pas le langage d'un simple wrapper de chatbot.
C'est le langage d'une équipe qui essaie de rendre l'apprentissage et le raisonnement plus robustes au niveau de l'unité.
L'expression la plus importante est « Évolution au niveau des Units ».
Si les Units peuvent évoluer individuellement, alors deux Units ne devraient pas rester identiques après une utilisation différente.
Une Unit entraînée sur le raisonnement juridique devrait se développer différemment d'une Unit entraînée sur la recherche de marché.
Une Unit entraînée sur des données cliniques devrait se développer différemment d'une Unit entraînée sur la stratégie produit.
Une Unit entraînée par un opérateur compétent devrait devenir plus précieuse qu'une Unit mal entraînée.
Voilà l'idée à long terme.
Une Unit n'est pas juste un assistant.
Une Unit est une surface de cognition entraînable.
Si cette thèse fonctionne, alors les Units entraînées pourraient devenir des actifs cognitifs spécifiques au domaine.
Pas des prompts.
Pas des dossiers.
Pas des historiques de chat.
Pas des agents génériques.
Des actifs cognitifs.
Pourquoi Factory est important
Core est le moteur.
Factory est la surface produit.
Factory est l'endroit où les utilisateurs peuvent créer des agents cognitifs personnels alimentés par Core.
L'expression importante n'est pas « créer un agent ».
Tout le monde crée des agents.
L'expression importante est « des agents qui évoluent avec l'utilisateur ».
C'est la différence.
Si Factory fonctionne, le produit n'est pas juste « Créez un bot ».
Le produit devient : « Créez une Unit qui se transforme en partenaire de raisonnement spécialisé. »
Une Unit pour la recherche.
Une Unit pour les flux juridiques.
Une Unit pour l'analyse financière.
Une Unit pour les opérations.
Une Unit pour la productivité personnelle.
Une Unit pour la stratégie.
Une Unit pour tout domaine où le contexte persistant et l'interaction répétée comptent.
Plus le domaine est spécifique, plus l'Unit peut devenir précieuse.
C'est l'inverse du modèle de chatbot générique.
L'IA générique rivalise sur l'accès aux mêmes modèles de fondation.
La cognition de domaine se compose autour de l'utilisateur.
C'est une thèse beaucoup plus forte.
Pourquoi cela pourrait compléter les LLM
La thèse haussière de REI n'est pas « Les LLM sont morts ».
C'est trop simpliste.
Les LLM sont excellents pour le langage.
Ce sont des interfaces puissantes.
Ce sont des outils de raisonnement utiles dans de nombreux contextes.
Mais le langage n'est pas tout le problème.
Le langage est l'interface.
La cognition est ce qui devrait se passer en dessous.
C'est pourquoi REI n'a pas besoin de remplacer les LLM pour compter.
Il peut les compléter.
Un LLM peut parler.
Core peut raisonner.
Factory peut distribuer.
Catalog pourrait monétiser la spécialisation.
$REI peut coordonner l'accès et la valeur.
C'est la pile que j'observe.
Pas un autre chatbot.
Une couche de cognition potentielle sous les applications IA.
Le marché méprise la catégorie
La plupart des projets crypto IA sont faciles à classer.
Agent IA.
Pièce GPU.
Application RAG.
Wrapper LLM.
Calcul DePIN.
Chatbot.
REI est plus difficile.
Il ne rentre pas parfaitement dans les cases existantes.
Cela le rend plus difficile à expliquer.
Mais c'est aussi pourquoi il peut être sous-évalué.
Les marchés sont généralement bons pour valoriser les applications visibles.
Ils sont moins bons pour valoriser l'infrastructure avant qu'elle ne devienne évidente.
Ils sont bons pour valoriser les démos.
Ils sont moins bons pour valoriser l'architecture.
Ils sont bons pour valoriser les récits simples.
Ils sont moins bons pour valoriser les nouvelles primitives.
C'est pourquoi je pense que REI mérite l'attention.
Pas parce que chaque affirmation est déjà prouvée.
Parce que la catégorie qu'il vise est bien plus grande qu'un « token IA ».
Si l'équipe a raison, il ne s'agit pas seulement de construire un autre produit IA.
Il s'agit de construire une couche manquante dans la pile IA.
Qu'est-ce qui prouverait la thèse ?
La bonne façon d'aborder REI n'est pas la croyance aveugle.
Les affirmations sont grandes.
La catégorie est précoce.
Le fardeau de la preuve est élevé.
Pour moi, les points de preuve clés sont simples :
• Les Units entraînées deviennent-elles mesurablement meilleures avec le temps ?
• Peuvent-elles conserver des connaissances spécifiques au domaine sans devenir bruyantes ?
• Core peut-il surpasser le RAG simple dans des tâches qui nécessitent un parcours de concepts ?
• Les utilisateurs peuvent-ils construire des agents qui deviennent plus précieux avec une utilisation répétée ?
• Les utilisateurs externes peuvent-ils vérifier la différence entre mémoire et adaptation réelle ?
• Factory peut-elle transformer l'architecture de recherche en un produit que les gens utilisent quotidiennement ?
• Catalog peut-elle éventuellement créer un marché pour des Units spécialisées ?
Voilà le tableau de bord.
Si REI peut montrer que les Units composent leur utilité par interaction, le marché devra repenser à quelle catégorie cela appartient.
Parce qu'alors l'actif n'est pas seulement le logiciel.
L'actif est la cognition entraînée.
Le risque est évident
Une thèse haussière sérieuse doit inclure le risque.
REI fait de grandes affirmations architecturales dans un marché plein de vaporware IA.
Cela signifie que la barre est haute.
Le projet doit être jugé par les versions, la clarté technique, les preuves utilisateurs, la validation externe et si les Units s'améliorent réellement par une utilisation répétée.
Il y a aussi un risque d'exécution.
La recherche est difficile.
Produire la recherche est plus difficile.
Transformer la recherche en un réseau économique natif crypto est encore plus difficile.
Donc non, ce n'est pas un résultat garanti.
Mais c'est exactement pourquoi c'est intéressant.
Le marché ne prête pas attention à REI parce que les affirmations sont faciles.
Le marché prête attention parce que les affirmations sont grandes.
Et si les affirmations sont validées, la hausse n'est pas « un autre token d'agent IA ».
La hausse est une nouvelle primitive pour les systèmes IA adaptatifs.
Pourquoi la crypto compte ici
Beaucoup de gens voient la crypto attachée à l'IA et supposent immédiatement le pire.
Cette instinct est compréhensible.
La crypto a produit d'innombrables récits IA avec très peu de substance.
Mais la couche crypto dans REI n'est pas juste décorative.
La thèse la plus intéressante est que les Units pourraient devenir des actifs numériques économiquement significatifs.
Si une Unit peut être entraînée, spécialisée et améliorée avec le temps, alors l'accès à cette Unit compte.
L'utilisation compte.
La propriété compte.
Le déploiement compte.
La vérification compte.
Les marchés comptent.
C'est là que $REI devient plus intéressant qu'une simple étiquette de token.
Le token peut s'articuler autour de l'accès, de l'utilisation SDK/API, du déploiement et de la coordination future de l'écosystème.
Si Catalog devient un marché pour les Units spécialisées, la conception économique devient encore plus importante.
Imaginez des Units entraînées pour :
• la recherche juridique
• l'analyse de marché
• la découverte scientifique
• les opérations produit
• la productivité personnelle
• la conformité
• les flux de codage
• la connaissance d'entreprise
Un agent générique est facile à copier.
Une Unit de domaine entraînée peut ne pas l'être.
C'est l'angle natif crypto qui mérite l'attention.
Pas « IA + token ».
Mais accès et coordination autour d'actifs cognitifs spécialisés.
Mon modèle mental actuel
La meilleure façon dont je comprends actuellement REI est la suivante :
Les LLM parlent.
Core raisonne.
Factory distribue.
Catalog pourrait monétiser la spécialisation.
$REI coordonne l'accès et la valeur.
Voilà la pile.
C'est pourquoi le projet est difficile à expliquer en une phrase.
Ce n'est pas juste un agent.
Ce n'est pas juste un modèle.
Ce n'est pas juste un chatbot.
Ce n'est pas juste un token.
C'est un pari que la prochaine frontière de l'IA n'est pas de meilleurs prompts, mais une cognition persistante.
Et c'est un pari bien plus intéressant.
La thèse en une phrase
La plupart des agents IA n'apprennent pas.
Ils récupèrent, se souviennent et exécutent.
REI parie que la prochaine frontière est la cognition adaptative : des systèmes qui forment des concepts, persistent les connaissances, évoluent par interaction et deviennent spécifiques au domaine avec le temps.
C'est pourquoi je surveille $REI.
Pas parce que la thèse est petite.
Parce qu'elle ne l'est pas.
Pas un conseil financier.
Architecture > battage médiatique.
Sources / Lectures complémentaires
Officiel :
Lectures clés sur REI :
Qu'est-ce que le Raisonnement Conceptuel ?
L'entraînement au moment de l'inférence
À la poursuite du Saint Graal de l'IA
Documentation du token / écosystème
Comptes :
@rei_labs
@0xreisearch
Messages importants à lire :
Vision / modularité / leçons 2025
Contexte externe :
![Yusuke Narita's Genius AI Utilization Techniques [Preservation Edition]](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1784137658627_u4bwry_HNMS89bbsAAUPJI.jpg)
