$REI, bir sonraki sınırın daha iyi yönlendirmeler (prompt) değil, kalıcı biliş, kavram oluşturma ve alana özgü zeka olduğuna bahse giriyor.
Bugünkü yapay zeka ajanlarının çoğu gerçekten öğrenmiyor.
Parçaları hatırlıyorlar.
Belgeleri getiriyorlar.
Araçları çağırıyorlar.
Yönlendirmeleri takip ediyorlar.
Bir demoda etkileyici görünebilirler.
Ancak haftalarca kullanımdan sonra, çoğu, alanınızı anlama konusunda hâlâ anlamlı bir şekilde daha iyi değil.
İşte $REI / Unit'in saldırmaya çalıştığı boşluk bu.
Başka bir sohbet robotu inşa ederek değil.
Başka bir temel modeli sararak değil.
Bir vektör veritabanı ekleyip ona bellek diyerek değil.
Yapay zeka uygulamalarının altında kalıcı bir biliş katmanı oluşturmaya çalışarak.
$REI tezi budur.
Ve ekip yön olarak bile doğruysa, piyasa yanlış kategoriye bakıyor olabilir.
Basit Tez
Yapay zeka piyasası şu anda üç şeye takıntılı:
• daha büyük modeller
• daha iyi yönlendirmeler
• daha fazla ajan
Üçü de önemli.
Ancak hiçbiri daha derin sorunu tam olarak çözmüyor:
Çoğu yapay zeka sistemi, kullanım yoluyla kalıcı bir anlayış biriktirmez.
Metni hatırlayabilirler.
Dosyaları getirebilirler.
Bilgiyi özetleyebilirler.
Ancak gerçek alan uzmanlığı, depolamadan daha fazlasını gerektirir.
Kavram oluşturmayı gerektirir.
Kalıcı bağlam gerektirir.
İlişkiler üzerinde akıl yürütmeyi gerektirir.
Neyi güçlendireceğini, neyi zayıflatacağını, neyi unutacağını ve neyi bağlayacağını bilmeyi gerektirir.
$REI'in ilginç olmasının nedeni budur.
REI şunu söyleyerek kazanmaya çalışmıyor:
"Başka bir yapay zeka ajanımız var."
Daha güçlü çerçeve şudur:
"Alanına özgü bir akıl yürütme katmanına dönüşebilecek bir sistem inşa ediyoruz."
Bu çok farklı bir iddia.
Kalıcı Biliş Nedir?
Kalıcı biliş ile, yalnızca geçmiş etkileşimleri depolamakla kalmayıp, onlar yüzünden akıl yürütme şeklini değiştiren bir sistemi kastediyorum.
Bu ayrım önemlidir.
Bellek, biliş değildir.
Bir veritabanı bir gerçeği depolayabilir.
Bir vektör arama sistemi bir belgeyi getirebilir.
Bir sohbet robotu adınızı hatırlayabilir.
Ancak biliş, gelecekteki akıl yürütmeyi yeniden şekillendirmek için önceki etkileşimi kullanma yeteneğidir.
Yararlı bir sistem yalnızca ne olduğunu hatırlamamalıdır.
Neden önemli olduğunu anlamalıdır.
Hangi kavramların ilişkili olduğunu bilmelidir.
Eski bağlamın ne zaman bayatladığını bilmelidir.
Bir düzeltmenin ne zaman gelecekteki davranışı güncellemesi gerektiğini bilmelidir.
Kullanıldıkça daha kullanışlı hale gelmelidir.
Çoğu yapay zeka ajanının hâlâ yapamadığı şey budur.
Ve REI Core'un konuşmaya girdiği yer burasıdır.
Sade Türkçeyle REI Core
REI Core, projenin kalbidir.
Ekip, bunu standart bir temel model değil, algoritmik bir zeka sistemi olarak tanımlıyor.
Önemli olan kısım, bir cevap üretebilmesi değil.
Önemli olan kısım, bir cevabı nasıl üretmeye çalıştığıdır.
Kamuya açık REI materyalleri, Core'u tescilli algoritmalar, paralel işleme, uyarlanabilir iç yapılar ve çıkarım zamanı öğrenimi etrafında inşa edilmiş bir sistem olarak tanımlar.
Basit bir ifadeyle:
Core, kalıcı bir bilgi yapısı oluşturmak, revize etmek ve üzerinde akıl yürütmek için tasarlanmıştır.
Bu yapı, yalnızca bir anılar klasörü değildir.
Dinamik bir akıl yürütme yüzeyine daha yakındır.
Kavramlar bağlanabilir.
İlişkiler güçlenebilir.
Zayıf yollar bozulabilir.
Yeni desenler ortaya çıkabilir.
Sistem, tekrarlanan etkileşim yoluyla daha uzmanlaşmış hale gelebilir.
Anahtar nokta budur.
Normal bir LLM dil üretebilir.
Bir RAG sistemi bilgi getirebilir.
Araç kullanan bir ajan görevleri yerine getirebilir.
Ancak REI Core, akıl yürütme katmanının kendisini uyarlanabilir hale getirmeye çalışıyor.
Bu yüzden ona "başka bir yapay zeka sarmalayıcısı" demek konuyu kaçırmaktır.
Bu Neden Sadece RAG Değil
RAG kullanışlıdır.
Ancak RAG, biliş değildir.
Bir RAG sistemi genellikle şunu sorar:
"Hangi belge parçaları bu sorguya anlamsal olarak yakın?"
Kavramsal bir akıl yürütme sistemi daha derin bir şey sorar:
"Hangi kavramlar dahil, nasıl ilişkililer, onları hangi yollar birleştiriyor ve bu yapıyı kat etmekten hangi sonuç çıkıyor?"
Bu fark çok büyüktür.
Getirme bilgiyi bulabilir.
Akıl yürütme yapı oluşturmalıdır.
Getirme bir belgeyi yüzeye çıkarabilir.
Akıl yürütme, belgenin neden önemli olduğunu anlamalıdır.
Getirme bir gerçeği döndürebilir.
Akıl yürütme, bu gerçeğin diğer inançları nasıl değiştirdiğini anlamalıdır.
Getirme erişimle ilgilidir.
Biliş dönüşümle ilgilidir.
REI'in "Kavramsal Akıl Yürütme" çerçevesinin önemli hale geldiği yer burasıdır.
Fikir, zekanın yalnızca metindeki desenleri eşleştirmemesi gerektiğidir.
Kavramların ve ilişkilerin yapılandırılmış temsillerini oluşturmalıdır.
Kod kavramsaldır.
Piyasa verileri kavramsaldır.
Yasal emsal kavramsaldır.
Bilimsel araştırma kavramsaldır.
Kişisel tercihler kavramsaldır.
Bir şeyin yapısı, ilişkisi ve bağlamı varsa, bir akıl yürütme sisteminin parçası olabilir.
REI'in ilerlediği tasarım alanı budur.
Bu Neden Şimdi Önemli
Zamanlama önemlidir.
Yapay zeka benimsemesi patlıyor.
Yapay zeka altyapı harcamaları patlıyor.
Ajan ürünleri patlıyor.
Ancak dayanıklı yapay zeka belleği, güvenilir akıl yürütme ve alana özgü öğrenme hâlâ zayıf.
Bu, yapay zekanın demolar ile işletmelerin üretimde gerçekten ihtiyaç duyduğu şey arasında bir boşluk yaratıyor.
Yapay zekanın demo versiyonu şudur:
"Bir soru sorun ve güzel bir cevap alın."
Yapay zekanın üretim versiyonu şudur:
"Bu sistem bizim alanımızı anlayabilir mi, önemli olanı hatırlayabilir mi, zamanla uyum sağlayabilir mi ve tekrarlanan kullanımla daha güvenilir hale gelebilir mi?"
Bu ikinci sorun çok daha zordur.
Aynı zamanda gerçek ekonomik değerin olduğu yerdir.
Bir şirketin yalnızca genel gerçekleri bilen bir yapay zekaya ihtiyacı yoktur.
Kendi işletme ortamını anlayan bir yapay zekaya ihtiyacı vardır.
Belgelerini.
İş akışlarını.
Uç durumlarını.
Müşterilerini.
Politikalarını.
İç dilini.
Geçmiş kararlarını.
Risk toleransını.
Hedeflerini.
Bu, alan uzmanlığıdır.
Ve alan uzmanlığı, yalnızca genel bir sohbet robotu arayüzü ile yaratılmaz.
Örnekler Bunu Netleştiriyor
Hukuki bir yapay zeka yalnızca belgeleri hatırlamamalıdır.
Bir firmanın risk hakkında nasıl akıl yürüttüğünü anlamalıdır.
Emsal, yargı yetkisi, müşteri tercihi, taslak hazırlama stili ve stratejik kısıtlamaları birbirine bağlamalıdır.
Araştırma yapay zekası yalnızca makaleleri özetlememelidir.
Mekanizmaları, varsayımları, çelişkileri ve açık soruları birbirine bağlamalıdır.
Hangi bulguların birbirini güçlendirdiğini ve hangilerinin belirsizlik yarattığını bilmelidir.
Finansal zeka yapay zekası yalnızca piyasa verilerini toplamamalıdır.
Rejimleri, anlatıları, katalizörleri, dönüşlülüğü ve sinyal bozulmasını öğrenmelidir.
Aynı metriğin farklı bağlamlarda farklı anlamlara geldiğini anlamalıdır.
Kişisel bir yapay zeka yalnızca tercihleri hatırlamamalıdır.
Bağlamı tahmin etmede daha iyi hale gelmelidir.
Hedeflerinizin, alışkanlıklarınızın, kısıtlamalarınızın ve önceliklerinizin zaman içinde nasıl geliştiğini anlamalıdır.
Bellek ve biliş arasındaki fark budur.
Bellek depolar.
Biliş uyum sağlar.
Core 0.5a İpucu
REI ile ilgili en önemli kamuya açık ipuçlarından biri Core 0.5a'dır.
0.5a güncellemesi önemlidir çünkü Unit'lerin nasıl öğrendiğine, hatırladığına, bilgiyi kalıcı kıldığına ve geliştiğine odaklanır.
Anahtar fikirler şunları içerir:
• Unit düzeyinde evrim
• hibrit geri çağırma
• hipergraf tarzı zenginleştirme
• uyarlanabilir bağlam işleme
• bilgi kalıcılığı
• çalışma zamanı güvenilirliği
• gelişmiş öğrenme davranışı
Bu, basit bir sohbet robotu sarmalayıcısının dili değildir.
Bu, öğrenmeyi ve akıl yürütmeyi birim düzeyinde daha sağlam hale getirmeye çalışan bir ekibin dilidir.
En önemli ifade, Unit düzeyinde evrimdir.
Unit'ler bireysel olarak gelişebiliyorsa, iki Unit farklı kullanımdan sonra aynı kalmamalıdır.
Hukuki akıl yürütme üzerine eğitilmiş bir Unit, piyasa araştırması üzerine eğitilmiş bir Unit'ten farklı gelişmelidir.
Klinik veriler üzerine eğitilmiş bir Unit, ürün stratejisi üzerine eğitilmiş bir Unit'ten farklı gelişmelidir.
Güçlü bir operatör tarafından eğitilmiş bir Unit, kötü eğitilmiş bir Unit'ten daha değerli hale gelmelidir.
Uzun vadeli fikir budur.
Bir Unit yalnızca bir asistan değildir.
Bir Unit, eğitilebilir bir biliş yüzeyidir.
Bu tez işe yararsa, eğitilmiş Unit'ler alana özgü bilişsel varlıklar haline gelebilir.
Yönlendirmeler değil.
Klasörler değil.
Sohbet geçmişleri değil.
Genel ajanlar değil.
Bilişsel varlıklar.
Factory Neden Önemli
Core motordur.
Factory, ürün yüzeyidir.
Factory, kullanıcıların Core tarafından desteklenen kişisel bilişsel ajanlar oluşturabileceği yerdir.
Önemli ifade "bir ajan oluştur" değildir.
Herkes ajan oluşturuyor.
Önemli ifade "kullanıcıyla birlikte gelişen ajanlar"dır.
Fark budur.
Factory işe yararsa, ürün yalnızca şu değildir:
"Bir bot yap."
Ürün şu hale gelir:
"Uzmanlaşmış bir akıl yürütme ortağına dönüşen bir Unit oluşturun."
Araştırma için bir Unit.
Hukuki iş akışları için bir Unit.
Finansal analiz için bir Unit.
Operasyonlar için bir Unit.
Kişisel üretkenlik için bir Unit.
Strateji için bir Unit.
Kalıcı bağlam ve tekrarlanan etkileşimin önemli olduğu herhangi bir alan için bir Unit.
Alan ne kadar spesifik olursa, Unit o kadar değerli hale gelebilir.
Bu, genel sohbet robotu modelinin tam tersidir.
Genel yapay zeka, aynı temel modellere erişim konusunda rekabet eder.
Alan bilişi, kullanıcının etrafında birikir.
Bu çok daha güçlü bir tezdir.
Bu Neden LLM'leri Tamamlayabilir
$REI için iyimser tez "LLM'ler öldü" değildir.
Bu çok basit.
LLM'ler dilde mükemmeldir.
Güçlü arayüzlerdir.
Birçok bağlamda kullanışlı akıl yürütme araçlarıdır.
Ancak dil, tüm sorun değildir.
Dil, arayüzdür.
Biliş, altta olması gereken şeydir.
Bu yüzden REI'in önemli olmak için LLM'lerin yerini alması gerekmez.
Onları tamamlayabilir.
Bir LLM konuşabilir.
Core akıl yürütebilir.
Factory dağıtabilir.
Catalog, uzmanlaşmayı paraya çevirebilir.
$REI, erişimi ve değeri koordine edebilir.
İzlediğim yığın budur.
Başka bir sohbet robotu değil.
Yapay zeka uygulamalarının altında potansiyel bir biliş katmanı.
Piyasa Kategoriyi Yanlış Fiyatlandırıyor
Çoğu kripto yapay zeka projesini sınıflandırmak kolaydır.
Yapay zeka ajanı.
GPU parası.
RAG uygulaması.
LLM sarmalayıcısı.
DePIN hesaplama.
Sohbet robotu.
REI daha zordur.
Mevcut kovalara tam olarak uymaz.
Bu, açıklamayı zorlaştırır.
Ancak aynı zamanda yanlış fiyatlandırılmış olmasının nedeni de budur.
Piyasalar genellikle görünür uygulamaları değerlemede iyidir.
Altyapı belirgin hale gelmeden önce onu değerlemede daha kötüdürler.
Demoları değerlemede iyidirler.
Mimariyi değerlemede daha kötüdürler.
Basit anlatıları değerlemede iyidirler.
Yeni ilkelleri değerlemede daha kötüdürler.
Bu yüzden REI'in ilgiyi hak ettiğini düşünüyorum.
Her iddia zaten kanıtlandığı için değil.
Hedeflediği kategori "yapay zeka tokeni"nden çok daha büyük olduğu için.
Ekip haklıysa, bu yalnızca başka bir yapay zeka ürünü inşa etmekle ilgili değildir.
Yapay zeka yığınında eksik bir katman inşa etmekle ilgilidir.
Tezi Ne Kanıtlar?
REI'e yaklaşmanın doğru yolu körü körüne inanç değildir.
İddialar büyük.
Kategori erken.
Kanıt yükü yüksek.
Benim için anahtar kanıt noktaları basit:
• Eğitilmiş Unit'ler zamanla ölçülebilir şekilde daha iyi hale geliyor mu?
• Alanına özgü bilgiyi gürültülü hale gelmeden koruyabiliyorlar mı?
• Core, kavram geçişi gerektiren görevlerde basit RAG'dan daha iyi performans gösterebiliyor mu?
• Kullanıcılar, tekrarlanan kullanımla daha değerli hale gelen ajanlar oluşturabiliyor mu?
• Harici kullanıcılar, bellek ile gerçek uyum arasındaki farkı doğrulayabiliyor mu?
• Factory, araştırma mimarisini insanların her gün kullandığı bir ürüne dönüştürebiliyor mu?
• Catalog, sonunda uzmanlaşmış Unit'ler için bir pazar yaratabiliyor mu?
Skor tablosu budur.
REI, Unit'lerin etkileşim yoluyla kullanışlılıkta birleştiğini gösterebilirse, piyasa bunun hangi kategoriye ait olduğunu yeniden düşünmek zorunda kalacaktır.
Çünkü o zaman varlık yalnızca yazılım değildir.
Varlık, eğitilmiş biliştir.
Risk Açıktır
Ciddi bir iyimser tez, riski içermelidir.
REI, yapay zeka gösterişli yazılımlarıyla dolu bir pazarda büyük mimari iddialarda bulunuyor.
Bu, çıtanın yüksek olduğu anlamına gelir.
Proje, sürümler, teknik netlik, kullanıcı kanıtı, harici doğrulama ve Unit'lerin tekrarlanan kullanım yoluyla gerçekten iyileşip iyileşmediği ile değerlendirilmelidir.
Ayrıca yürütme riski de vardır.
Araştırma zordur.
Araştırmayı ürünleştirmek daha zordur.
Araştırmayı kripto-yerel bir ekonomik ağa dönüştürmek daha da zordur.
Yani hayır, bu garantili bir sonuç değildir.
Ancak tam olarak bu yüzden ilginçtir.
Piyasa REI'e dikkat etmiyor çünkü iddialar kolay.
Piyasa dikkat ediyor çünkü iddialar büyük.
Ve iddialar doğrulanırsa, potansiyel kazanç "başka bir yapay zeka ajan tokeni" değildir.
Potansiyel kazanç, uyarlanabilir yapay zeka sistemleri için yeni bir ilkeldir.
Kripto Neden Burada Önemli
Birçok insan yapay zekaya bağlı kripto görür ve hemen en kötüsünü varsayar.
Bu içgüdü anlaşılabilir.
Kripto, çok az madde içeren sonsuz yapay zeka anlatıları üretti.
Ancak REI'deki kripto katmanı yalnızca dekoratif değildir.
Daha ilginç tez, Unit'lerin ekonomik olarak anlamlı dijital varlıklar haline gelebileceğidir.
Bir Unit eğitilebilir, uzmanlaştırılabilir ve zamanla iyileştirilebilirse, o Unit'e erişim önemlidir.
Kullanım önemlidir.
Sahiplik önemlidir.
Dağıtım önemlidir.
Doğrulama önemlidir.
Pazaryerleri önemlidir.
$REI'in basit bir token etiketinden daha ilginç hale geldiği yer burasıdır.
Token, erişim, SDK/API kullanımı, dağıtım ve gelecekteki ekosistem koordinasyonu etrafında durabilir.
Catalog, uzmanlaşmış Unit'ler için bir pazar haline gelirse, ekonomik tasarım daha da önemli hale gelir.
Aşağıdakiler için eğitilmiş Unit'ler hayal edin:
• hukuki araştırma
• piyasa analizi
• bilimsel keşif
• ürün operasyonları
• kişisel üretkenlik
• uyumluluk
• kodlama iş akışları
• kurumsal bilgi
Genel bir ajanı kopyalamak kolaydır.
Eğitilmiş bir alan Unit'i kopyalanamayabilir.
Dikkat etmeye değer kripto-yerel açı budur.
"Yapay zeka + token" değil.
Ancak uzmanlaşmış bilişsel varlıklar etrafında erişim ve koordinasyon.
Şu Anki Zihinsel Modelim
REI'i şu anda anladığım en iyi yol şudur:
LLM'ler konuşur.
Core akıl yürütür.
Factory dağıtır.
Catalog, uzmanlaşmayı paraya çevirebilir.
$REI, erişimi ve değeri koordine eder.
Yığın budur.
Projeyi tek bir cümleyle açıklamanın zor olmasının nedeni budur.
Yalnızca bir ajan değildir.
Yalnızca bir model değildir.
Yalnızca bir sohbet robotu değildir.
Yalnızca bir token değildir.
Yapay zekanın bir sonraki sınırının daha iyi yönlendirmeler değil, kalıcı biliş olduğuna dair bir bahistir.
Ve bu çok daha ilginç bir bahistir.
Tek Cümlelik Tez
Çoğu yapay zeka ajanı öğrenmez.
Getirir, hatırlar ve yürütürler.
REI, bir sonraki sınırın uyarlanabilir biliş olduğuna bahse giriyor: kavramlar oluşturan, bilgiyi kalıcı kılan, etkileşim yoluyla gelişen ve zamanla alana özgü hale gelen sistemler.
Bu yüzden $REI'i izliyorum.
Tez küçük olduğu için değil.
Çünkü değil.
Finansal tavsiye değildir.
Mimari > abartı.
Kaynaklar / Daha Fazla Okuma
Resmi:
Anahtar REI Okumaları:
Yapay Zekanın Kutsal Kâsesinin Peşinde
Hesaplar:
@rei_labs
@0xreisearch
Okunması Gereken Önemli Gönderiler:
Vizyon / modülerlik / 2025 dersleri
Harici Bağlam:
![Yusuke Narita'nın Dahi Yapay Zeka Kullanım Teknikleri [Arşivlik Sürüm]](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1784137658627_u4bwry_HNMS89bbsAAUPJI.jpg)
