$REI đang đặt cược rằng ranh giới tiếp theo không phải là những prompt tốt hơn, mà là nhận thức bền vững, sự hình thành khái niệm và trí thông minh chuyên biệt theo lĩnh vực.
Hầu hết các AI agent hiện nay không thực sự học hỏi.
Chúng ghi nhớ những mảnh vụn.
Chúng truy xuất tài liệu.
Chúng gọi công cụ.
Chúng làm theo prompt.
Chúng có thể trông rất ấn tượng trong một bản demo.
Nhưng sau nhiều tuần sử dụng, hầu hết chúng vẫn không thực sự hiểu rõ hơn về lĩnh vực của bạn.
Đó chính là khoảng cách mà $REI / Unit đang cố gắng giải quyết.
Không phải bằng cách xây dựng một chatbot khác.
Không phải bằng cách bọc thêm một foundation model khác.
Không phải bằng cách thêm một cơ sở dữ liệu vector và gọi nó là bộ nhớ.
Mà bằng cách cố gắng xây dựng một lớp nhận thức bền vững bên dưới các ứng dụng AI.
Đó là luận điểm của $REI.
Và nếu đội ngũ thậm chí chỉ đúng về hướng đi, thì thị trường có thể đang nhìn nhầm danh mục.
Luận Điểm Đơn Giản
Thị trường AI hiện đang bị ám ảnh bởi ba thứ:
• mô hình lớn hơn
• prompt tốt hơn
• nhiều agent hơn
Cả ba đều quan trọng.
Nhưng không ai trong số chúng giải quyết triệt để vấn đề sâu xa hơn:
Hầu hết các hệ thống AI không tích lũy được sự hiểu biết bền vững thông qua việc sử dụng.
Chúng có thể nhớ văn bản.
Chúng có thể truy xuất tệp tin.
Chúng có thể tóm tắt thông tin.
Nhưng chuyên môn thực sự đòi hỏi nhiều hơn là lưu trữ.
Nó đòi hỏi sự hình thành khái niệm.
Nó đòi hỏi ngữ cảnh bền vững.
Nó đòi hỏi suy luận về các mối quan hệ.
Nó đòi hỏi biết cái gì cần củng cố, cái gì cần làm yếu đi, cái gì cần quên và cái gì cần kết nối.
Đây là lý do tại sao $REI thú vị.
REI không cố gắng chiến thắng bằng cách nói:
"Chúng tôi có một AI agent khác."
Cách định vị mạnh mẽ hơn là:
"Chúng tôi đang xây dựng một hệ thống có thể tiến hóa thành một lớp suy luận chuyên biệt theo lĩnh vực."
Đó là một tuyên bố rất khác biệt.
Nhận Thức Bền Vững Là Gì?
Theo nhận thức bền vững, tôi muốn nói đến một hệ thống không chỉ đơn thuần lưu trữ các tương tác trong quá khứ, mà còn thay đổi cách nó suy luận vì những tương tác đó.
Sự khác biệt này rất quan trọng.
Bộ nhớ không phải là nhận thức.
Một cơ sở dữ liệu có thể lưu trữ một sự kiện.
Một hệ thống tìm kiếm vector có thể truy xuất một tài liệu.
Một chatbot có thể nhớ tên bạn.
Nhưng nhận thức là khả năng sử dụng tương tác trước đó để định hình lại suy luận trong tương lai.
Một hệ thống hữu ích không chỉ nên nhớ những gì đã xảy ra.
Nó nên hiểu tại sao điều đó lại quan trọng.
Nó nên biết khái niệm nào có liên quan.
Nó nên biết khi nào ngữ cảnh cũ đã lỗi thời.
Nó nên biết khi nào một sự hiệu chỉnh nên cập nhật hành vi trong tương lai.
Nó nên trở nên hữu ích hơn khi được sử dụng.
Đó là điều mà hầu hết các AI agent vẫn thất bại.
Và đó là lúc REI Core tham gia vào cuộc trò chuyện.
REI Core Bằng Ngôn Ngữ Đơn Giản
REI Core là trái tim của dự án.
Đội ngũ mô tả nó như một hệ thống trí tuệ thuật toán, không phải là một foundation model tiêu chuẩn.
Phần quan trọng không phải là nó có thể tạo ra câu trả lời.
Phần quan trọng là cách nó cố gắng tạo ra câu trả lời.
Tài liệu công khai của REI mô tả Core như một hệ thống được xây dựng xung quanh các thuật toán độc quyền, xử lý song song, cấu trúc nội bộ thích ứng và học tập trong thời gian suy luận.
Nói một cách đơn giản:
Core được thiết kế để xây dựng, sửa đổi và suy luận trên một cấu trúc kiến thức bền vững.
Cấu trúc đó không chỉ là một thư mục ký ức.
Nó gần giống với một bề mặt suy luận năng động.
Các khái niệm có thể được kết nối.
Các mối quan hệ có thể được củng cố.
Các đường dẫn yếu có thể mờ dần.
Các mô hình mới có thể xuất hiện.
Hệ thống có thể trở nên chuyên biệt hơn thông qua tương tác lặp đi lặp lại.
Đó là điểm mấu chốt.
Một LLM thông thường có thể tạo ra ngôn ngữ.
Một hệ thống RAG có thể truy xuất thông tin.
Một agent sử dụng công cụ có thể thực thi các tác vụ.
Nhưng REI Core đang cố gắng làm cho chính lớp suy luận trở nên thích ứng.
Đó là lý do tại sao gọi nó là "một wrapper AI khác" là hoàn toàn sai lầm.
Tại Sao Đây Không Chỉ Là RAG
RAG rất hữu ích.
Nhưng RAG không phải là nhận thức.
Một hệ thống RAG thường hỏi:
"Những đoạn tài liệu nào gần gũi về mặt ngữ nghĩa với truy vấn này?"
Một hệ thống suy luận khái niệm hỏi một câu sâu sắc hơn:
"Những khái niệm nào liên quan, chúng có quan hệ với nhau như thế nào, đường dẫn nào kết nối chúng, và kết luận nào xuất hiện khi đi qua cấu trúc đó?"
Sự khác biệt đó là rất lớn.
Truy xuất có thể tìm thấy thông tin.
Suy luận nên tạo ra cấu trúc.
Truy xuất có thể đưa ra một tài liệu.
Suy luận nên hiểu tại sao tài liệu đó lại quan trọng.
Truy xuất có thể trả về một sự kiện.
Suy luận nên hiểu sự kiện đó thay đổi các niềm tin khác như thế nào.
Truy xuất là về quyền truy cập.
Nhận thức là về sự biến đổi.
Đây là lúc cách đóng khung "Suy luận khái niệm" của REI trở nên quan trọng.
Ý tưởng là trí thông minh không chỉ nên khớp các mẫu trong văn bản.
Nó nên xây dựng các biểu diễn có cấu trúc của các khái niệm và mối quan hệ.
Mã nguồn là khái niệm.
Dữ liệu thị trường là khái niệm.
Tiền lệ pháp lý là khái niệm.
Nghiên cứu khoa học là khái niệm.
Sở thích cá nhân là khái niệm.
Nếu một thứ gì đó có cấu trúc, mối quan hệ và ngữ cảnh, nó có thể trở thành một phần của hệ thống suy luận.
Đó là không gian thiết kế mà REI đang hướng tới.
Tại Sao Điều Này Lại Quan Trọng Ngay Bây Giờ
Thời điểm rất quan trọng.
Việc áp dụng AI đang bùng nổ.
Chi tiêu cho hạ tầng AI đang bùng nổ.
Các sản phẩm agent đang bùng nổ.
Nhưng trí nhớ AI bền vững, suy luận đáng tin cậy và khả năng học tập theo lĩnh vực vẫn còn yếu.
Điều này tạo ra một khoảng cách giữa những gì AI trông như thế nào trong các bản demo và những gì doanh nghiệp thực sự cần trong sản xuất.
Phiên bản demo của AI là:
"Hãy hỏi một câu hỏi và nhận được một câu trả lời hay."
Phiên bản sản xuất của AI là:
"Hệ thống này có thể hiểu lĩnh vực của chúng ta, nhớ những gì quan trọng, thích ứng theo thời gian và trở nên đáng tin cậy hơn thông qua việc sử dụng lặp đi lặp lại không?"
Vấn đề thứ hai khó hơn nhiều.
Đó cũng là nơi giá trị kinh tế thực sự nằm.
Một công ty không cần một AI chỉ đơn giản biết các sự kiện chung chung.
Nó cần một AI hiểu được môi trường hoạt động của chính nó.
Tài liệu của nó.
Quy trình làm việc của nó.
Các trường hợp ngoại lệ của nó.
Khách hàng của nó.
Chính sách của nó.
Ngôn ngữ nội bộ của nó.
Các quyết định lịch sử của nó.
Khả năng chấp nhận rủi ro của nó.
Mục tiêu của nó.
Đó là chuyên môn về lĩnh vực.
Và chuyên môn về lĩnh vực không được tạo ra chỉ bằng một giao diện chatbot chung chung.
Các Ví Dụ Làm Rõ Điều Này
Một AI pháp lý không chỉ nên nhớ các tài liệu.
Nó nên hiểu cách một công ty suy luận về rủi ro.
Nó nên kết nối tiền lệ, thẩm quyền, sở thích của khách hàng, phong cách soạn thảo và các ràng buộc chiến lược.
Một AI nghiên cứu không chỉ nên tóm tắt các bài báo.
Nó nên kết nối các cơ chế, giả định, mâu thuẫn và các câu hỏi mở.
Nó nên biết những phát hiện nào củng cố lẫn nhau và những phát hiện nào tạo ra sự không chắc chắn.
Một AI thông minh tài chính không chỉ nên thu thập dữ liệu thị trường.
Nó nên học các chế độ, câu chuyện, chất xúc tác, tính phản xạ và sự suy giảm tín hiệu.
Nó nên hiểu khi nào cùng một chỉ số có ý nghĩa khác nhau trong các bối cảnh khác nhau.
Một AI cá nhân không chỉ nên nhớ các sở thích.
Nó nên trở nên tốt hơn trong việc dự đoán bối cảnh.
Nó nên hiểu cách mục tiêu, thói quen, ràng buộc và ưu tiên của bạn phát triển theo thời gian.
Đó là sự khác biệt giữa bộ nhớ và nhận thức.
Bộ nhớ lưu trữ.
Nhận thức thích ứng.
Manh Mối Core 0.5a
Một trong những manh mối công khai quan trọng nhất xung quanh REI là Core 0.5a.
Bản cập nhật 0.5a rất quan trọng vì nó tập trung vào cách các Unit học hỏi, ghi nhớ, duy trì kiến thức và phát triển.
Các ý tưởng chính bao gồm:
• Tiến hóa cấp Unit
• truy xuất kết hợp
• làm giàu kiểu siêu đồ thị
• xử lý ngữ cảnh thích ứng
• duy trì kiến thức
• độ tin cậy trong thời gian chạy
• cải thiện hành vi học tập
Đây không phải là ngôn ngữ của một wrapper chatbot đơn giản.
Đó là ngôn ngữ của một nhóm đang cố gắng làm cho việc học và suy luận trở nên mạnh mẽ hơn ở cấp độ unit.
Cụm từ quan trọng nhất là Tiến hóa cấp Unit.
Nếu các Unit có thể tiến hóa riêng lẻ, thì hai Unit không nên giống hệt nhau sau khi sử dụng khác nhau.
Một Unit được huấn luyện trên suy luận pháp lý nên phát triển khác với một Unit được huấn luyện trên nghiên cứu thị trường.
Một Unit được huấn luyện trên dữ liệu lâm sàng nên phát triển khác với một Unit được huấn luyện trên chiến lược sản phẩm.
Một Unit được huấn luyện bởi một người vận hành giỏi nên trở nên có giá trị hơn một Unit được huấn luyện kém.
Đó là ý tưởng dài hạn.
Một Unit không chỉ là một trợ lý.
Một Unit là một bề mặt nhận thức có thể huấn luyện được.
Nếu luận điểm đó hoạt động, thì các Unit được huấn luyện có thể trở thành tài sản nhận thức chuyên biệt theo lĩnh vực.
Không phải prompt.
Không phải thư mục.
Không phải lịch sử trò chuyện.
Không phải agent chung chung.
Tài sản nhận thức.
Tại Sao Factory Lại Quan Trọng
Core là động cơ.
Factory là bề mặt sản phẩm.
Factory là nơi người dùng có thể tạo ra các agent nhận thức cá nhân được hỗ trợ bởi Core.
Cụm từ quan trọng không phải là "tạo một agent."
Mọi người đều đang tạo agent.
Cụm từ quan trọng là "các agent tiến hóa cùng với người dùng."
Đó là sự khác biệt.
Nếu Factory hoạt động, sản phẩm không chỉ là:
"Tạo một bot."
Sản phẩm trở thành:
"Tạo một Unit phát triển thành một đối tác suy luận chuyên biệt."
Một Unit cho nghiên cứu.
Một Unit cho quy trình làm việc pháp lý.
Một Unit cho phân tích tài chính.
Một Unit cho vận hành.
Một Unit cho năng suất cá nhân.
Một Unit cho chiến lược.
Một Unit cho bất kỳ lĩnh vực nào mà ngữ cảnh bền vững và tương tác lặp đi lặp lại là quan trọng.
Lĩnh vực càng cụ thể, Unit càng có thể trở nên có giá trị.
Đó là điều ngược lại với mô hình chatbot chung chung.
AI chung chung cạnh tranh dựa trên quyền truy cập vào cùng các foundation model.
Nhận thức miền tích lũy xung quanh người dùng.
Đó là một luận điểm mạnh mẽ hơn nhiều.
Tại Sao Điều Này Có Thể Bổ Sung Cho LLMs
Luận điểm lạc quan về REI không phải là "LLMs đã chết."
Điều đó quá đơn giản.
LLMs rất xuất sắc trong việc xử lý ngôn ngữ.
Chúng là những giao diện mạnh mẽ.
Chúng là những công cụ suy luận hữu ích trong nhiều bối cảnh.
Nhưng ngôn ngữ không phải là toàn bộ vấn đề.
Ngôn ngữ là giao diện.
Nhận thức là những gì nên xảy ra bên dưới.
Đó là lý do tại sao REI không cần thay thế LLMs để trở nên quan trọng.
Nó có thể bổ sung cho chúng.
Một LLM có thể nói.
Core có thể suy luận.
Factory có thể phân phối.
Catalog có thể kiếm tiền từ sự chuyên biệt hóa.
$REI có thể điều phối quyền truy cập và giá trị.
Đó là stack mà tôi đang theo dõi.
Không phải một chatbot khác.
Một lớp nhận thức tiềm năng bên dưới các ứng dụng AI.
Thị Trường Đang Định Giá Sai Danh Mục
Hầu hết các dự án AI crypto rất dễ phân loại.
AI agent.
GPU coin.
Ứng dụng RAG.
LLM wrapper.
DePIN compute.
Chatbot.
REI khó hơn.
Nó không hoàn toàn phù hợp với các danh mục hiện có.
Điều đó làm cho nó khó giải thích hơn.
Nhưng đó cũng là lý do tại sao nó có thể bị định giá sai.
Thị trường thường giỏi trong việc định giá các ứng dụng có thể nhìn thấy.
Chúng kém hơn trong việc định giá cơ sở hạ tầng trước khi cơ sở hạ tầng trở nên rõ ràng.
Chúng giỏi trong việc định giá các bản demo.
Chúng kém hơn trong việc định giá kiến trúc.
Chúng giỏi trong việc định giá các câu chuyện đơn giản.
Chúng kém hơn trong việc định giá các nguyên thủy mới.
Đó là lý do tại sao tôi nghĩ REI xứng đáng được chú ý.
Không phải vì mọi tuyên bố đã được chứng minh.
Bởi vì danh mục mà nó đang nhắm tới lớn hơn nhiều so với "token AI."
Nếu đội ngũ đúng, đây không chỉ là xây dựng một sản phẩm AI khác.
Đây là về việc xây dựng một lớp còn thiếu trong stack AI.
Điều Gì Sẽ Chứng Minh Luận Điểm?
Cách tiếp cận đúng đắn với REI không phải là niềm tin mù quáng.
Các tuyên bố rất lớn.
Danh mục còn sớm.
Gánh nặng chứng minh là rất cao.
Đối với tôi, các điểm chứng minh chính rất đơn giản:
• Các Unit được huấn luyện có trở nên tốt hơn một cách có thể đo lường theo thời gian không?
• Chúng có thể giữ lại kiến thức chuyên biệt theo lĩnh vực mà không trở nên nhiễu loạn không?
• Core có thể vượt trội hơn RAG đơn giản trong các tác vụ yêu cầu di chuyển khái niệm không?
• Người dùng có thể xây dựng các agent trở nên có giá trị hơn khi sử dụng lặp đi lặp lại không?
• Người dùng bên ngoài có thể xác minh sự khác biệt giữa bộ nhớ và sự thích ứng thực tế không?
• Factory có thể biến kiến trúc nghiên cứu thành một sản phẩm mà mọi người sử dụng hàng ngày không?
• Catalog cuối cùng có thể tạo ra một thị trường cho các Unit chuyên biệt không?
Đó là bảng điểm.
Nếu REI có thể cho thấy rằng các Unit tích lũy giá trị thông qua tương tác, thị trường sẽ phải suy nghĩ lại xem danh mục này thuộc về đâu.
Bởi vì khi đó tài sản không chỉ là phần mềm.
Tài sản là nhận thức đã được huấn luyện.
Rủi Ro Là Rõ Ràng
Một luận điểm lạc quan nghiêm túc nên bao gồm cả rủi ro.
REI đang đưa ra những tuyên bố kiến trúc lớn trong một thị trường đầy rẫy AI hão huyền.
Điều đó có nghĩa là tiêu chuẩn rất cao.
Dự án nên được đánh giá dựa trên các bản phát hành, sự rõ ràng về mặt kỹ thuật, bằng chứng từ người dùng, xác nhận bên ngoài và liệu các Unit có thực sự cải thiện thông qua việc sử dụng lặp đi lặp lại hay không.
Cũng có rủi ro về thực thi.
Nghiên cứu là khó.
Biến nghiên cứu thành sản phẩm còn khó hơn.
Biến nghiên cứu thành một mạng lưới kinh tế bản địa crypto lại càng khó hơn.
Vì vậy, không, đây không phải là một kết quả được đảm bảo.
Nhưng đó chính xác là lý do tại sao nó thú vị.
Thị trường không chú ý đến REI vì các tuyên bố dễ dàng.
Thị trường đang chú ý vì các tuyên bố rất lớn.
Và nếu các tuyên bố được xác nhận, tiềm năng tăng giá không phải là "một token AI agent khác."
Tiềm năng tăng giá là một nguyên thủy mới cho các hệ thống AI thích ứng.
Tại Sao Crypto Lại Quan Trọng Ở Đây
Nhiều người thấy crypto gắn với AI và ngay lập tức cho rằng điều tồi tệ nhất.
Bản năng đó có thể hiểu được.
Crypto đã tạo ra vô số câu chuyện AI với rất ít nội dung thực chất.
Nhưng lớp crypto trong REI không chỉ mang tính trang trí.
Luận điểm thú vị hơn là các Unit có thể trở thành tài sản kỹ thuật số có ý nghĩa về mặt kinh tế.
Nếu một Unit có thể được huấn luyện, chuyên biệt hóa và cải thiện theo thời gian, thì quyền truy cập vào Unit đó rất quan trọng.
Việc sử dụng rất quan trọng.
Quyền sở hữu rất quan trọng.
Việc triển khai rất quan trọng.
Việc xác minh rất quan trọng.
Các thị trường rất quan trọng.
Đó là lúc $REI trở nên thú vị hơn một nhãn token đơn giản.
Token có thể nằm xung quanh quyền truy cập, việc sử dụng SDK/API, triển khai và điều phối hệ sinh thái trong tương lai.
Nếu Catalog trở thành một thị trường cho các Unit chuyên biệt, thiết kế kinh tế càng trở nên quan trọng hơn.
Hãy tưởng tượng các Unit được huấn luyện cho:
• nghiên cứu pháp lý
• phân tích thị trường
• khám phá khoa học
• vận hành sản phẩm
• năng suất cá nhân
• tuân thủ
• quy trình làm việc mã hóa
• kiến thức doanh nghiệp
Một agent chung chung rất dễ sao chép.
Một Unit chuyên biệt theo lĩnh vực có thể không dễ sao chép.
Đó là góc nhìn bản địa crypto đáng để chú ý.
Không phải "AI + token."
Mà là quyền truy cập và điều phối xung quanh các tài sản nhận thức chuyên biệt.
Mô Hình Tinh Thần Hiện Tại Của Tôi
Cách tốt nhất mà tôi hiện hiểu về REI là:
LLMs nói.
Core suy luận.
Factory phân phối.
Catalog có thể kiếm tiền từ sự chuyên biệt hóa.
$REI điều phối quyền truy cập và giá trị.
Đó là stack.
Đây là lý do tại sao dự án khó giải thích trong một câu.
Nó không chỉ là một agent.
Nó không chỉ là một mô hình.
Nó không chỉ là một chatbot.
Nó không chỉ là một token.
Nó là một canh bạc rằng ranh giới tiếp theo của AI không phải là prompt tốt hơn, mà là nhận thức bền vững.
Và đó là một canh bạc thú vị hơn nhiều.
Luận Điểm Trong Một Câu
Hầu hết các AI agent không học hỏi.
Chúng truy xuất, ghi nhớ và thực thi.
REI đang đặt cược rằng ranh giới tiếp theo là nhận thức thích ứng: các hệ thống hình thành khái niệm, duy trì kiến thức, tiến hóa thông qua tương tác và trở nên chuyên biệt theo lĩnh vực theo thời gian.
Đó là lý do tại sao tôi đang theo dõi $REI.
Không phải vì luận điểm nhỏ.
Bởi vì nó không nhỏ.
Không phải lời khuyên tài chính.
Kiến trúc > cường điệu.
Nguồn / Đọc Thêm
Chính thức:
Bài viết chính về REI:
Huấn luyện trong Thời gian Suy luận
Tài khoản:
@rei_labs
@0xreisearch
Bài đăng Quan trọng Cần Đọc:
Bài đăng mới nhất của @rei_labs
Tầm nhìn / tính mô-đun / bài học 2025
Bối cảnh bên ngoài:
![Các kỹ thuật sử dụng AI thiên tài của Yusuke Narita [Phiên bản lưu trữ]](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1784137658627_u4bwry_HNMS89bbsAAUPJI.jpg)
