Tôi bắt đầu nhìn vào NEWTON từ một chỗ đơn giản.
Không phải từ khoảnh khắc khi một tác nhân AI trông có vẻ ấn tượng.
Không phải từ khoảnh khắc mọi thứ chạy suôn sẻ.
Tôi quan sát điều gì đã xảy ra trước khi hành động.
Khoảng trống nhỏ đó trước khi thực thi khiến tôi bận tâm.
Bởi vì phần dễ nhất của một quy trình AI thường là phần nhìn thấy được. Một yêu cầu được gửi đi, một phản hồi xuất hiện, và người dùng cảm thấy như đã có tiến triển.
Nhưng tôi nhận ra một câu hỏi khác đang hình thành.
Điều gì quyết định xem hành động đó có thực sự sẵn sàng hay không?
Càng thử nghiệm quy trình, tôi càng thấy lặp lại cùng một mẫu.
Vấn đề không phải lúc nào cũng là khả năng tạo ra một câu trả lời.
Vấn đề là liệu hệ thống có đủ sự căn chỉnh trước khi tiến về phía trước hay không.
Một câu trả lời nhanh vẫn có thể tạo ra các vấn đề chậm.
Một hành động hữu ích vẫn có thể trở thành một quyết định tệ nếu bối cảnh phía sau nó không đầy đủ.
Đó là sự không khớp mà tôi cứ quay lại mãi.
Các hệ thống AI đang ngày càng giỏi trong việc làm mọi việc. Thách thức khó hơn là đảm bảo rằng chúng đang làm đúng việc vào đúng thời điểm.
NEWTON đã khiến tôi nhìn khoảnh khắc đó theo một cách khác.
Quy trình không giống như một vòng lặp lệnh và phản hồi đơn giản.
Nó giống như một quy trình hơn, nơi các hành động cần được chuẩn bị, đánh giá và phối hợp trước khi chúng trở nên có ý nghĩa.
Tác nhân không chỉ tạo ra đầu ra.
Nó hoạt động bên trong một môi trường lớn hơn, nơi thời điểm, ý định và các điều kiện thực thi đều quan trọng.
Điều thú vị là yêu cầu này thường vô hình đến mức nào.
Khi mọi thứ hoạt động trơn tru, người dùng hiếm khi nhận ra những lần kiểm tra ẩn.
Họ chỉ nhận ra kết quả.
Nhưng khi hệ thống thiếu sự căn chỉnh phù hợp, điểm yếu sẽ xuất hiện sau đó.
Một giả định sai sẽ tích lũy sai sót.
Một phản ứng bị chậm sẽ trở nên tốn kém.
Một hành động trông có vẻ hiệu quả trở nên kém hiệu quả vì điểm xuất phát không rõ ràng.
Đây là lúc tôi bắt đầu nhìn THIẾT KẾ của NEWTON theo một cách khác.
Câu hỏi quan trọng không chỉ là “Một tác nhân có thể hành động không?”
Câu hỏi sâu hơn là “Điều gì đủ điều kiện để một hành động được thực hiện trước khi nó xảy ra?”
Điều đó thay đổi vai trò của tự động hóa.
Thay vì loại bỏ phán đoán của con người khỏi vòng lặp, trọng tâm chuyển sang tạo ra những điều kiện tốt hơn xung quanh vòng lặp.
Tác nhân trở nên ít giống như một nút bấm tạo ra kết quả và hơn như một người tham gia phải điều hướng trong một môi trường có cấu trúc.
Với tôi, đây là lúc giá trị của sự phối hợp bản địa trở nên rõ ràng hơn.
Hệ thống không cố gắng làm mọi hành động xảy ra nhanh hơn.
Nó đang cố gắng giảm ma sát vô hình xuất hiện khi hành động diễn ra mà không có đủ ngữ cảnh.
$NEWT kết nối cũng dễ hiểu hơn theo góc nhìn này.
Mã thông token không thú vị vì nó tồn tại như một tài sản khác trong hệ sinh thái.
Tính liên quan của nó đến từ chính điểm áp lực đó.
Khi các hệ thống dựa trên tác nhân (agent-based) trở nên hoạt động tích cực hơn, các bài toán về phối hợp, tham gia và sự căn chỉnh trở nên khó bỏ qua hơn.
Hạ tầng xung quanh các hành động đó cần có cơ chế riêng.
Điều khiến tôi ngạc nhiên nhất là thách thức lớn nhất không phải là xây dựng một AI có thể di chuyển.
Nhiều hệ thống đã có thể di chuyển.
Thách thức khó hơn là biết khi nào việc di chuyển phản ánh tiến triển và khi nào nó chỉ là hoạt động.
Sự phân biệt đó trở nên quan trọng hơn khi các quy trình tự động hoạt động trở nên phổ biến.
Bởi vì khi các tác nhân bắt đầu xử lý nhiều quyết định hơn, chi phí của một hiểu lầm nhỏ sẽ tăng lên.
Bài kiểm tra thực sự không còn là liệu AI có thể hành động hay không.
Đó là liệu hệ thống có thể nhận ra các điều kiện khiến một hành động đáng để thực hiện hay không.
Đó là đường áp lực mà tôi vẫn theo dõi cùng @NewtonProtocol.
Khi AI có khả năng hành động nhanh hơn mức chúng ta có thể xác minh vì sao nó đã hành động, thì thực ra chúng ta giữ được bao nhiêu quyền kiểm soát?
#Newt $NEWT @NewtonProtocol $VANRY $THE #USJoblessClaimsFallTo215K #MicronPlansOver$25BInvestmentInUSBy2035