Niezależne badania, opublikowane wyniki

Obecne systemy AI są trenowane raz, zamrażane i wdrażane. Nie uczą się z rozmów, nie zachowują wiedzy między sesjami i nie rozwijają się na podstawie własnych doświadczeń. Praca dowodzi, że nie jest to problem mocy obliczeniowej, lecz architektury. Żadne skalowanie nie da statycznemu modelowi zdolności do rozwoju.

DKA proponuje fundamentalnie inny paradygmat: zamiast składać gotową inteligencję w drodze masowego pretrenowania, wykluwa się ją. System zaczyna od małego jądra językowego (modelu o 3-7B parametrów, który rozumie język, ale nic nie wie o świecie) i nabywa możliwości poprzez ustrukturyzowaną interakcję, praktykę, walidację i pamięć trwałą. Każda umiejętność staje się rusztowaniem dla kolejnej, odzwierciedlając sposób, w jaki inteligencja biologiczna rozwija się od wrodzonych zdolności do wyuczonych kompetencji.

Architektura obejmuje pięć powiązanych podsystemów: jądro językowe zapewniające podstawowe rozumienie, podłoże pamięci trwałej przechowujące wyuczoną wiedzę między sesjami, silnik nabywania umiejętności, który identyfikuje luki i uczy się poprzez praktykę, ramę walidacji, która sprawdza nabyte umiejętności względem danych referencyjnych, oraz kontroler metapoznawczy, który monitoruje stan wiedzy systemu i wyznacza priorytety uczenia się.

Praca zawiera konkretne specyfikacje wdrożeniowe, w tym struktury pamięci, wzorce przepływu danych, pseudokod i wymagania sprzętowe, a także przedstawia etapowy proof of concept możliwy do zrealizowania za mniej niż $100K z użyciem powszechnie dostępnego sprzętu i istniejących komponentów open source. Każdy komponent wymagany przez DKA istnieje już dziś jako technologia produkcyjna. DKA jest nowatorska nie dlatego, że wymaga nowych wynalazków, ale dlatego, że łączy istniejące, sprawdzone komponenty w architekturę, której nikt dotąd nie zbudował.