Yunzhong, berichtet aus Aifeisi
QubitAI | WeChat-Konto QbitAI
Vom universellen Modell zur personalisierten Intelligenz: Der Wettbewerb der künstlichen Intelligenz verlagert sich zunehmend in Richtunglangfristigen Lernens und spezialisierter Fähigkeiten,die sich allmählich ansammeln.
Tongyan Lingzhi erforscht Personal AI mit parametrisiertem Lernen und kontinuierlicher Evolution als Kern, sodass Einzelpersonen und Organisationen im Prozess der KI-Nutzung nach und nach eigene Intelligenzvermögen aufbauen.
In den vergangenen Jahren haben große Modelle ständig ihre Fähigkeitsgrenzen erweitert, und immer mehr Unternehmen beginnen, KI über APIs, Wissensbasen und Agenten in Kernbereiche wie Forschung und Entwicklung, Investmentanalysen und Betrieb einzuführen.
Doch je länger KI an der tatsächlichen Arbeit beteiligt ist, desto deutlicher tritt eine neue Frage hervor:Werden die großen Mengen an Geschäftserfahrungen, die Unternehmen täglich erzeugen, lediglich vorübergehend vom Modell abgerufen, oder können sie nach und nach zu eigenen KI-Fähigkeiten verdichtet werden?
Globale Technologieunternehmen haben bereits begonnen, diese Richtung zu erkunden.
OpenAI verbessert mit Dreaming das Langzeitgedächtnis von ChatGPT, sodass es historische Interaktionen zusammenfassen und die Präferenzen, den Projektkontext und die langfristigen Bedürfnisse der Nutzer besser verstehen kann; Muse von Meta geht noch weiter und kombiniert personalisiertes Verständnis mit autonomer Ausführung, um Personal Agents vom Beantworten von Fragen zum Erledigen tatsächlicher Aufgaben zu führen.
Sowohl das Langzeitgedächtnis als auch die aktive Ausführung spiegeln einen zunehmend klaren Trend wider: KI entwickelt sich von einem universellen Werkzeug für alle zu einer langfristigen intelligenten Dienstleistung für konkrete Nutzer.
Li Wei, CEO der Industriaplattform des Beijing Institute for General Artificial Intelligence, ist der Ansicht: „Je stärker die Basismodelle sind, desto größer ist die Wirkung, die personalisierte Intelligenz entfalten kann. Wir glauben an eine neue technische Arbeitsteilung: Fortschrittliche Basismodelle bieten geteilte universelle Fähigkeiten, während personalisierte Modelle durch langfristige Interaktion und kontinuierliches Evolutionslernen nach und nach spezialiserte Fähigkeiten entwickeln, die den Bedürfnissen unterschiedlicher Akteure entsprechen.“
Hinweis: Tongyan Lingzhi stützt sich auf die wissenschaftlichen Grundlagen und Ressourcen für industrielle Umsetzung des Beijing Institute for General Artificial Intelligence (BIGAI) und konzentriert sich auf die Forschung und Entwicklung kontinuierlich selbst-evolvierender spezialisierter Modelle (Personal AI) für Unternehmen und Einzelpersonen. Durch personalisiertes Modelltraining, kontinuierliches Lernen und Optimierung der Rechenleistung auf unterer Ebene wird Fachwissen und Geschäftserfahrung in kontinuierlich evolutionsfähige spezialisierte Intelligenzfähigkeiten überführt.
Wenn Personalisierung zu einem branchenweiten Thema wird, beginnt auch die technische Erforschung, sich in das Innere der Modelle zu erstrecken.
Kann KI, abgesehen davon, dass sie sich an Informationen des Nutzers erinnert, wirklich aus den langfristig entstandenen Erfahrungen von Einzelpersonen und Organisationen lernen? Können diese Fähigkeiten mit der Nutzung kontinuierlich aktualisiert und nach einem Wechsel des Basismodells bewahrt werden? Und wie lassen sich Trainings- und Betriebskosten kontrollieren, wenn die Zahl spezialisierter Modelle stetig wächst?
Tongyan Lingzhi richtet seine technologische Richtung aufRecursive Self-Improving Personal AI (rekursiv selbst-evolvierende personalisierte Intelligenz)aus und versucht, auf die genannten Fragen eine systematische Lösung zu bieten.
Gestützt auf die wissenschaftlichen und industriellen Ressourcen des Beijing Institute for General Artificial Intelligence entscheidet sich das Unternehmen dafür, auf bestehenden universellen Modellen aufzubauen und die spezialiserten Fähigkeiten unterschiedlicher Akteure durch leichtgewichtige personalisierte Parameter zu tragen, kombiniert mit Mechanismen für kontinuierliches Lernen und Techniken zur Rechenleistungsssteuerung, damit sich das Modell bei langfristiger Nutzung fortlaufend an den Nutzer anpasst.
Das Ziel dieser Technologiearchitektur ist es, dass Einzelpersonen, Projekte und Unternehmen nicht jeweils vollständige universelle große Modelle trainieren müssen, sondern schrittweise eine eigene, den jeweiligen Bedürfnissen entsprechende und kontinuierlich weiterentwickelbare spezialisierte Intelligenz aufbauen können.
Vom Langzeitgedächtnis zum Modelllernen: Personalisierung erreicht die Parameter-Ebene
Bei der Nutzung desselben Coding-Agents können unterschiedliche Entwicklungsteams deutlich unterschiedliche Ergebnisse erzielen.
Ein ausgereiftes Softwaresystem hat oft eigene Architekturprinzipien, technische Standards und historische Randbedingungen; erfahrene Ingenieure wissen, welche Module nicht leichtfertig verändert werden dürfen, und wissen auch, wann Stabilität Vorrang vor der technisch optimalen Lösung haben muss.
Ein Teil dieser Erfahrungen ist in Dokumenten festgehalten, der größere Teil jedoch verstreut in langfristigen Codeänderungen, Lösungsdiskussionen und der Projektpraxis.
Ähnliches gilt für Bereiche wie Finanzinvestments und Unternehmensbetrieb. Universelle Modelle können Märkte analysieren und Geschäftsprozesse verstehen, doch die Risikopräferenzen, Entscheidungsgewohnheiten und Arbeitsmethoden, die sich in verschiedenen Teams über lange Zeit herausgebildet haben, lassen sich meist nur durch kontinuierliche Zusammenarbeit allmählich erfassen.
Derzeit stützt sich KI vor allem auf Mechanismen wie Prompt, RAG, Memory und Skill, um sich an konkrete Szenarien anzupassen. Sie übernehmen jeweils Aufgaben wie Anweisungsbeschränkung, Wissensabruf, Zustandsspeicherung und Fähigkeitswiederverwendung und sind zu wichtigen Bestandteilen unternehmensseitiger Anwendungen großer Modelle geworden. Solche Mechanismen organisieren Informationen jedoch hauptsächlich außerhalb des Modells; die Parameter des Modells selbst verändern sich in der Regel nicht durch eine einzelne Geschäftstransaktion.
Wenn der Bedarf an Personalisierung vom Informationsabruf bis zu langfristigen Verhaltensmustern reicht, bietet das parametrisierte Lernen eine weitere technische Option.
Tongyan Lingzhi verwendet eine Architektur, die ein gemeinsames Basismodell (Base Model) mit personalisierten Parametern (Personal Parameters) kombiniert.Basismodelle bieten allgemeines Wissen und Schlussfolgerungsfähigkeiten, während verschiedene Einzelpersonen, Projekte und Unternehmen eine Parameteranpassung über leichtgewichtige Personal LoRAs vornehmen und so verifizierte fachliche Präferenzen und Verhaltensmerkmale schrittweise in das Modell einbringen.
Während herkömmliche Branchenmodelle hauptsächlich die Fähigkeitsunterschiede zwischen verschiedenen Branchen lösen, richtet dieser Ansatz die Aufmerksamkeit weiter auf die Unterschiede zwischen verschiedenen Nutzern innerhalb derselben Branche und derselben Aufgabe. So benötigen beispielsweise zwei Projekte trotz gleicher Softwareentwicklung möglicherweise völlig unterschiedliche Engineering-Standards; und auch in der Investitionsforschung haben verschiedene Teams jeweils eigene Bewertungsmäßstäbe und Risikodisziplinen.
Das bedeutet nicht, dass Wissensdatenbanken und Langzeitgedächtnis an Wert verlieren würden. Dynamisches Wissen muss weiterhin abgerufen werden, Aufgabenzustände müssen weiterhin aufgezeichnet werden, und jene Verhaltensmuster, die in langfristiger Praxis wiederholt auftreten und relativ stabil sind, können durch Training weiter in parametrisierte Fähigkeiten umgewandelt werden.
Personalisierung erstreckt sich damit allmählich von „dem Modell mehr Informationen über den Nutzer vermitteln“ hin zu „dem Modell helfen, Fähigkeiten zu entwickeln, die besser zu den Bedürfnissen des Nutzers passen“.
Tongyan Lingzhi-CEO Xie Xiaonan erklärte: „Der Bedarf von Unternehmen an KI verschiebt sich vom Erwerb allgemeiner Fähigkeiten hin zum Aufbau exklusiver Fähigkeiten. Dieselbe Art universeller Intelligenzdienste wird von immer mehr Unternehmen erhältlich sein; den wahren Unterschied macht aus, ob es gelingt,die im eigenen Unternehmen langfristig entstandenen fachlichen Urteile und Arbeitsweisen als Modellfähigkeiten zu konsolidierenund nicht ewig auf der Ebene des ‚Nachschlagens von Informationen‘ stehen zu bleiben.“
Damit Modelle in der tatsächlichen Arbeit wachsen können, ist der Schlüssel der Aufbau eines vertrauenswürdigen Lernmechanismus
Sobald exklusive Parameter vorhanden sind, entstehen neue Herausforderungen: Wie kann das Modell kontinuierlich wertvolle Erfahrungen aufnehmen und gleichzeitig vermeiden, dass sich im Lernprozess Fehler ansammeln?
Der tägliche Einsatz von KI in Unternehmen erzeugt eine große Menge an Feedback. Entwickler akzeptieren oder ändern Code, Vertriebler passen ihre Kundenkommunikationsstrategien an, Investmentmanager korrigieren Forschungsergebnisse – all diese Verhaltensweisen enthalten potenzielle Lernsignale. Aber ein einzelnes Feedback muss nicht necessarily einem langfristigen Muster entsprechen, und eine erfolgreiche Beurteilung bedeutet nicht, dass dieselbe Strategie in allen Szenarien anwendbar ist.
Werden Interaktionsaufzeichnungen ohne Auswahl zum Training verwendet, kann das Modell zufällige Präferenzen verstärken und sogar bestehende Fähigkeiten beeinträchtigen. Daher erfordert kontinuierliches Lernen Mechanismen, die wirksames Feedback erkennen, die Auswirkungen von Aktualisierungen bewerten und Verhaltensänderungen des Modells steuern können.
Tongyan Lingzhi entwickelt rund um diesen Bedarf die RSI-Technologie (Recursive Self-Improvement, rekursive Selbstverbesserung), die durch kooperative Iteration von Modell und Evaluator ein Framework für kontinuierliches Lernen aufbaut.
In diesem Framework bilden zunächst die aus dem Geschäftsbetrieb entstandenen Aufgabenverläufe, manuellen Korrekturen und tatsächlichen Ergebnisse Kandidatendaten für das Lernen. Der Evaluator filtert und beurteilt das Feedback anhand der Bewertungskriterien des jeweiligen Nutzers oder Unternehmens, bevor die gültigen Samples für inkrementelle Aktualisierungen des Personal LoRA verwendet werden.
Das aktualisierte Modell muss einer weiteren Bewertung unterzogen werden, bei der seine Aufgabenleistung mit der der ursprünglichen Version verglichen wird. Nur Aktualisierungen, die die vorgegebenen Anforderungen erfüllen, gehen in den Betrieb; auffällige Ergebnisse werden durch Versionskontrolle und Rollback-Mechanismen behandelt.
Gleichzeitig können die tatsächlichen Auswirkungen von Modellaktualisierungen umgekehrt zur Verbesserung des Evaluators genutzt werden, sodass das System die Filterung der Lernenden sowie die Bewertungskriterien schrittweise optimiert.
Am Beispiel der Softwareentwicklung: Das System kann Code-Review-Aufzeichnungen analysieren, um herauszufinden, warum bestimmte Arten von Änderungen wiederholt akzeptiert oder abgelehnt wurden, und durch nachfolgende Aufgaben überprüfen, ob das Modell die entsprechenden technischen Anforderungen wirklich beherrscht hat. Mit der fortschreitenden Ansammlung wirksamen Feedbacks hat das Modell die Möglichkeit, sich schrittweise an die von einem Team langfristig entwickelten Arbeitsweisen anzupassen.
Dieser Mechanismus beinhaltet technische Herausforderungen wie kATAstrophales Vergessen (catastrophic forgetting), Feedback-Kontamination, Modell-Drift und Aktualisierungsstabilität. Tongyan Lingzhi erklärt, dass der zentrale technologische Pfad und die Produktarchitektur von RSI mittlerweile klar seien; die entsprechenden Module würden derzeit in eine technische Umsetzung überführt, während der vollständige automatisierte Kreislauf sich noch in kontinuierlicher Entwicklung befinde.
Tongyan-Lingzhi-CTO Chu Bingbing erklärte, dass während des Trainings keineswegs ein einfaches Klicken des Nutzers auf „Ablehnen“ sofort zum Trainieren des Modells verwendet werde. Der von ihnen eingeführte Evaluator prüfe zunächst, ob dieses Feedback einen Lernwert habe; ein einzelnes Feedback sei nur ein Signal, erst wiederholt auftretende Muster könnten tatsächlich zu Lernen werden. Nach einer Modellaktualisierung werde das Modell zudem mit der alten Version auf derselben Aufgabe erneut getestet: Nur bei bestätigter Verbesserung gehe es live, bei Verschlechterung erfolge ein Rollback – so werden Sicherheit und Effizienz der Evolution gewährleistet.
Langfristig gesehen haben Unternehmen die Möglichkeit, den Aufwand für wiederholte Konfigurationen und zentrales Training zu reduzieren, wenn Modelle in realen Geschäftsabläufen stabil lernen können, sodass sich die KI-Fähigkeiten mit der Geschäftsentwicklung schrittweise aktualisieren.
Wenn exklusive Modelle skalieren, sind die Kosten für Rechenressourcen eine reale Größe
Die Kommerzialisierung personalisierter Modelle steht vor einer weiteren realen Einschränkung: den Kosten.
Wenn ein Unternehmen künftig für Hunderte von Positionen und Tausende von Agenten unterschiedliche Modellparameter pflegen und gleichzeitig kontinuierliches Training und Onlinedienste dieser Modelle unterstützen muss, verursachen herkömmliche Verfahren mit unabhängigem Training und unabhängiger Bereitstellung erhebliche Rechen- und Verwaltungskosten. Für Plattformen, die eine große Zahl individueller Nutzer bedienen, steigt die Bedeutung der Ressourceneffizienz noch weiter.
Tongyan Lingzhi behandelt daher die KI-Infrastruktur als wichtigen Bestandteil von Personal AI und optimiert sie in Bezug auf die koordinierte Steuerung von Training und Inferenz sowie das VRAM-Management massenhaft personalisierter Parameter.
TIP (Training-Inferenz-Parallelität) löst dabei vor allem das Problem der Ressourcenzuweisung zwischen Training und Online-Inferenz. Traditionelle Architekturen verwalten Modelltraining und Inferenzdienste in der Regel getrennt, doch kontinuierliches Lernen bedeutet, dass beide Aufgabenarten während des Modellbetriebs häufig wechseln.
Tongyan Lingzhi versucht mit Techniken wie Training-Inferenz-Parallelität auf derselben Karte im selben Batch und asynchroner Gradientenakkumulation, unter Wahrung des Online-Dienstes verfügbare Rechenleistung für inkrementelles Training personalisierter Parameter zu nutzen und so die zusätzlichen Kosten separater Trainingsressourcenpools zu reduzieren.
Paged LoRA richtet sich hingegen auf das VRAM-Managementproblem bei der gleichzeitigen Ausführung einer großen Anzahl von Adaptern. Traditionelle Verfahren weisen VRAM oft in größeren festen Einheiten zu; bei wechselnder Modellanzahl und Zugriffsfrequenz kommt es leicht zu unzureichender Ressourcennutzung und schwankender Antwortlatenz. Paged LoRA verwendet seitenbasiertes Management und bedarfsorientierte Zuordnung, sodass verschiedene Personal LoRAs das Basismodell und den GPU-VRAM flexibler gemeinsam nutzen können.
In bereits abgeschlossenen Phasentests verwendete Tongyan Lingzhi Qwen2.5-72B-Instruct mit 8 NVIDIA H800 GPUs und hielt das VRAM-Budget der LoRA im Paged-Modus und im traditionellen Flat-Modus einheitlich bei 5,79 GB. Bei Testlasten mit einem LoRA-Anforderungsanteil von 1 % bis 30 % erzielte der Paged-Ansatz gewisse Vorteile bei Antwortlatenz und Long-Tail-Verhalten.
Die Tests zeigten zugleich, dass bei einem Anstieg des LoRA-Anforderungsanteils auf 50 % häufiges Ein- und Auslagern von Parametern weiterhin zu Leistungsverschlechterung führt. Das Team arbeitet weiter an Optimierungen in Richtung asynchrones Laden und Vorabrufen heißer Parameter; das Verhalten der Technologie in breiteren Produktionsumgebungen muss noch weiter validiert werden.
Chu Bingbing ergänzte, dass zwar die Inferenzkosten der Basismodelle sinken, aber die Aufruffrequenz von Agenten und der Bedarf an personalisiertem Training wachsen. Bei Systemen mit kontinuierlichem Lernen dürfe man nicht nur auf den Preis eines einzelnen Modellaufrufs schauen, sondern müsse die Gesamtkosten von langfristigem Training, Aktualisierung und Betrieb betrachten; nur bei vernünftiger Wirtschaftlichkeit könnten solche Dienste eine breitere Nutzerschaft erreichen.
Für Tongyan Lingzhi dient die Optimierung der zugrunde liegenden Rechenleistung dem langfristigen Betrieb personalisierter Modelle. Durch RSI wird kontinuierliches Lernen vorangetrieben, und mit TIP sowie Paged LoRA wird die Ressourceneffizienz von Training und gleichzeitigen Diensten verbessert. Das Unternehmen hofft, die Nutzungsschwelle für exklusive Modelle schrittweise zu senken, damit diese von teuren kundenspezifischen Dienstleistungen zu breiterer praktischer Anwendung gelangen.
Während die Modelle in ständiger Aktualisierung wechseln – wie lässt sich Intelligenz langfristig aufbauen und bewahren?
Da sich Fähigkeiten, Preise und Bereitstellungsarten von Basismodellen ständig ändern, werden Unternehmen künftig möglicherweise mehrere Modelle gleichzeitig nutzen oder die technische Grundlage je nach geschäftlichen Anforderungen wechseln.
Sobald KI tief in den täglichen Geschäftsbetrieb eingebunden ist, beschränken sich die Kosten eines Modellwechsels nicht mehr nur auf Schnittstellen- und Systemanpassungen. Unternehmen müssen auch berücksichtigen, ob die zuvor mit großem Zeitaufwand angesammelten Trainingsdaten, Arbeitsgewohnheiten, menschlichen Rückmeldungen und Bewertungskriterien in der neuen Modellumgebung weiter nützlich sein können.
Tongyan Lingzhi hofft, durch die Aufteilung in ein gemeinsames Basismodell und personalisierte Fähigkeiten die langfristige Abhängigkeit von einem einzelnen Modellfundament zu verringern.
Zu beachten ist, dass die Strukturen und Parameterräume verschiedener Basismodelle nicht von Natur aus kompatibel sind; Personal LoRAs können in der Regel nicht direkt modellübergreifend wiederverwendet werden. Doch die bereits angesammelten Geschäftsdaten, Trainingssamples, Aufgabenverläufe und Bewertungssysteme eines Unternehmens können weiterhin für die Anpassung und das Training neuer Modelle genutzt werden, wodurch der Aufwand für den Neuaufbau exklusiver Fähigkeiten verringert wird.
Dieser Ansatz gibt Unternehmen auch die Möglichkeit, eigene Modellbewertungsstandards zu etablieren und verschiedene Basismodelle anhand ihrer tatsächlichen Geschäftsleistung zu vergleichen, statt sich bei der Auswahl vollständig auf die allgemeinen Kennzahlen der Modellanbieter zu verlassen.
Ebenso wichtig wie der Modellwechsel ist die Frage, wie langfristig angesammelte Daten und Modellergebnisse verwaltet werden.
Im Produktdesign von Tongyan Lingzhi werden das gemeinsame Basismodell, Unternehmensgeschäftsdaten und personalisierte Parameter in verschiedene Schichten unterteilt, was eine technische Grundlage für Datennutzung, Modelladaptation und das Management entsprechender Ergebnisse bietet. Die konkreten Datenrechte, geistigen Eigentumsrechte und die Zugehörigkeit von Modellergebnissen müssen weiterhin durch Verträge, Genehmigungen und Datengovernance-Mechanismen geklärt werden; die technische Schichtung allein erzeugt nicht automatisch rechtliches Eigentum.
Die Möglichkeit, die diese Architektur bietet, besteht darin, dass Unternehmen bei fortgesetzter KI-Nutzung schrittweise relativ unabhängige Trainingsdaten, Bewertungssysteme und personalisierte Modellfähigkeiten aufbauen und diese Ansammlungen auch bei künftigen Modell-Upgrades oder -Wechseln weiterhin nutzen können.
Für Einzelpersonen gilt dasselbe. Wenn sich deren langfristig entstandene Wissensstrukturen, Fachkenntnisse und Arbeitspräferenzen wirksam bewahren lassen und kontinuierlich zur Anpassung neuer intelligenter Systeme verwendet werden können, ist ihr Wert nicht mehr auf ein einzelnes Produkt oder eine einzelne Dienstleistung beschränkt.
Xie Xiaonan ist auch der Ansicht, dass Unternehmen nicht befürchten müssen, dass ein Wechsel des Modellfundaments ihre angesammelten Vorteile auf null zurücksetzt. Was wirklich dem Unternehmen gehört, sind langfristig angesammelte Geschäftsdaten, Aufgabenverläufe, menschliches Feedback und Evaluationssysteme – diese Vermögenswerte lassen sich auf neuen Modellen erneut anpassen, statt bei null zu beginnen. Das Modell kann gewechselt werden, aber die Erfahrung eines Unternehmens darf nicht gleich mit auf null gesetzt werden.
Aus geschäftlicher Sicht eröffnet Personal AI damit eine beachtenswerte Richtung:Der Wert von KI-Diensten kann von der unmittelbaren Aufgabenerledigung weiter bis zum langfristigen Aufbau intelligenter Vermögenswerte der Nutzer ausgedehnt werden.
Vom technologischen Fortschritt zur Wertschaffung: Intelligenz wirklich dem Menschen dienen lassen
Künstliche Intelligenz definiert neu, wie Wissen und Produktionsfähigkeit entstehen.
Früher wurden die Erfahrungen einer Person hauptsächlich in ihrem eigenen Denken und Handeln bewahrt, während sich die fachliche Kompetenz von Unternehmen auf Mitarbeitende, Regelwerke, Geschäftssysteme und organisatorische Zusammenarbeit verteilte. Da KI zunehmend tiefer in die gesellschaftliche Produktion und den Alltag eingebunden wird, eröffnet sich die Chance, dieses bisher verstreute Wissen und diese Erfahrungen systematisch zu ordnen, zu lernen und wiederzuverwenden.
Doch während die technischen Fähigkeiten kontinuierlich zunehmen, muss auch eine tiefere Frage bedacht werden:
Wenn Nutzer kontinuierlich Interaktionen, Korrekturen und geschäftliches Feedback beitragen und so KI-Systeme intelligenter machen – wie sollte der durch diese Investitionen geschaffene langfristige Wert zu den Personen und Organisationen selbst zurückfließen?
Konventionelle plattformbasierte KI-Dienste stellen Nutzern vor allem unmittelbare Modellfähigkeiten bereit, und das Nutzerverhalten kann den Plattformen ebenfalls helfen, ihre Produkte stetig zu optimieren. Was Personal AI hingegen erforscht, ist, dass Nutzer neben dem Erhalt der Dienste nach und nach exklusive intelligente Vermögenswerte aufbauen, die aus ihrem eigenen Wissen, ihrer Erfahrung und ihrem Urteilsvermögen entstehen, sodass der Wert der langfristigen KI-Nutzung sich fortlaufend ansammeln kann.
Die Bedeutung dieser Anhäufung geht weit über eine Verbesserung der Personalisierung hinaus.
FürEinzelpersonenkönnen fachliche Erfahrungen schrittweise in langfristig nutzbare digitale Fähigkeiten umgewandelt werden, die ihnen helfen, ihre angesammelte Expertise über verschiedene Werkzeuge und Arbeitsumgebungen hinweg fortzuführen.
FürUnternehmenbesteht die Chance, dass langfristig entwickelte Geschäftsmethoden und Organisationswissen durch exklusive Modelle bewahrt und weitergegeben werden, wodurch das Risiko verringert wird, dass zentrale Erfahrungen durch Personalf fluktuation oder Technologiewechsel verloren gehen.
Wenn diese Fähigkeiten zwischen verschiedenen Basismodellen neu angepasst werden können, erhalten Einzelpersonen und Organisationen zudem größeren Freiraum bei der technologischen Wahl und können Modelle entsprechend den eigenen Bedürfnissen bewerten, übernehmen und wechseln, um die langfristige Abhängigkeit von einer einzelnen Plattform zu verringern.
Unternehmen müssen nicht unbedingt ein eigenes universelles Großmodell neu trainieren, sollten aber die Möglichkeit haben, nach und nach eine Reihe eigener intelligenter Fähigkeiten aufzubauen.
Dies spiegelt auch das von Tongyan Lingzhi vertretene „menschenzentrierte personalisierte Intelligenz“ wider. Nach ihrer Auffassung sollte die Entwicklung künstlicher Intelligenz den Anwendern mehr Autonomie geben, das von Einzelpersonen und Organisationen langfristig angesammelte Wissen, die Erfahrungen und das Urteilsvermögen respektieren, bewahren und weiterführen und den durch technologischen Fortschritt geschaffenen Wert breiter den Nutzern zugutekommen lassen.
Schließlich erklärte Li Wei, dass die Allgemeingültigkeit künstlicher Intelligenz nicht nur bedeuten sollte, dass mehr Menschen fortschrittliche Modelle nutzen können, sondern auch, dass mehr Menschen mit Hilfe der KI ihre eigenen Fähigkeiten aufbauen und entwickeln können. Die Früchte des technologischen Fortschritts stärker in das Wachstum der Menschen, die Innovation von Unternehmen und die Steigerung der gesellschaftlichen Produktivkraft umzuwandeln – das ist das Verständnis von Menschzentrierung bei Tongyan Lingzhi.
Gestützt auf die wissenschaftliche Forschung des Pekinger Forschungsinstituts für allgemeine künstliche Intelligenz setzt Tongyan Lingzhi dieses Konzept in parametrisiertem Lernen, kontinuierlicher Evolution und zugrunde liegenden Rechenarchitekturen um.
Die betreffenden Technologien erfordern weiterhin Forschung und industrielle Validierung, doch der angestrebte langfristige Wert hat eine breitere gesellschaftliche Bedeutung: Fortschrittliche KI-Fähigkeiten sollen schrittweise zu einer dauerhaften Stütze für die persönliche Entwicklung, das Wachstum von Organisationen und die Steigerung der gesellschaftlichen Produktivkraft werden.
Aus einer langfristigeren Perspektive sollte künstliche Intelligenz nicht nur ein System sein, das menschliches Wissen kontinuierlich aufnimmt und die eigenen Fähigkeiten stetig verbessert, sondern auch eine wichtige Infrastruktur, die Menschen hilft, Wissen aufzubauen, Erfahrungen weiterzugeben und Fähigkeiten zu erweitern.
Wenn allgemeine Intelligenz schrittweise zu einer breit verfügbaren Grundfähigkeit der Gesellschaft wird, dann ist das wirklich Erwartenswerte, dass jeder Mensch und jede Organisation im technologischen Fortschritt eigene langfristige Anhäufungen aufbauen kann und den Freiraum besitzt, diese Fähigkeiten zu wählen und weiterzuentwickeln.
KI sollte nicht nur durch die Beteiligung von Menschen intelligenter werden, sondern auch den Menschen durch die Verbreitung von KI mehr Fähigkeiten verleihen. Die Früchte des technologischen Fortschritts sollten sich nicht nur in Modellen und Plattformen ablagern, sondern vielmehr zu einer dauerhaften Kraft für das persönliche Wachstum, die Entwicklung von Organisationen und den gesellschaftlichen Fortschritt werden.
*Dieser Artikel wird von QbitAI mit Genehmigung veröffentlicht; die Ansichten liegen allein beim ursprünglichen Autor.