UCA Starling: Memori Organisasi Kekal, Model AI Boleh Ditukar

Starling Memory Works mencadangkan supaya memori penting sesebuah organisasi tidak disimpan di dalam model bahasa besar (LLM), sebaliknya di luar model itu sendiri. Universal Cognitive Architecture (UCA) dipersembahkan sebagai standard terbuka percuma di bawah lesen Creative Commons, manakala Starling MX ialah pelaksanaan beta syarikat tersebut. Harga Starling MX bermula pada AS$99 sebulan untuk pengguna pertama, dengan caj penggunaan tambahan dikenakan secara berasingan.

Gagasan utamanya mudah: model AI berfungsi sebagai enjin penaakulan yang boleh diganti, sementara pengetahuan rasmi organisasi kekal tersusun, dikawal dan boleh dipindahkan.

Apa itu Universal Cognitive Architecture?

UCA ialah standard pengelasan berasaskan bahasa semula jadi yang direka untuk menyusun pengetahuan perniagaan melalui 11 “Organizational Cognates”. Menurut Starling, sistem ini memberikan alamat semantik kekal kepada konsep yang berulang dalam sesebuah organisasi. Dengan itu, manusia dan sistem AI yang serasi boleh meminta rekod tertentu menggunakan alamat yang telah diketahui, dan bukannya bergantung sepenuhnya pada carian probabilistik.

Pendekatan ini boleh diibaratkan seperti sistem pengelasan perpustakaan. Model bahasa boleh berubah, tetapi katalog dan rekod organisasi boleh terus dikekalkan. Sebagai contoh, bahan Starling menggunakan alamat MA20 untuk merujuk kepada kedudukan persaingan. Alamat itu dikatakan kekal sama walaupun versi rekod di bawahnya berubah.

UCA bukanlah model bahasa baharu. Ia ialah lapisan penyusunan yang dicadangkan untuk Domain Language Model (DLM) — iaitu LLM umum tanpa memori kekal yang menerima memori berstruktur organisasi ketika diperlukan.

Bagaimana seni bina Starling MX berfungsi?

Starling menerangkan repositorinya melalui dua bahagian utama:

• Org Library: rekod rasmi dan ber版本 yang ditadbir sebagai pengetahuan kanonik organisasi.
• Resources: bahan sumber, dokumen yang dijana dan hasil kerja sementara yang digunakan sebagai sokongan.

Perbezaan ini penting. Dokumen kajian atau draf mungkin membantu AI menyiapkan tugasan, tetapi ia tidak sepatutnya terus dianggap sebagai kebenaran rasmi organisasi. Org Library bertujuan mengekalkan versi yang diluluskan, manakala Resources menyediakan konteks untuk rujukan dan penghasilan dokumen.

Repositori itu juga berasaskan teks. Starling berkata memori organisasi disimpan sebagai Markdown teks biasa yang boleh dibaca dan tidak kehilangan maklumat, bukannya sebagai keadaan model yang sukar diperiksa. Antara manfaat yang dinyatakan ialah kebolehsemakan, kawalan versi, kebolehpindahan dan akses oleh manusia serta perisian.

Di bahagian sistem, Starling menggunakan manifest untuk mengumpulkan konteks berkaitan daripada repositori yang dikawal manusia bagi sesuatu sesi model. Model menerima konteks, menjalankan tugasan dan tidak menyimpan memori organisasi yang berkekalan sebagai miliknya.

Di mana MCP digunakan?

Starling meletakkan Model Context Protocol (MCP) oleh Anthropic sebagai lapisan penghubung yang memberikan model AI akses kepada konteks organisasi dari luar. UCA menyediakan logik pengelasan dan alamat semantik yang dikongsi, repositori menyediakan rekod yang ditadbir, manakala MCP membantu menghubungkan konteks itu kepada model.

Secara prinsip, pemisahan ini membolehkan organisasi menukar model. Pengetahuan organisasi tidak sepatutnya terperangkap dalam memori proprietari atau sejarah perbualan satu penyedia. Sebaliknya, model yang serasi boleh disambungkan kepada repositori berstruktur yang sama dan menerima konteks yang relevan untuk tugasan tertentu.

Namun, ini masih merupakan tuntutan reka bentuk, bukannya bukti bahawa semua model boleh beroperasi dengan standard tersebut pada tahap yang sama. Bahan yang tersedia menerangkan seni bina dan tujuan penggunaan yang dinyatakan Starling, tetapi belum membuktikan kesalingoperasian sejagat dalam setiap model atau pelaksanaan.

Mengapa UCA dikaitkan dengan kedaulatan AI?

Ketua Pegawai Eksekutif Starling, Chris Kincade, berhujah bahawa kedaulatan AI lebih luas daripada soal infrastruktur. Memiliki GPU, mengehos sistem secara tempatan atau memilih penyedia model domestik tidak semestinya memberikan organisasi kawalan terhadap keputusan, dasar, asal-usul rekod, kebenaran dan pengetahuan operasi mereka.

Dalam pendekatan UCA, aset yang berkekalan itu disimpan dalam repositori yang dikawal organisasi. Jika sesuatu model dinaik taraf, digantikan, tidak tersedia atau ditolak atas sebab tadbir urus, organisasi sepatutnya masih memiliki memorinya dan boleh menyambungkan model lain kepada rekod kanon yang sama.

Keadaan ini berpotensi mengurangkan kebergantungan kepada satu vendor kerana aset paling bernilai — pengetahuan organisasi yang telah dikelas dan ditadbir — berada di luar model. Ia juga mungkin meningkatkan daya tahan dengan menjadikan model tidak mempunyai memori kekal berkaitan sejarah institusi.

Inilah maksud ungkapan Starling: “model melupakan; organisasi mengingati.” Model menjalankan penaakulan untuk satu sesi, manakala institusi mengekalkan rekod, alamat dan tadbir urus yang memberikan kesinambungan kepada kerja tersebut.

Apa kesan pelepasan standard terbuka ini?

Syarikat itu berkata UCA akan kekal percuma di bawah lesen Creative Commons. Organisasi boleh membina berdasarkan standard tersebut tanpa mendapatkan lesen atau kebenaran daripada Starling.

Ini membezakan UCA daripada ciri memori yang hanya tersedia dalam satu platform. Secara teori, standard pengelasan terbuka boleh bertahan lebih lama daripada produk yang mula-mula melaksanakannya. Organisasi boleh menyusun pengetahuan mengikut standard itu, kemudian menilai pelbagai alat untuk penyimpanan, capaian dan sambungan kepada model.

Nilai praktikalnya tetap bergantung pada tahap penerimaan, kualiti pelaksanaan dan tadbir urus. Alamat kekal hanya berguna jika pasukan bersetuju tentang maknanya, mengekalkan rekod rasmi dan mengawal kemas kini dengan teliti. Pengelasan boleh memudahkan pencarian pengetahuan, tetapi ia tidak secara automatik menjadikan pengetahuan itu tepat atau terkini.

Kes penggunaan dan had bukti

Bahan Starling mengaitkan seni bina ini dengan senario bimbingan peribadi, pemasaran, pengurusan pembinaan dan perkhidmatan guaman. Bahan tersebut turut memetik sokongan Brady Patterson daripada SelfOS, yang berkata bahawa memberikan pengetahuan “sauh yang jelas” mengurangkan kehilangan konteks dan hanyutan data.

Namun, contoh itu wajar dibaca dengan berhati-hati. Sumber yang tersedia tidak mengesahkan secara bebas hubungan dengan QuillOS milik Wrks Online, skala mana-mana pelaksanaan atau hasil prestasi yang diukur. Kenyataan SelfOS ialah sokongan daripada pengamal, bukannya pengesahan bebas terhadap keberkesanan UCA.

Secara lebih umum, bukti yang tersedia banyak bergantung pada bahan produk Starling sendiri dan liputan pelancaran. Bahan itu menyokong perkara yang telah dilancarkan syarikat serta cara syarikat menerangkan seni binanya, tetapi belum membuktikan bahawa UCA memberikan ketepatan lebih tinggi, kos lebih rendah, keselamatan lebih baik atau kebebasan daripada vendor dalam penggunaan dunia sebenar.

Kesimpulan

Cadangan utama UCA ialah organisasi perlu membina lapisan memori yang tahan lama, boleh dibaca manusia dan ditadbir sebelum meminta model AI menaakul berdasarkan pengetahuan syarikat. Alamat semantik tetap menjadi sistem penyusunan yang dicadangkan; Org Library mengekalkan rekod rasmi; Resources menyimpan bahan sokongan dan kerja; manakala MCP menghubungkan konteks luaran kepada sesi model.

Starling MX ialah platform beta pertama yang dibina berdasarkan pendekatan ini, dengan harga bermula pada AS$99 sebulan untuk pengguna pertama. Seni bina itu menawarkan jawapan yang tersusun terhadap masalah penguncian vendor dan kehilangan memori institusi: simpan pengetahuan organisasi secara berasingan daripada model supaya model boleh berubah tanpa membawa pergi memori organisasi.

Sama ada janji itu benar-benar bertahan pada skala besar masih menjadi persoalan terbuka yang memerlukan bukti daripada pelaksanaan bebas.