AIはコードを素晴らしくよく生成しますが、これが問題です:生産の現実を理解することです。生産はパーツに存在します。コードは何が起こるべきかを説明します。観測ツールは信号を見ます。チケットシステムは問題を見ます。CI/CDは変化を見ます。 SRE、サポート、QA、DEV、PM. 生産ソフトウェアがどのように機能するかについての中心的な理解はありません。 生産の理解は暗示的で断片的であり、コード、ダッシュボード、チケット、部族の知識、およびいくつかの上級エンジニアの頭の中に存在します。 AIが本当に役立つためには、重要な決定の背景である「なぜ」を理解する必要があります。 2 時計の問題 現在の状態と歴史的状態の間のこのギャップは「2つの時計の問題」と呼ばれています。ここに、あなたの頭を巻き込むのに役立つアナログがあります:あなたのCRMは最終的な取引価値を保管し、交渉ではありません。 われわれは、現在の真実のために数兆ドルのインフラストラクチャを構築したが、なぜそれが真実になったのかという理由はほとんどない。 これは、人間が理屈の層であったときには意味があった。組織の脳は人間の頭に分布し、会話を通じて要求に応じて再構築された。今、我々はAIシステムが決断することを望んでおり、我々は彼らに理由を与えなかった。 config ファイルは timeout = 30s. 以前は timeout = 5s. 誰かがそれを3倍にしました. なぜ? git blame は誰を示しています. 論理は消えました. このパターンはどこにでもあります CRM は「閉じた失われた」と言います。 エンタープライズソフトウェアは、ストレージ状態で非常に優れているが、それでも決断を格納するのが悪い。ほとんどのシステムは、今何が真実か、何が起こったかを伝えることができますが、その時点で選択が行われた理由を保存することはできず、どのような入力が考慮され、どのような制約が拘束力があり、どのような妥協が実際には結果を引き起こしたのです。それゆえに、「LLMをあなたのシステムに接続する」ことはしばしば失望する:モデルはデータを見ることができますが、組織の意思決定論理を見ることができません。 貴重な層は文書ではなく、これらの文書がどのように作成されたかとともに知らされた決定である。パートナーは実際にその収益をどのように構築したのか?なぜアナリストはそのリスクを拒否したのか?何が臨床医をプロトコルから逸脱させたのか? 意思決定の痕跡は、機関情報が実際に存在する場所です。しかし、意思決定の痕跡は、文書よりも匿名化するのがさらに困難です。あなたは実体を匿名化することができます。あなたは簡単に判断のパターンを匿名化することはできません。 "We always take a harder line when the counterparty's lawyer is from X firm" reveals something even with X masked. コンテキスト・グラフは実際にどんなものか 次の数兆ドルのプラットフォームは、既存のレコードシステムにAIを追加することによって構築されるのではなく、コンテキストグラフでデータをアクションに接続する理論をキャプチャすることによって構築されます。 コンテキストグラフが十分な構造を蓄積すると、彼らは世界モデルになることができます。彼らは組織物理学 - 意思決定のダイナミクス、状態の拡散、エンティティの相互作用 - をコードします。あなたは、これらのモデル内でシミュレーションやテストを実行することができます。あなたは「どうしたら?」と尋ねることができ、有用な答えを得ることができます。 コンテキスト・グラフはノン・グラフではなく、証拠、制約、結果を含む決定のグラフです。 「コンテキストグラフ」は、混乱した操作を再生可能なものに変えることができる時、現実になります:出来事だけではなく、利用可能な証拠、拘束力のある制約、勝利した妥協、そしてそれに続いたものを持った決定です。 これが実際にどう見えるのか? 更新代理人は20%の割引を提案します。 サービス影響の例外が承認されない限り、ポリシーカップは10%で更新されます。 エージェントはPagerDutyから3つのSEV-1事件、Zendeskのオープン「キャンセル未定」エスカレーション、そしてVPが前四半期に同様の例外を承認した以前の更新トレードを引っ張ります。 財務に例外をルーティングします。 財務が承認します。 CRMは1つの事実で終わります:「20%割引」です。 これらのレコードは、時間の経過とともに、自然にコンテキストグラフを形成します:企業がすでに関心を持っているエンティティ(アカウント、更新、チケット、事件、ポリシー、承認者、エージェントの実行)は、決定イベント(重要な瞬間)と「なぜ」リンクによってつながっています。 フィードバック ループはこの化合物を作り、捕獲された決定の痕跡は検索可能な前例となり、自動化されたすべての決定はグラフに別の痕跡を追加します。 これらのいずれも最初の日に完全な自主性を必要としません。それは人間の循環から始まります:エージェントは提案し、文脈を収集し、承認をルートし、トラックを記録します。時間の経過とともに、同様のケースが繰り返されるにつれて、システムが以前の決定や例外の構造化されたライブラリを持っているため、より多くのパスが自動化することができます。 コンテキストグラフが非常に重要な場合、なぜ私たちはそれらの多くを見ていないのですか? なぜコンテキストグラフは珍しいのか:5つの座標システムの問題 コンテキスト グラフは、キーを共有しないコアデート システムを介して結合を必要とするため、今日の野外では本当に存在しません。 伝統的なデータベースは何十年も前に結合を解決しました。 あなたはクライアント_id、オーダー_id、外国のキー関係を持っています。 結合は分離的です; キーは安定しています; 操作はよく定義されています。 組織的推論は別の種類の結合を必要とします。 あなたは接続する必要があります: 何が起こったか(イベント)と(タイムライン)が起こったときに何を意味する (セマンティクス) 誰がそれを所有 (割り当て) 何が原因(結果)です。 これらは5つの異なる座標システムです。 どちらも主なキーを 5つの座標システム、5種類の関節: Timeline joins: Connecting state over time. The config is 30s now. It was 5s last Tuesday. これらに参加するには、「前」と「後」がファーストクラスの操作であって、フィルターではありません。 Event joins: Connecting occurrences into sequences. The deployment happened, then the alert fired, then the rollback. Order matters. Causally-relevant windows matters. The joining condition is proximity in event-space, not key equality. イベントの展開が起きた後、警告が発射され、その後ロールバックが起きた。 Semantic joins: Connecting meaning across representations. "Churn risk" in a support ticket relates to "retention concern" in a sales note. The join is vector similarity, not string matching. Fuzzy by nature. サポートチケットの「チャーンのリスク」は、販売ノートの「保留の懸念」に関連しています。 割り当ては関連する:役者へのアクションを所有権に接続する。誰がこれを承認したか?誰がその決定を所有しているか? 関連は臓器構造、許可の階層、承認チェーンを通過する。 結果の結合:結果に決定を結びつける。この価格変更は収益の影響を引き起こした。結合は因果関係ではなく関連関係である。それは反事実的推論を必要とする:何が異なり起こるだろうか?それぞれの結合型には異なる形態があります。タイムラインは線形です。イベントは順序的です。セマンティクスはベクトル空間で生きています。割り当てはグラフ構造です。結果は因果関係のDAGです。 コンテキストグラフの問題は、あなたが意図的にそれらを作成していないことに気づいたときに解決可能になります。 コンテキストグラフが追跡可能になる方法:トレーニングデータとしてのエージェント軌道 コンテキストグラフが現在実行可能である理由は、これらの結合が表現可能になる共有座標システムを学ぶことができるということです。 エージェントの軌道(彼らが有意義な仕事を持ち始めるように)は、新たなトレーニングシグナルです。エージェントが問題を解決するとき、エージェントはすべての5種類の結合タイプを暗示的に実行します。エージェントは、表現の間のエンティティを解決します。エージェントはイベントを順序化します。エージェントは意味を結び付けます。エージェントは所有権を横断します。エージェントは結果を追跡します。 軌道は成功した複数の連携のサンプルです。 時間の経過とともに十分な軌道を蓄積し、座標システム間で結合互換性をコードする組み込みを学びます。 軌道で共演するエンティティは、実践的にうまく結合するエンティティです。 組み込みスペースは、学習した結合指数になります。 構造的表現は、セマンティックなものと協力する必要があります。 セマンティックな組み込みは、意味の類似性をコードします。 構造的組み込みは、軌道から学んだもので、運用的な結合をコードします。 共に、「関連する決定を見つける」という意味を持つ空間を与えます: 時間で関連し、意味で関連し、所有権で関連し、結果で関連する。 任意の結合と重量化された組み合わせは、座標システムを介して予測します。コンテキストグラフは、液体キーを用いて5つの異なるジオメトリーを結合することにより、運用データから共有の表現を学ぶ必要があるため、構築されていません。 グローバルウォーキング(外側を押す)は構造的等価性を学ぶ - ノードは類似した役割を演じているため、直接接続したことがないにもかかわらず類似している。 会社で2人の高級エンジニアを考慮してください。1人は支払い、1人は通知に取り組んでいます。共有チケットなし、重複コードなし、共通のスラックチャンネルなし。 同性愛者はそれらを似たものと見ることはできません。 しかし、構造的には、異なるサブグラフで同じ役割、類似した意思決定パターン、類似したエスカレーションパスです。 構造的同等性はこれを明らかにします。 エージェントは情報(ランダムではない)ウォーカーです。 エージェントが問題を調査し、またはタスクを完了するとき、それは組織の状態空間を横切ります. It touches systems, reads data, calls APIs. The trajectory is a walk through the chart of organizational entities. エージェントはシステムに触れ、データを読み、APIを呼びます. ランダムな歩きとは異なり、エージェントの軌道は問題に基づいています。エージェントは見つけたものに基づいて適応します。生産事件を調査すると、最近すべてのシステムで何が変わったのか? それはグローバルな探査、構造的等価領域です。証拠が蓄積するにつれて、特定のサービス、特定の展開履歴、特定のリクエストパスに制限されます。 ランダム・ウォーキングは、ブルート・フォース・カバーを通じて構造を発見します。 情報化されたウォーキングは、問題指向のカバーを通じて構造を発見します。 エージェントは、問題がそれを引き起こす場所に行き、問題は実際に重要なことを明らかにします。 正しくエンジニアリングされると、エージェントの軌道がイベント時計になります。 各軌道は、組織の構造をサンプル化し、実際の仕事に重要な部分に向かって偏見を示します。 Ontology emerges from walks. Entities appearing repeatedly are entities that matter. Relationships traversed are relationships that are real. Structural equivalences reveal themselves when different agents solving different problems follow analogue paths. 繰り返し現れるエンティティは重要なエンティティである。 エージェントはコンテキストグラフを構築しません - 彼らは支払う価値のある問題を解決しています. コンテキストグラフは排出量です. より良いコンテキストはエージェントをより有能にします; 能力のあるエージェントがより多く展開されます; 展開は軌道を生成します; 軌道はコンテキストを構築します. しかし、それはエージェントがコンピュータを正当化する仕事をする場合にのみ機能します。 時間の経過とともに、コンテキストグラフが十分な知識を蓄積するにつれて、それらはより多くのものになり得る:完全に航行可能な生産世界モデル。 Context Graphs Can Build to Become a Production Worldモデル 生産世界モデルは、環境がどのように機能するかを学習し、圧縮した表現である。それはダイナミクスをコードする、すなわち、特定の状態で中断された行動を取るときに何が起こるか。それは構造をキャプチャする:どのような実体が存在し、どのように関係しているか。そしてそれは予測を可能にする:現在の状態と提案された行動を考慮して、次に何が起こるか? 世界モデルは重要なことを示している:エージェントは環境の圧縮された表現を学び、「夢」の内部で完全にトレーニングできる――隠れた空間を通してシミュレートされた軌道。 これはロボティクスで明らかな類似性を持っています。物体がどのように落ちるか、力がどのように拡散するかをキャプチャする世界モデルでは、それらを実行する前にロボットのアクションをシミュレートし、想像力でポリシーを訓練し、危険なシナリオを安全に探検し、物理ハードウェアに転送することができます。あなたの物理モデルがより良いほど、あなたのシミュレーションはより有用です。 同じ論理は組織にも当てはまりますが、物理は異なります。 組織物理学は質量と動きではありません。それは意思決定のダイナミクスです。例外はどのように承認されますか?エスカレーションはどのように広がりますか?この構成を変更すると、その機能の旗が有効になっている間に何が起こりますか?現在の依存状態に応じて、このサービスへの展開の爆発距離は何ですか? イベント時計は、システムがどのように振る舞うかを示し、行動はシミュレーションする必要があります。 十分に蓄積された構造を持つコンテキストグラフは、組織物理学のための世界モデルとなり、決定がどのように展開するか、状態の変化がどのように広がるか、実体がどのように相互作用するかをコードします。 PlayerZero では、コードシミュレーションを構築し、生産システムのモデルに仮説的な変更をプロジェクトし、結果を予測します。提案された変更、現在の構成、機能の旗、ユーザーがシステムを実行する方法のパターンを考慮して、これは何かを破るだろうか? 失敗モードは何ですか? どの顧客が影響を受けますか? これらのシミュレーションは魔法ではありません。それらは蓄積された構造についての推論です。我々は生産問題を通じて、パターンを学ぶのに十分な軌道を観察してきました―どのコードパスが脆弱で、どの構成が危険に反応し、どのような展開シーケンスが事件を引き起こすか。世界モデルはこれをコードしています。 シミュレーションは理解のテストです. あなたのコンテキストグラフが「もし」と答えられない場合は、それは単に検索インデックスです。 Implications for the Continual Learning Debate 継続的な学習の議論への影響 多くの人が、モデルが仕事で学ぶことができないため、AIが経済を変革しているわけではないと主張している――我々はあらゆる能力のためのカスタマイズトレーニングループを構築し、組織知識の長い尾にまで拡大しない。 しかし、標準的なフレームアップが迷惑になる場合はどうでしょうか? 継続的な学習は、どのようにして継続的な経験から重量を更新するのですか? それは困難です - 災害的な忘却、配布の転換、高価な再訓練。 World models suggest an alternative: keep the model fixed, improve the world model it reasons over. The model does not need to learn if the world model continues to expand. 世界モデルは、世界モデルが拡大し続ける場合に学ぶ必要はありません。 各軌道は組織のダイナミクスについての証拠である。決定の時点で、この証拠についての推論を実行する:このシステムがどのように振る舞っているかについて、現在の観察を考慮すると、どのような行動が成功するのか? より多くの軌道、より良い推論 モデルが更新されたからではなく、世界モデルが拡大したからだ。 そして、世界モデルがシミュレーションをサポートしているので、あなたはより強力な何かを得る:反事実的推論. 単に「似たような状況で何が起こったか?」ではなく、「私がこの行動をとった場合に何が起こるだろうか?」エージェントは、将来を想像し、それらを評価し、それに応じて選択します。 これは、経験豊富な従業員が新しい雇用が持っていることである。異なる認知アーキテクチャではなく、より良い世界モデルです。彼らは、結果をシミュレートするのに十分な状況を見た。 経済的に変革的なAIへの道は、継続的な学習の解決を必要としないかもしれないが、静的モデルが学習しているかのように振る舞うように世界モデルを構築する必要があるかもしれない。 コンテキストグラフは、エンジンを有用にする世界モデルです。 世界モデルの根底にある依存性の1つは、普遍的なオントロジーなので、処方されたオントロジーと学んだオントロジーの両方を調べる価値があります。 Prescribed vs. Learned Ontologies: Two Approaches to Organizational Structure 学習したオントロジー 多くの人々は、コンテキストグラフはグラフデータベースまたは構造メモリであると考える間違いを犯します。 これは、チームが既知のツール(Neo4j、ベクトルストア、知識グラフ)に到達するにつれて重要であり、なぜ彼らのエージェントがより賢くなっていないのか疑問に思う。 「オントロジー」は過剰な用語です。規定されたオントロジー(ルールエンジン、ワークフロー、ガバナンスレイヤー)があります。Palantirはこれに50Bドルの会社を構築しました:企業データをオブジェクトや関係にマッピングする定義されたレイヤーです。あなたはスケジュールを定義します。あなたはそれを執行します。それは構造を前面に知っているときに機能します。 次の50万ドルの会社は、学習したオントロジーに基づいて構築されます。仕事が実際に起こる方法から生じる構造、あなたがそれを起こすように設計したのではありません。これは重要です。 エンタープライズAIは両方をモニターする必要があります。 規定されたオントロジーには多くの先入観があります。 暗示的なものを学び、代表し、更新するためのインフラストラクチャはほとんどありません。 暗示的な関係(どのエンティティが一緒に触れるか、決定チェーンで共に起こるもの)はギャップです。 それがメモリが問題を解決しない理由です。 メモリは、あなたが何を保存し、それをどのように回収するかを知っていると仮定しますが、最も貴重な文脈は、エージェントが使用を通じてそれを発見するまで存在したことを知らなかった構造です。 もう一つの誤解は、「決断の痕跡は単なる軌道のログである」というものであり、それは埋め込みが単なるキーワードのインデックスであると言うようなものである。 インベーディングがエイリアンテクノロジーのように見えたときを覚えていますか? 曖昧な検索の「解決された」問題を前史のように見せた類似性を表す確率的な方法です。 人々は「なぜ私はElasticsearchを持っているときにこれを必要とするのですか?」と尋ねました。 We are at a similar inflection point for structural learning. Trajectory logs store what happened. Decision traces (done right) learn why it happened. どの entities mattered. どのようなパターンが繰り返されるか. 論理が組織状態空間を通してどのように流れるか。 違い:ログは添付のみのレコードです。決定の痕跡は、生産世界モデルのトレーニングデータです。スケジュールは、あなたが事前に定義するものではありません。 これらは非常に学術的または仮説的なように聞こえるかもしれませんが、コンテキストグラフは今日、野生に存在し、将来ますます存在します。 コンテキストグラフが実際に現実化する場所 コンテキストグラフは、バラバラな操作を再生可能なものに変えることができる時、現実になります:イベントだけでなく、利用可能な証拠、拘束力のある制約、勝利した妥協、そしてそれに続いたものを持った決定です。 まず、決断表面は読み取り可能でなければなりません。いくつかのドメインにはクリーンな「コミットメント」があります:トリージョン呼び出し、送信再分配、偏差承認、明確な「我々はXをやっている」で終わるエスカレーション決定。これらは、議論とコミットメントの間の境界線があるため学習可能です。他の環境は、半分の決断と逆転可能な動きに広がります。あなたが実際に決断としてカウントされたものを識別できない場合、あなたは判断の代わりに騒音をモデリングするようになります。これは、多くの一般的な「プロセスマイニング + LLM」の努力が停滞している場所です:彼らは活動をキャプチャしますが、決断の境界ではありません。 第二に、捕捉摩擦が重要であるのは、それが決定の痕跡を取得するのにどれほど困難であるかを決定するためです。その努力は業界によって劇的に異なります。いくつかの環境では、決定はすでにソフトウェア内部に存在するので、痕跡は自然に落ちる。他では、実際の決定は口頭で起こります:エスカレーション、ハンドオフ、送信呼び出し、再計画ハードル、交渉です。それで、声は多くの物理世界の業界で解き放つ理由です:それは事実の後に、人々が彼らの判断を形やフィールドに翻訳することを強制せずに、言語的な意思決定の要素を捕捉することができます。 3つ目は、キャプチャだけでは不十分です。キャプチャされた文脈は間違っている、遅い、または静かに置き換えられます。コンテキストグラフは、組織の欠点を継承します:楽観的な分析が理論になり、会議で逆転した書面で発表された決定、真実であることをやめましたが、再考されたことはありません。 オントロジーの安定性も重要ですが、その影響は異なり、市場が分裂する場所です。 資産重量のドメインでは、世界の明確な構造は比較的安定しています。それゆえに、オントロジーファーストプラットフォームはまったく機能しています。しかし、これらの同じドメインは、実際の意思決定層がリアルタイムで継続的にキャプチャされていないため、歴史的に高価な先端モデリング税を支払うことを余儀なくされています。機会は、基盤を維持するが、別の学習ループを追加することです:処方されたモデルをステッカーとして扱い、トラスが実際に決定がどのように行われているかをシステムに継続的に教えるようにしてください。時間とともに、展開はカスタマイズされた発見サイクルに依存しなくなり、蓄積された前例を通じてより防御可能になります。 テクノロジーでは、逆の問題が現れる。オントロジーは不安定で、ビジネス自体が絶え間なく再現されているからである。製品は船を運び、機能を削減する。チームは再編する。市場への移動動きは変化する。新しい価格モデルが現れ、古いモデルは消えていく。 同じ会社でさえ、異なる機能は、基本的に異なるオブジェクトとタイムラインで動作します、特にB2B販売では、取引、アカウント、領土、承認、割引の論理はセグメント、地域、および四半期によって異なります。 この断片化が現れる場所です 会社のさまざまな部分は「我々が信じるもの」の異なるバージョンを持ちます: 動揺する戦略の物語、変異するメトリック定義、例外によって書き換えられるポリシー、製品意図に矛盾する販売動き。 人間だけの組織では、これは会議とエスカレーションで書類化されます。 代理組織では、それは即座に動作します、なぜならエージェントは彼らが得ることができるいかなる文脈で行動します。 矛盾した文脈はより良い決定を生み出しません、それは無駄な仕事、再訴訟、および他の行動を無効にする行動を生み出します。 組織の変化で一貫性を維持することは困難な部分になります。 時間の経過とともに、組織が生み出す最も貴重なものはデータではなく、意思決定の収集である。 実際に決断がどのように行われているかという蓄積されたパターン:どのような証拠が重要だったか、どのような制約が拘束力があり、どのような例外が正常だったか、どのような妥協が受け入れられるかは、組織のIPとなっています。 アプリケーション企業は、判断を執行の副産物としてキャプチャし、それを現在に保つことができれば、コンテキストグラフを構築することができます:決断メモリを複雑にし、それがとなります。 楽器の決定は、それから欠けている層をまとめます。時間の経過とともにより実行可能になる逆転があります。世界を最初に宣言する代わりに、あなたは、それらが執行されている瞬間の決定をキャプチャし、判断が実践でどのように適用されるかから学びます。 決定が行われたとき、あなたは、相談されたリソース、適用された制約、妥協が行われた、行動が取られた、そして後でどのように評価されたかをキャプチャします。 これは形式的なオントロジーを置き換えるものではなく、すべてを一度に起こすこともありません。 規定されたモデルは、共有セマンティクス、ステータス、およびハード制限に関して依然として重要です。 学習可能な部分は、レイヤーオントロジーの最初のプラットフォームが信頼できるように無料で入手できないことです:ソフトな制限、例外パターン、および結果を決定する静かなエウリスティクス。 医療においては、システムは事前承認が提出されたことを知っています。患者が3日間または3週間以内に治療を受けるかどうかを決定するパターンを知りません:支払者がどの文書形式に反応するか、呼びかけが振り向かうとき、ピアツーピアが積極的に開始される必要があるとき、そしてどの「標準的なステップ」が死んだ結末であるか。 これはまた、製品経済を変化させます。完全なモデリング税を前払いする代わりに、薄い基盤から始めて、実際の操作から最も高い価値層が現れるようにすることができます。 ほとんどのシステムは、何が起こったのかを伝えることができ、それが重要な瞬間に何故起こったのかを再構築することはできません。コンテキストグラフはノンネームのグラフではありません。 誰が未来のコンテキストグラフを構築するのか? 最初に、データ、レコードシステムを所有する組織から来ていると仮定するかもしれませんが、それは別のソースから来る可能性が高いです。 なぜ従業員はコンテキストグラフを構築できないのか ある人々は、既存のプレイヤーがこのアーキテクチャに進化することを楽観視している。倉庫は「真実のレジストリ」になり、CRMは「APIsを搭載した州のマシン」になる。 それは既存のデータをよりアクセス可能にするのに役立ちますが、意思決定の痕跡をキャプチャするのに役立ちません。 現行の機能はシロードされ、現在の状態を優先する。 Salesforce は Agentforce を推し進め、ServiceNow には Now Assist があり、Workday は HR のエージェントを構築しています。 しかし、これらのエージェントは、両親の建築的限界を継承しています。Salesforceは現在の状態のストレージに基づいて構築されています:それは機会が今どう見えるかを知っており、決断が下されたときにどう見えたかを知りません。 割引が承認されると、それを正当化した文脈は保存されません。 彼らはまた、両親の盲点を相続します。サポートのエスカレーションはZendeskだけでは生きていません。それはCRMからの顧客層、請求のSLA条件、PagerDutyからの最近の中断、およびSlackトレードのフラッキングのリスクに依存します。 システムの交差点に存在する組織は話し手です RevOps は、誰かが販売、財務、マーケティング、顧客の成功を調和しなければならないから存在します DevOps は、誰かが開発、IT、およびサポートをブリッジする必要があるからです。 これらの「粘着」関数は、まさに単一のレコードシステムがクロス機能ワークフローを所有していないために出現する。 その役割を自動化するエージェントは、ステップをより速く実行するだけではなく、その役割を生成するために作成された決定、例外、前例を維持することができる。 これらすべてを減らすと、今日の企業にとって、実際には何を意味するのでしょうか。 問題は、今後の数兆ドルのプラットフォームが既存のデータにAIを追加するか、またはデータを操作可能にする意思決定の痕跡をキャプチャすることによって構築されるかどうかである。 タイトル: The Three Hard Problems コンテキストグラフは、以下の3つの問題を解決する必要があります。 二つの時計の問題 我々は、国家のための3兆ドルのインフラストラクチャを構築し、論理のためのほとんど何もない。 Schema as output. You can't predefine organizational ontology. Agent trajectories discover structure through problem-directed traversal. The embeddings are structural, not semantic — capturing neighborhoods and reasoning patterns, not meaning. エージェントの軌道は、問題指向の横断を通して構造を発見します。 コンテキストグラフは十分な構造を蓄積し、シミュレータとなり、組織物理学をコードする――決断のダイナミクス、状態の拡散、エンティティの相互作用――シミュレーションはテストである。 これを行う企業は、質的に異なるものを持っているでしょう。任務を完了するエージェントではなく、結合して進化する組織のインテリジェンスです。それは未来をシミュレートするだけでなく、過去を回収するだけではありません。 That’s the unlock. No better models. Better infrastructure for making deployed intelligence accumulate. より良いモデルではない。