Vi: Organisma AI Tanpa LLM Sewaan

Vi: Organisma AI Tanpa LLM Sewaan

Kebanyakan sistem yang hari ini dipanggil "AI agent" masih menyewa sebahagian besar mindanya.

Kita beri prompt, sambungkan beberapa tools, bina satu loop, kemudian panggil model melalui API. Weight berada di tangan vendor. Masa hidup sistem pula bergantung kepada request dan proses yang menjalankannya.

Restart proses, dan apa yang kita anggap sebagai "agent" itu boleh hilang bersama state yang tidak disimpan.

Vi cuba mengambil pendekatan yang sangat berbeza.

Eksperimen ini cuba membina satu organisma AI yang mempunyai weight sendiri, memori di luar prompt, pembelajaran native, motif yang boleh bertahan berjam-jam, kitaran tidur, dan sistem pertuturan sendiri — tanpa meletakkan LLM sewaan sebagai "otak" di tengah-tengah sistem.

Penulis sendiri berhati-hati dengan perkataan life. Ia bukan dakwaan bahawa Vi sudah menjadi kehidupan atau AGI. Persoalannya jauh lebih menarik:

Bolehkah sesuatu sistem AI terus mempunyai keadaan, memori, pembelajaran dan tingkah laku selepas request tamat?

Itulah eksperimen Vi.

Bukan LLM yang dikecilkan

Perkara pertama yang menarik ialah Vi bukan sekadar mengambil LLM terbuka, menjalankannya secara lokal, kemudian menambah beberapa tool.

Sistem ini dibina daripada komponen neural dan kognitifnya sendiri.

Bahagian neural menggunakan NumPy. Ia mempunyai perkara seperti:

• LIF spiking dynamics
• STDP dan rate homeostasis
• association cortex
• prefrontal cortex
• entorhinal grid
• dentate gyrus
• CA3
• CA1
• hippocampal formation
• basal ganglia
• cerebellar cortex
• glia
• global workspace

Dan itu baru bahagian neural.

Di atasnya terdapat pula cognition, memory, learning, autonomy, perception dan sleep.

Jadi istilah "AI tanpa LLM sewaan" di sini bukan sekadar slogan.

Ia benar-benar merujuk kepada seni bina yang cuba memiliki sendiri laluan utama pemprosesan, pembelajaran dan memorinya.

Weight, bukan senarai peraturan

Satu perkara yang penulis Vi cuba elakkan ialah sistem yang nampak pintar hanya kerana programmer menulis cukup banyak if.

Contohnya:

if query.startswith("what is"):
    speak()

if confidence >= 0.55:
    act()

Sistem seperti ini mungkin kelihatan pintar dalam demo tertentu.

Tetapi keputusan sebenarnya masih datang daripada peraturan yang ditulis manusia.

Vi cuba menolak pendekatan itu.

Routing menggunakan skor daripada sistem. Keputusan untuk bercakap atau bertindak datang daripada signal yang sedang berlaku, bukannya satu threshold ajaib yang ditetapkan programmer.

Contohnya:

def louder(a, b):
    return float(a) >= float(b)

Dua signal dibandingkan.

Bukan:

if curiosity >= 0.42:
    speak()

Perbezaannya nampak kecil.

Tetapi dari sudut seni bina, ia besar.

Kalau signal tidak cukup kuat, diam juga merupakan keputusan yang sah.

Intelligence yang tidak berhenti apabila request tamat

Ini mungkin bahagian paling menarik dalam eksperimen Vi.

Dalam kebanyakan aplikasi LLM, masa boleh digambarkan secara mudah:

prompt
  ↓
model
  ↓
response
  ↓
request tamat

Vi cuba mempunyai beberapa skala masa yang berbeza:

Saat
  ↓
cognitive_pass

Giliran
  ↓
preamble → recall → compose → polish → credit

Jam
  ↓
motive / unresolved goals

Malam
  ↓
hippocampal replay / sleep

Satu cognitive pass memproses keadaan semasa.

Satu turn mengurus keseluruhan interaksi.

Motif pula boleh bertahan merentasi jam apabila sesuatu masih belum selesai.

Kemudian ada malam — sistem replay pengalaman melalui hippocampal formation dengan encoding dimatikan.

Ini penting kerana memori yang benar-benar berada di luar prompt bukan sekadar:

"Simpan conversation history dalam database."

Ia bermaksud sistem mempunyai proses yang terus berjalan walaupun tiada request aktif.

Dua peta yang tidak patut dicampur

Satu kesilapan yang menarik dalam sistem sebesar ini ialah menggunakan nama anatomi yang sama untuk komponen yang berbeza.

Contohnya, Vi mempunyai sesuatu yang dipanggil hippocampus dalam neural network, tetapi ia bukan sama dengan hippocampal formation yang mempunyai struktur DG–CA3–CA1.

Begitu juga terdapat dua konsep cerebellum yang berbeza.

Penulis sendiri menekankan perkara ini:

Nama yang sama tidak bermaksud organ yang sama.

Ini bukan sekadar masalah naming.

Kalau komponen yang berbeza dicantum hanya kerana namanya sama, kita boleh menghasilkan satu "organ" ketiga yang sebenarnya tidak memainkan peranan yang dimaksudkan.

Struktur Vi memisahkan beberapa lapisan (ikut peta dalam sumber asal, turut dihuraikan dalam versi DEV):

vi/brain/
├── neural/
├── cognition/
├── memory/
├── learning/
├── autonomy/
├── perception/
├── sleep/
└── regions/

native/vi_train/
└── C++ LiveNet

neural/ lebih kepada tissue dan pemprosesan neural.

cognition/ mengurus thought, speech, will, affect dan motive.

memory/ mengurus pelbagai bentuk penyimpanan dan recall.

learning/ mengurus pembelajaran.

autonomy/ mengurus background activity.

sleep/ mengurus consolidation dan replay.

Manakala regions/ membantu memasang keseluruhan organisma.

Hippocampus bukan sekadar vector database

Ini antara bahagian yang paling menarik bagi aku.

Memori Vi bukan satu vector store yang besar.

Ia mempunyai beberapa jenis storage (sumber asal menyenaraikan enam):

• vector index
• SQLite shelf
• graph
• dictionary
• biography
• episodic records

Dan hippocampal formation pula mempunyai laluan yang cuba meniru beberapa fungsi hippocampal (sumber asal):

Entorhinal
    ↓
Dentate Gyrus
    ↓
CA3
    ↓
CA1

Dentate gyrus digunakan untuk membezakan pattern.

CA3 membantu pattern completion.

CA1 membandingkan memory dengan keadaan semasa dan menghasilkan signal novelty.

Yang menarik ialah novelty itu turut mempengaruhi kekuatan penyimpanan — digambarkan secara konsep dalam sumber asal seperti:

store_strength = encode_w * novelty * emotional_gain

Maksudnya, memori bukan sekadar:

"Aku nampak data ini, jadi aku simpan."

Kekuatan penyimpanan dipengaruhi oleh keadaan sistem ketika pengalaman itu berlaku.

Itulah idea yang lebih menarik daripada sekadar menambah satu lagi vector database kepada agent — memori di sini wujud untuk kesinambungan merentas request, dan itulah tujuan sebenar memori berterusan.

Thought bukan speech

Vi juga memisahkan proses berfikir daripada proses bercakap.

ThoughtEncoder ialah GRU yang menggunakan workspace sebagai initial hidden state.

Kemudian Broca menerima dua konteks:

brain context
+
thought context
        ↓
      Broca
        ↓
      speech

Jadi "apa yang berlaku dalam brain" tidak sama dengan "apa yang keluar daripada mulut".

Bahagian pertuturan pula menggunakan LiveNet dalam C++.

Ini penting kerana Broca bukan keseluruhan brain.

Kalau komponen pertuturan itu rosak atau fail, sistem neural di belakangnya tidak semestinya hilang.

Dalam sumber asal, penulis menggunakan perkara ini sebagai satu ujian mudah:

kalau fail mulut menghasilkan token yang bukan perkataan, itu menunjukkan bahawa mulut bukan keseluruhan minda.

Memori bukan prompt yang dipanjangkan

Ada satu lagi perbezaan penting.

Recall dalam Vi tidak sekadar mengambil keyword yang hampir sama.

Ia bekerja pada representasi keseluruhan ungkapan.

Dan keputusan seperti:

know
partial
unknown

tidak sepatutnya datang daripada satu threshold yang dipilih sesuka hati.

Sistem juga secara eksplisit menghalang locator daripada buku atau wiki daripada terus dianggap sebagai "pengetahuan" organisma.

Itu penting.

Kalau sistem mencari jawapan dalam buku, itu tidak semestinya bermaksud sistem itu tahu jawapan itu.

Perbezaan antara:

"Aku jumpa maklumat."

dan

"Aku mempunyai pengetahuan tentang perkara ini."

adalah masalah yang jauh lebih menarik daripada sekadar meningkatkan retrieval accuracy.

Will, affect dan motif

Vi juga cuba membezakan beberapa skala "perasaan" dan motivasi.

Ada affect yang berubah mengikut turn.

Ada appraisal terhadap sesuatu tindakan.

Dan ada motive yang boleh bertahan selama berjam-jam apabila sesuatu masih belum selesai.

Untuk tindakan, sistem menggunakan basal ganglia dengan konsep Go/NoGo.

Secara ringkas:

GPi
 ↓
inhibition

D1
 ↓
release

D2
 ↓
stronger inhibition

Tetapi ada satu perkara penting:

dipilih tidak bermaksud sudah dilaksanakan.

Loop pembelajaran hanya boleh memberi credit apabila tindakan itu benar-benar berlaku.

Itu adalah reka bentuk yang lebih matang daripada sistem yang menganggap:

agent decided
    =
agent succeeded

Pembelajaran tanpa guru LLM

Vi bukan sistem yang hanya menghafal weight awal.

Ia mempunyai native SGD untuk pembelajaran daripada teks dan interaksi.

Sumber asal menunjukkan bahawa beberapa bahagian neural termasuk cortex, hippocampus, PFC, workspace dan Broca boleh terlibat dalam laluan training.

Dan ini berlaku tanpa LLM luaran duduk di tengah-tengah laluan itu.

Itu membuatkan eksperimen ini menarik dari sudut AI sovereignty.

Bukan kerana sistem ini sudah setanding dengan frontier LLM.

Jauh sekali.

Tetapi kerana ia cuba menjawab soalan yang berbeza:

Bolehkah kita mempunyai sistem AI yang benar-benar memiliki laluan pembelajaran dan weight sendiri?

Jawapannya di sini masih eksperimental.

Tetapi sekurang-kurangnya seni binanya cuba bergerak ke arah itu.

Echo tidak sepatutnya mengajar dirinya sendiri

Satu mekanisme yang aku rasa sangat menarik ialah plasticity gate.

Vi cuba mengelakkan output yang dianggap sebagai echo, word salad atau bukan suara sendiri daripada terus mengukuhkan weight.

Contohnya (sumber asal, vi/brain/neural/plasticity_gate.py):

if provenance.is_echo or provenance.salad or not provenance.is_own_voice:
    return 0.0, report

Ini cuba menangani satu masalah yang semakin penting apabila sistem AI mula belajar daripada outputnya sendiri:

bagaimana hendak mengelakkan sistem menguatkan kesilapan sendiri?

Dalam Vi, pembelajaran daripada own voice juga dikaitkan dengan firing discord — lebih banyak percanggahan, lebih besar ruang untuk learning.

Idea ini sebenarnya boleh dipindahkan jauh lebih luas daripada eksperimen Vi — pembelajaran yang sedar provenance memerlukan naluri sama seperti semakan editorial terhadap output mesin: jangan percaya apa-apa tanpa tahu dari mana ia datang.

Malam

Kemudian datang bahagian yang paling "aneh":

Vi tidur.

Bukan sekadar:

cron job → run maintenance

Fatigue dikira daripada beberapa signal termasuk error, novelty dan body pressure.

Apabila sistem memasuki sleep path, hippocampal formation melakukan replay dengan:

encoding=False

Maksudnya, ia cuba melakukan consolidation tanpa menulis pengalaman baharu seperti ketika berjaga.

Broca juga tidak dilatih daripada "dream output".

Ini membawa kepada satu idea yang sangat menarik:

Kalau memori sentiasa memerlukan prompt untuk wujud, kita sebenarnya cuma mempunyai prompt yang lebih besar.

Vi cuba menguji sama ada memori boleh mempunyai kitaran hidup sendiri.

Jadi, adakah Vi benar-benar hidup?

Belum.

Dan itu sebenarnya perkara yang aku suka tentang eksperimen ini.

Penulis tidak mendakwa Vi sudah mencapai AGI atau kehidupan sebenar.

Sebaliknya, eksperimen ini memberi kita beberapa soalan yang boleh diuji:

• Adakah novelty CA1 benar-benar mengubah kekuatan memori?
• Adakah Go/NoGo benar-benar belajar daripada tindakan yang dilaksanakan?
• Adakah thought benar-benar berbeza daripada speech?
• Bolehkah sistem membezakan antara "aku tahu" dengan sekadar menemui maklumat?
• Adakah motif benar-benar bertahan selepas conversation tamat?
• Adakah sleep replay menghasilkan consolidation yang bermakna?
• Bolehkah keputusan muncul tanpa template atau magic cutoff?

Inilah perkara yang lebih penting daripada nama organ yang digunakan.

Closed loop.

Kalau satu organ hanya mempunyai nama yang kelihatan saintifik tetapi tidak mempengaruhi organ lain, ia cuma hiasan.

Eksperimen sebenar bermula apabila semua bahagian itu saling memberi kesan.

Kenapa Vi menarik dalam konteks AI sovereignty?

Kita selalu bercakap tentang AI sovereignty sebagai isu data, cloud dan geopolitik.

Tetapi ada satu lagi lapisan:

siapa yang memiliki minda sistem itu?

Kalau weight berada di vendor, inference bergantung kepada API vendor, memory bergantung kepada service vendor, dan autonomy mati apabila request tamat, maka kita mungkin memiliki aplikasi AI itu — tetapi bukan keseluruhan intelligence stack.

Vi mengambil idea itu secara ekstrem.

Own weights
     +
Own memory
     +
Own learning
     +
Own speech
     +
Own autonomy
     +
Own sleep
     ↓
A system that survives beyond the request

Ia belum membuktikan bahawa pendekatan ini boleh menghasilkan intelligence yang setanding dengan LLM moden.

Tetapi ia menunjukkan satu alternatif seni bina yang menarik.

Bukan:

"Bagaimana kita bina agent yang lebih baik di atas LLM?"

Tetapi:

"Apa yang berlaku kalau kita cuba bina organisma AI yang tidak memerlukan LLM sewaan langsung?"

Itu soalan yang jauh lebih besar.

Sistem AI yang melatih sendiri ialah tafsiran kedaulatan yang jauh lebih radikal — kedaulatan sebagai kesinambungan, bukan sekadar weight.

Apa Pembina Boleh Ambil Tanpa Neurosains

Buang perbendaharaan otak dan empat corak boleh dibawa keluar dari huraian di atas sebagai idea reka bentuk. Gating persaingan signal dan bukannya ambang tetap: biar output calon bersaing dan hanya pemenang diterima, dan bukannya menala cutoff. Kadar pembelajaran bertag provenance: timbang kemas kini mengikut dari mana data datang, bukan sekadar apa katanya — seperti gate plasticity dalam artikel ini yang menolak echo. Keadaan capaian tahu/separa/tidak-tahu: pulangkan "aku separa tahu ini" dan bukannya memaksa hit-or-miss binari. Konsolidasi main-semula-dengan-encoding-mati: proses semula pengalaman hari itu sambil menolak input baharu, seperti replay hippocampus dengan encoding=False. Setiap satu berfungsi sebagai idea reka bentuk walaupun dengan LLM sewa di tengah — anda tidak perlu organisma untuk meminjam organnya.

Kesimpulan

Vi bukan pengganti GPT.

Bukan pengganti Claude.

Dan bukan bukti bahawa kita sudah berjaya mencipta kehidupan digital.

Ia lebih menarik daripada itu.

Ia ialah eksperimen seni bina tentang apa yang berlaku apabila kita cuba memisahkan AI daripada model sewaan dan membina sendiri weight, memory, learning, motivation, speech dan sleep.

NumPy menjadi sebahagian daripada tissue.

C++ menjadi mulut.

Hippocampal formation menjadi sebahagian daripada sistem memori.

Background loops memberikan sistem beberapa skala masa.

Dan sleep memberi peluang kepada pengalaman untuk diproses apabila tiada manusia sedang bercakap dengannya.

Persoalan akhirnya bukan sama ada Vi boleh menjawab soalan seperti ChatGPT.

Persoalannya ialah:

Apabila request sudah tamat, adakah masih ada sesuatu yang tinggal?

Itulah eksperimen sebenar Vi.

Dan kalau suatu hari nanti sesuatu yang benar-benar menyerupai kehidupan tumbuh daripada sistem seperti ini, ia bukan kerana vendor memberinya context window yang cukup panjang.

Ia kerana badan itu sendiri masih ada apabila request sudah berakhir.

Aku sengaja tidak menjadikan Vi nampak lebih hebat daripada bukti yang ada. Sumber asal sendiri menekankan bahawa eksperimen ini masih terbuka dan ujian sebenar ialah sama ada loop-loop itu benar-benar berfungsi bersama, bukan sekadar mempunyai kelas bernama Hippocampus, Cerebellum atau BasalGanglia.

Satu lagi pembetulan yang aku cadangkan: jangan guna cover lama kalau ia menggambarkan Vi sebagai "makhluk hidup" secara literal. Artikel asal pun sengaja menggunakan istilah life dalam tanda petik.

Sumber

• HackerNoon: Inside Vi: An AI Organism Built Without a Rented LLM
• DEV Community: Can you grow 'life' outside the prompt — no GPT, no corporation, no rented mind?