Spring til indhold
Advancing Bits to Master Atoms
← Alle indlæg

MS Duplex8 min. læsetid

Vi præsenterer MS Duplex: selvforbedrende agenter til forsknings- og ingeniørteams.

MS Duplex kobles på den AI, dine forskere og ingeniører allerede bruger, og får den til at lære af bekræftede resultater, ekspertkorrektioner og beslutninger. Hvad den er, hvem den er til, og hvordan du kommer i gang.

Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.

Et forskningsteam lærer sin AI noget hver uge. En ekspert forklarer, hvorfor en metode fejler ud over en kendt grænse. En kørsel bekræfter, hvilke indstillinger der virkede. En ny kalibrering erstatter en gammel referenceværdi. I de fleste opsætninger bliver intet af det hængende. Den næste session starter fra det, modellen vidste den dag, dens træning sluttede, og teamet betaler for den samme lektie igen.

I dag præsenterer MatterSpace MS Duplex: selvforbedrende agenter til forsknings- og ingeniørteams. MS Duplex kobles på den AI, dine forskere og ingeniører allerede bruger, og får den til at lære, mens du arbejder. Hvert bekræftet resultat, hver ekspertkorrektion og hver beslutning bliver til erfaring, som dine agenter genbruger, så hver kørsel starter, hvor den sidste sluttede.

Hvad MS Duplex er, og hvem den er til

MS Duplex er det selvforbedrende lag i et teams videnskabelige AI. Den sidder ved siden af de modeller og agenter, du allerede kører, med deres vægte uændrede. Når en test består, en måling kommer tilbage, eller en ekspert godkender en konklusion, lærer MS Duplex af det og anvender lektien fra næste forespørgsel, hvor betingelserne passer.

Det er også dér, et teams AI-arbejde bygges op. Bekræftede resultater med deres betingelser, rettelser med deres begrundelser, beslutninger med den evidens, de byggede på, verificerede metoder, planer og fremskridt i lange kampagner, og hvilke værktøjer der virkede til hvilket problem: alt det samler sig i et lager, din organisation ejer. Skift model, agent eller leverandør, og teamet fortsætter, hvor det slap.

Fire kvadratiske plader holdt præcist over hinanden af tynde sølvstifter: en grafitbund, en sølvplade med et gitter af kugler, en koboltblå plade og en fintgitret sølvtop.Fire kvadratiske plader holdt præcist over hinanden af tynde sølvstifter: en grafitbund, en sølvplade med et gitter af kugler, en koboltblå plade og en fintgitret sølvtop.
Fire kvadratiske plader holdt på plads af tynde sølvstifter, fra en grafitbase til en fint gitret sølvtop: lagene i et forskningsteams AI-stak, med MS Duplex som det lag, der lærer af de andre.

MS Duplex er designet og udviklet til videnskabsfolk, ingeniører og forskere, og den virker inden for alle fagområder. Hvor end et team kører eksperimenter, simuleringer, analyser eller designgennemgange med AI, er løkken den samme. Agenten arbejder gennem dine værktøjer. En test, en måling eller en ekspert bekræfter resultatet eller retter det og siger hvorfor. MS Duplex gemmer udfaldet med dets evidens. Det næste matchende tilfælde, i enhver session, agent eller model, starter fra det.

Den er bygget til de mennesker, der bærer det arbejde:

  • Forsknings- og ingeniørledere, der vil have, at det, teamet lærer, bliver hos teamet, uanset hvilken model det kører næste gang.
  • Ledere af beregningsforskning, der vil have færre gentagne kørsler og beslutninger, som en anden forsker kan genopbygge ud fra dokumentationen.
  • Laboratorie- og platformsansvarlige, der har brug for, at teamets regler anvendes og de rette godkendelser gives, før et kostbart trin begynder.
  • Forskere og ingeniører, der hellere vil forklare et projekt, og en rettelse, for deres AI én gang.

Fjorten funktioner i tre grupper

I MS Duplex arbejder kontinuerlig læring, selvforbedring, langsigtet planlægning og forskningshukommelse som ét lag, organiseret omkring dit teams mål. Der er fjorten funktioner i tre grupper, og hver af dem gør de andre stærkere.

Lær og forbedr

  • Kontinuerlig læring: lærer af hvert bekræftet resultat fra næste forespørgsel og bevarer det, den har lært før, intakt.
  • Selvforbedring: det, der virkede, bliver det første, dine agenter prøver, og det, der fejlede, holder op med at blive foreslået.
  • Genbrugelige metoder: en verificeret procedure anvendes direkte på det næste lignende tilfælde og tilpasses og foreslås til kontrol på beslægtede tilfælde.
  • Læring af årsag og virkning: holder styr på, hvilken handling der førte til hvilket udfald, under hvilke betingelser, og siger, når en forbindelse endnu ikke er fastslået.
  • Værktøjslæring: lærer, hvilket værktøj, hvilken indstilling eller hvilken metode der klarede sig godt på hvilken slags problem.

Planlæg og beslut

  • Langsigtet planlægning: kampagner, der kører i dage eller uger, forbliver én opgave med deres plan, checkpoints og fremskridt.
  • Simulering før handling: spiller mulighederne igennem, før regnekraft eller laboratorietid bruges, og lægger tidligt dem til side, der ikke kan nå målet.
  • Løsning af nye problemer: sammensætter en tilgang til et nyt tilfælde ud fra det, teamet har bekræftet, og kontrollerer den, før nogen forlader sig på den.
  • Beslutninger, der kender deres grænser: afgør det, evidensen understøtter, og overlader resten til din model eller en forsker, med begrundelsen.

Husk og styr

  • Forskningshukommelse: hver session starter fra arbejdets aktuelle status.
  • Frihed til at skifte model: en ny model starter med alt det, dit team har opbygget.
  • Personlige lag, teamlag og organisationslag: hvert lag har sin egen erfaring, og dine regler afgør, hvad der flyttes mellem dem.
  • Regler og godkendelser: dine regler kommer først, og de trin, du vælger, venter på en person.
  • Sporbarhed, gennemgang og aflæring: hver lektie bevarer sin kilde, og enhver lektie kan rettes eller fjernes for sig.

Grupperne støtter sig til hinanden. Et resultat, der blev bekræftet mandag, bliver til en metode. Metoden indgår i planen for en lang kampagne. Forskningshukommelsen bærer planen ind i den næste session, reglerne afgør, hvilke trin der venter på en person, og sporbarheden viser, hvor hver del af den kom fra.

  • +16 ptsmere præcis end en model finjusteret til opgaven, på tilbagevendende arbejde, uden nogen træningskørsel
  • −89%færre modelkald end den finjusterede model på det samme arbejde
  • 0 ud af 8.640svar om en ændret kendsgerning gav den forældede værdi

Alle tre tal stammer fra MatterSpaces kontrollerede test. De to første sammenligner MS Duplex med en model finjusteret til opgaven, på det samme tilbagevendende arbejde. Det tredje tæller svar, der blev givet, efter at en kendsgerning havde ændret sig, hvor AI'en skulle bruge den nyere værdi. Finjustering bevarer sin plads, når det gælder om at ændre, hvad en model ved, over hele linjen, og MS Duplex arbejder ved siden af en finjusteret model lige så vel som en generel.

Den kobles på den AI, dit team allerede bruger

Forskerne og ingeniørerne beholder den AI, de kender. MS Duplex forbindes med Claude, Codex, Cursor og andre agenter, der taler MCP, den åbne standard for at give AI-agenter værktøjer. Teams, der bygger deres egne forskningsagenter og pipelines, tilføjer MS Duplex via dens API og Python SDK, med den samme læring bag hver enkelt.

Der er to måder at forbinde på. Med en standardforbindelse kalder din agent MS Duplex for at hente relevant erfaring, følge planen og registrere de resultater, du tillader. Det er den hurtigste måde at komme i gang på. I understøttede miljøer med hooks sender en styret forbindelse de trin, du vælger, gennem MS Duplex, så dine regler gælder, før en kostbar simulering eller kørsel begynder.

Fem forskellige stikmoduler i grafit arrangeret i en bue, der hver sender et tyndt koboltblåt kabel ind i ét centralt satinsølvfarvet knudepunkt.Fem forskellige stikmoduler i grafit arrangeret i en bue, der hver sender et tyndt koboltblåt kabel ind i ét centralt satinsølvfarvet knudepunkt.
Fem forskellige stikmoduler i grafit i en bue, der hver sender et tyndt koboltblåt kabel ind i én satinsølvfarvet hub: mange assistenter og agenter, ét læringslag bag dem.

Dine modeller, værktøjer og data forbliver dine. Agenter når fortsat simulatorer, analysekode, databaser og instrumenter gennem deres egne forbindelser. MS Duplex lærer af de resultater og ekspertkorrektioner, dit team vælger at registrere, og dine regler afgør, hvad der deles mellem en forsker, et team og organisationen. Intet af det deles med en anden virksomhed.

Forestil dig, at en forsker eller ingeniør retter en agents rangering af kandidater, fordi den anvendte metode fejler ud over en kendt driftsgrænse, og noterer hvorfor. To dage senere støder en kollegas agent, på en anden model, på et beslægtet tilfælde. MS Duplex henter rettelsen frem med dens kilde og viser, hvilken antagelse der har ændret sig. Ingen behøvede at tilføje en linje i en notefil eller forklare grænsen en gang til.

Ét læringslag til alle fagområder

MS Duplex er MatterSpaces læringslag til alle former for videnskabeligt arbejde og ingeniørarbejde. Det, den lærer af, er fælles for forskning inden for alle fagområder: metoder, beslutninger, de betingelser, et resultat gælder under, og de udfald, der fulgte. Hvert teams erfaring forbliver dets egen, i dets egne lag og under dets egne regler.

Sådan kommer du i gang: et pilotprojekt på dit eget arbejde

Den fair test af en AI, der hævder at lære, er det arbejde, dit team udfører igen og igen. Et pilotprojekt kører på dine egne arbejdsgange, ved siden af din nuværende opsætning, og dine eksperter er dommerne.

  1. Vælg arbejdetVælg tilbagevendende forskningsarbejdsgange, hvor beslutninger gentager sig, og hvor en forkert eller unødvendig kørsel er dyr: anbefaling af indstillinger til næste kørsel, rangering af kandidater, gennemgang af analyser.
  2. Aftal målestokkenFastlæg den med dine eksperter, før noget kører: omkostningen ved hvert accepteret, reproducerbart resultat og den eksperttid, det kræver.
  3. Kør det side om sideSamme model, værktøjer, data og budget, med og uden MS Duplex, og med en styret forbindelse, hvor det passer.
  4. Bedøm det blindtDine eksperter scorer resultaterne uden at vide, hvilken opsætning der frembragte dem.

Hvor MS Duplex kører, og hvordan dine data håndteres, aftales med dine sikkerheds- og dataansvarlige fra den første samtale. Den erfaring, et pilotprojekt opbygger, tilhører din organisation, med hver lektie og dens kilde dokumenteret, så dit team kan gennemgå, rette eller fjerne den.

Almindelige spørgsmål

Ændrer MS Duplex vores model?

Den lader modellens vægte være, som de er. MS Duplex lærer ved siden af modellen, og derfor er en lektie klar fra næste forespørgsel, derfor kan én lektie rettes for sig, og derfor følger erfaringen med, når du skifter model.

Hvad lærer den af?

Ud fra de resultater og ekspertrettelser, dit team vælger at registrere: en bestået test, en måling, en godkendt konklusion, en rettelse med sin begrundelse. Hver læring beholder sin kilde og de betingelser, den gælder under.

Er MS Duplex bundet til ét videnskabeligt fagområde?

Nej. Det fungerer i alle fagområder, hvor et team forsker eller udvikler med AI.

Hvem ejer det, den lærer?

Din organisation. Erfaringen ligger i et lager, din organisation ejer, styret af dine regler og delt med ingen anden virksomhed. Dit team kan inspicere enhver lektie, rette den, fjerne den eller gendanne den.

Bygget af MatterSpace

MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.

Fortsæt med at læse

Lad den næste kørsel drage nytte af den forrige.

Kom til os med den forskning, din AI skal blive bedre til. Vi planlægger et pilotprojekt på dine egne arbejdsgange, med dine eksperter som dommere.