Wir stellen vor: Neuro-Analytic AI.
Neuro-Analytic AI kombiniert die KI, die du bereits nutzt, mit einer komplementären analytischen KI, die aus validierten Ergebnissen lernt und dir hilft zu entscheiden, was du als Nächstes ausprobierst.
Sein Kernversprechen: die Flexibilität neuronaler KI mit der Exaktheit analytischer KI. MatterSpace ist Pionier dieses Ansatzes und macht daraus Produkte, angefangen mit MS Duplex. Entwickelt von Faruk Guney.


Zwei Arten von KI, jede tut, was sie am besten kann.
Neuronale KI und analytische KI sind in unterschiedlichen Dingen gut. Nebeneinandergestellt deckt jede ab, was die andere weniger gut abdeckt.
Neuronale KI
Die Modelle, die dein Team bereits nutzt. Sie verstehen eine Aufgabe, die in normaler Sprache beschrieben ist, recherchieren dazu, schreiben und argumentieren flüssig und arbeiten mit den Tools, die du freigibst.
Analytische KI
Arbeitet mit den Ergebnissen, die dein Team validiert hat. Sie wägt ab, was funktioniert hat, unter welchen Bedingungen und wie gut belegt, und hält dieses Urteil aktuell, wenn neue Ergebnisse eintreffen.
Zusammen
Die neuronale Seite versteht die Aufgabe und handelt danach. Die analytische Seite bringt Erfahrung und Belege in die Entscheidung ein. Das Ergebnis ist ein Agent, der mit jeder validierten Lektion besser wird.
Das Trilemma, das neuronale KI allein nicht lösen kann.
KI, die jeden Tag an der Seite von Menschen arbeitet, braucht drei Eigenschaften zugleich: Plastizität, um aus neuen Ergebnissen zu lernen; Stabilität, um zu behalten, was sie schon weiß; und Editierbarkeit, um ein einzelnes Wissenselement exakt zu ändern. Ein neuronales Modell verteilt alles, was es weiß, über dieselben gemeinsamen Gewichte, also kostet jede gewonnene Eigenschaft eine andere.
Plastizität
Bringst du dem Modell etwas Neues bei, erreicht die Aktualisierung Gewichte, die auch das tragen, was es schon wusste.
Stabilität
Schützt du, was es weiß, lernt es langsam oder bis zum nächsten Trainingslauf gar nicht.
Editierbarkeit
Kein einzelnes Gewicht trägt einen einzelnen Fakt, also lässt sich ein Wissenselement nicht exakt korrigieren, entfernen oder zu seiner Quelle zurückverfolgen.
Umwege tauschen eins gegen das andere
Fine-Tuning erkauft Plastizität auf Kosten der Stabilität. Retrieval und Memory-Dateien fügen Text hinzu, ohne daraus zu lernen.
Analytische KI vereint alle drei zugleich.
Analytische KI bewahrt, was sie lernt, als eigenständige Erkenntnisse neben dem Modell auf, nicht in seinen Gewichten, jede mit ihren Belegen und den Bedingungen, unter denen sie gilt. Die drei Eigenschaften konkurrieren nicht mehr.
Plastizität
Ein validiertes Ergebnis wird sofort gelernt und gilt ab der nächsten Anfrage, ohne Trainingslauf.
Stabilität
Eine neue Erkenntnis lässt alle anderen, wie sie waren.
Editierbarkeit
Jede Erkenntnis lässt sich einzeln prüfen, korrigieren oder entfernen und zu ihrer Quelle zurückverfolgen.
Exaktheit und Flexibilität: das Kernversprechen von Neuro-Analytic AI.
Neuronale KI bringt Flexibilität: Sie versteht offene Aufgaben, denkt nach und arbeitet mit Tools. Analytische KI bringt Exaktheit: Gelerntes gilt genau dort, wo es zutrifft, und ein geänderter Fakt wird exakt ersetzt. Zusammen gewinnt neuronale KI Plastizität, Stabilität und Editierbarkeit, die zugleich stark und exakt sind.
Von beeindruckenden Demos zur täglichen Arbeit.
Genau das bringt KI in den produktiven Einsatz. Eine KI, die bei der Arbeit lernt, behält, was sie gelernt hat, und sich wie jeder andere Datensatz korrigieren lässt, ist eine KI, auf die sich Wissenschaftler, Ingenieure, Forschende und Fachkräfte in Unternehmen in ihrer täglichen Arbeit verlassen können, nicht nur in einer Demo.
Warum wir glauben, dass die Zukunft neuro-analytisch ist.
Größere Modelle wissen mehr, doch Größe allein lässt ein Modell nicht bei der Arbeit lernen, ohne zu vergessen, und lässt eine Organisation nicht korrigieren und besitzen, was es gelernt hat. Wir glauben, dass die KI, auf die sich Menschen jeden Tag verlassen, neuronale Flexibilität mit analytischer Exaktheit verbinden wird.
Arbeit verändert sich ständig
Jeden Tag kommen neue Ergebnisse. Eine KI, die nur in Trainingsläufen lernt, hinkt immer hinterher.
Vertrauen braucht Korrigierbarkeit
Wenn KI etwas falsch macht, müssen Menschen genau das korrigieren und sehen können, dass es korrigiert ist.
Erfahrung ist Kapital
Was ein Team lernt, sollte dem Team gehören und nicht in den Gewichten eines Modells verschwinden.
Modelle ändern sich laufend
Erfahrung muss jedes Modell überdauern, mit dem sie gelernt wurde.
Inspiriert von der Theorie der komplementären Lernsysteme aus der Kognitionswissenschaft.
Die Theorie der komplementären Lernsysteme beschreibt Lernen im Gehirn als die Arbeit zweier Systeme: eines, das schnell aus konkreten Erfahrungen lernt, und eines, das allmählich allgemeines Wissen aufbaut. Neuro-Analytic AI lässt sich von dieser Idee inspirieren, wie zwei komplementäre Teile eines KI-Systems zusammenarbeiten können.
MatterSpace führt Neuro-Analytic AI von der Forschung zum Produkt.
MatterSpace ist das führende Unternehmen, das Neuro-Analytic AI als Pionier vorantreibt und daraus Produkte macht. MS Duplex ist das erste: Verbinde die KI, die du bereits nutzt, über MCP, und MS Duplex ist die analytische KI daneben, ein selbstverbessernder Agent für Wissenschaft, Forschung und Engineering.
Entwickelt von Faruk Guney.
Erlebe Neuro-Analytic AI an deiner eigenen Arbeit.
Ein Pilotprojekt mit MS Duplex läuft an deiner eigenen wiederkehrenden Arbeit, neben deinem aktuellen Setup, und deine Fachleute beurteilen die Ergebnisse.

