Raka svar om MS Duplex och MS Reflex.
Frågorna som team ställer innan de driftsätter.

Med en pilot på ditt eget arbete. Berätta var ditt team arbetar och vad MS Duplex ska lära sig först. Vi kommer överens om mätetalen innan den börjar och sätter upp MS Duplex tillsammans med dig i den placering du väljer.

Efter beslut och användare. Ett beslut är en förfrågan som MS Duplex deltar i, oavsett om MS Duplex svarar på den eller tar in din AI. Varje offert kommer skriftligt innan du binder dig.

Nej. Du använder din egen modellåtkomst och betalar din leverantör för den, och MatterSpace lägger inget påslag på tokens. Ett beslut som MS Duplex har lärt sig kräver inget modellanrop alls.

Den stannar i den placering du väljer. I MatterSpace Cloud kör MS Duplex åt dig och varje kund hålls åtskild. I ditt moln stannar den under dina kontroller. Det enda som lämnar är en förfrågan till en extern modell som du ansluter, och den leverantören ser bara den förfrågan.

MS Duplex är det Agent Operating System som drivs av körtidsintelligens: lagret som varje agent körs på, vilken modell den än använder. MS Duplex är din AI-modell och en ACI-modell som arbetar som en: körtidsintelligens för din AI och dina agenter. Tillsammans lär de sig, planerar, simulerar, beslutar och agerar medan arbetet pågår, från en person till hela företaget. Det den lär sig är ditt. Byggd på ACI, Adaptive Continual Intelligence.

Dagens AI är splittrad: modellen, hämtningen och applikationskoden har var sin del av intelligensen, och ingen av dem lär sig av arbetet. MS Duplex är infrastrukturlagret som förenar dem till ett system som lär sig, planerar, simulerar, beslutar och agerar. Tyngdpunkten flyttas till hela systemet: modellen kan bytas, och MS Duplex för resten vidare.

MS Duplex är det Agent Operating System som drivs av körtidsintelligens: lagret som varje agent körs på, vilken modell den än använder. Agenter arbetar nu i timmar eller dagar, över sessioner, appar och modeller, men var och en bygger fortfarande sitt eget minne, sina egna regler och verktygskopplingar, och förlorar dem när modellen eller appen byts. MS Duplex ger dem ett lager för allt detta, så att varje agent behåller sin kontext, sina regler och sina verktyg, vilken modell eller app den än använder.

Den samordnar allt ett mål behöver: planen, alternativen, beslutet, dina godkännanden, arbetet i dina verktyg och kontrollen av resultatet. Den bär varje agents kontext vidare, håller långt arbete igång genom pauser och förändringar, för en historik över varje steg och lär sig av det som har verifierats. Din stack blir en verktygslåda för varje agent, det varje person, team och organisation lär sig stannar i sitt eget lager, och modellen kan bytas medan det dina agenter har lärt sig stannar kvar.

Lagret som dina agenter körs på är körtidsintelligens i arbete: din AI-modell och en ACI-modell som arbetar som en lär sig av varje resultat, planerar, simulerar, beslutar och agerar medan arbetet pågår. Därför blir det bättre med användning, och därför förblir det som det lär sig ditt när du byter modell.

Alla vars arbete bygger på AI, från en person till hela företaget. En person börjar i sin egen assistent, ett team delar vad det lär sig, ett litet företag använder MatterSpace Cloud, och ett större företag tar in den i sina egna agenter och sitt eget moln via MCP + hooks.

En harness ger din AI verktyg, promptar och steg, och gör det den är inställd på. MS Duplex parar ihop din AI med en ACI-modell som lär sig av varje bekräftat resultat, planerar, simulerar, beslutar och agerar inom dina regler och tar med ditt arbete mellan verktyg och modeller. Den fungerar i Claude, Codex, Cursor och Hermes, och i dina egna agenter via MCP + hooks.

114 förmågor i 17 grupper: Kontext och observation · Regler och beteendekontroll · Verktygskörning · Inlärning och personalisering · Long Horizon: långvarigt arbete · Planering och beslutsstöd · Skill Fabric: återanvändbara färdigheter · Beständiga trådar och delning · Glömska och datakontroll · Status och förklaringar · Beständig intelligens · Personalisering · Multimodal intelligens · Konfidens och autonomi · Säkerhet och tillsyn under körning · Operativ intelligens · Integration och portabilitet.

Allt ett mål behöver: kontexten, planen, alternativen som spelas igenom i förväg, beslutet, dina regler och godkännanden, arbetet i dina verktyg, kontrollen av resultatet, långvarigt arbete, återhämtning när något ändras och inlärning av det som har verifierats. De fungerar som ett system kring ditt mål, inte som separata verktyg som ska kopplas ihop.

Long Horizon är den del av MS Duplex som för långt arbete i mål. Arbete som pågår i dagar eller veckor förblir ett jobb, med sitt mål, sin plan, sina regler och sina framsteg. Före varje steg kontrolleras det som steget bygger på, planen revideras när fakta ändras, undantag går till de personer du väljer, bara verifierade steg räknas som framsteg, och arbetet tas upp där det slutade efter en paus eller en överlämning.

Skill Fabric är den del av MS Duplex som gör det som fungerar till färdigheter som hela din organisation kan lita på. En färdighet skapas av arbete som har verifierats, kan öppnas och granskas, delas med andra team när den har godkänts, följs upp i användning och tas ur bruk när den slutar leverera, och förblir din när du byter modell.

Nej. De lagrar det som hände och hittar det som liknar det. MS Duplex lär sig av erfarenhet under körning: den förstår mönstret bakom varje resultat, komprimerar det till det som generaliserar, förutsäger det som följer och agerar på det, inom dina regler. Därför skiljer den ut snarlika fall, följer en ändrad regel från nästa förfrågan och blir snabbare ju mer den används. De blir dess verktyg.

Ensam under körning är din AI-modell hyrd per anrop, börjar varje uppgift från noll, kan inte lära sig av det ditt team bekräftar, tappar kontext mellan sessioner, och inget kontrollerar vad dina agenter gör innan de agerar. MS Duplex parar ihop den med en ACI-modell som lär sig, planerar, simulerar, beslutar och agerar inom dina regler. Arbetet blir snabbare och billigare med användningen, och det MS Duplex lär sig är ditt.

Din AI stannar där den är, och MS Duplex ställer en ACI-modell bredvid den. MS Duplex agerar utifrån det den har lärt sig på millisekunder, och tar in din AI för nytt eller osäkert arbete, med den lärdomen bifogad. Varje bekräftat resultat lär MS Duplex inför nästa gång.

Två intelligenser som gör olika jobb tillsammans, så som hjärnan gör: en långsam för allmän kunskap och en snabb för varje ny erfarenhet. Din AI är den långsamma, inlärd före driftsättning. En ACI-modell är den snabba: den lär sig av skarpt arbete och planerar, simulerar, beslutar och agerar sedan utifrån det. Tillsammans är de MS Duplex.

Delvis: MS Duplex är din AI-modell och en ACI-modell som arbetar som en. ACI-modellen är en självständig, andra intelligens, och den ersätter aldrig din AI. Ett bekräftat beslut kan köras på millisekunder utan modellanrop. Nytt eller osäkert arbete går till din AI med lärdomarna från MS Duplex bifogade, och det bekräftade resultatet lär MS Duplex inför nästa förfrågan.

Körtidsintelligens: din AI-modell och en ACI-modell som arbetar som en och lär sig, planerar, simulerar, beslutar och agerar medan arbetet pågår, inom dina regler. Det den lär sig är ditt. Två intelligenser, ett system: kombinationen är produkten.

Överallt där din AI gör verkligt arbete: kod- och skrivbordsassistenter, support- och driftagenter, arbetsflöden i företag, AI-produkter i stor skala, team som anpassar en modell och reglerat arbete. Den är mest användbar där resultat kan bekräftas, eftersom MS Duplex tillämpar varje korrigering, beslut eller utfall som har bekräftats på nästa förfrågan där det passar.

De blir verktyg för MS Duplex. MS Duplex anropar var och en när ett steg behöver den, lär sig vilken som passar vilken situation och kontrollerar att det de returnerar är aktuellt, källbelagt och daterat.

ACI, Adaptive Continual Intelligence, är en ny kategori av intelligens, skapad av MatterSpace. Den fortsätter att lära sig, planera, simulera, besluta och agera medan ditt arbete pågår, i samspel med de AI-modeller du redan använder. MS Duplex parar ihop den med din AI-modell, MS Reflex med din autonomistack.

AI-modeller lär sig innan de släpps, och förblir sedan som de är. ACI lär sig, planerar, simulerar, beslutar och agerar efteråt: under körning, utifrån ditt arbete, så länge den körs. Den lär sig ditt arbete snarare än världen, bygger på allt den lärt sig tidigare, och det den lär sig är ditt: en kategori för sig.

I samspel. Modellen bidrar med generell intelligens: kunskap, språk och resonemang. ACI bidrar med det den lär sig av ditt arbete. Den hanterar det den redan kan, och tar in modellen, informerad, för det som är nytt. Modellen förblir som den är, och du kan byta modell utan att förlora det ACI har lärt sig.

För din AI: den lär sig direkt av ett bekräftat resultat, följer en ny regel från nästa förfrågan, hanterar fall den aldrig har sett, skaffar sig färdigheter och blir snabbare och billigare ju mer den används. För dina maskiner: den lär sig av ett exempel, planerar, simulerar och beslutar på enheten och håller varje kommando till dina regler, med eller utan uppkoppling. Hur som helst är det den lär sig ditt.

Hittills kunde bara labben som tränar modeller få AI att lära sig. Med ACI har varje person och varje företag en AI som lär sig av det egna arbetet, och de äger det den lär sig. Det inlärda förräntar sig med varje resultat och stannar där du väljer, i molnet eller på maskinen, vilken modell eller stack du än kör.

Båda är byggda på ACI, och ACI är intelligensen i var och en. Tillsammans med din AI-modell är den MS Duplex, i ditt teams assistenter och de agenter ditt företag bygger. Tillsammans med din autonomistack är den MS Reflex, på varje maskin som beslutar och agerar på egen hand.

ACI är resultatet av år av forskning om neurala nätverk och deras trilemma: plasticitet, stabilitet och redigerbarhet. Plasticitet är att lära sig det nya, snabbt. Stabilitet är att behålla det den vet. Redigerbarhet är att ändra det den lärt sig. Ett neuralt nätverk klarar högst två: låt det lära sig snabbt, så glömmer det, håll det stabilt, så slutar det lära sig, och det som har lärts in är utspritt över hela nätverket. ACI förenar alla tre.

Faruk Guney skapade ACI, MS Duplex och MS Reflex på egen hand, efter år av forskning om neurala nätverks trilemma och mer än femton år av att bygga upp Norck till ett globalt företag inom tillverkning och ingenjörstjänster på beställning.

Av resultat som visar att arbetet var rätt: ett test som går igenom, en godkänd granskning, en observerad förändring eller ett senare affärsutfall. Den kan också förtränas på granskade exempel, tidigare beslut, dokument, regler och verktygsflöden.

Ja. Förträna MS Duplex på dina granskade exempel, tidigare beslut, dokument, regler, verktygsvägar och bibliotek av beprövade metoder. Den lär sig dem innan den tas i drift, så den är användbar från första förfrågan, och den fortsätter att lära sig i produktion.

Ditt team sätter standarden för varje typ av arbete. Kod kan behöva tester och granskning, medan en reglerad åtgärd kan behöva godkännas av en person.

En korrigering hör till det arbetsområde där den gjordes, och den hjälper senare arbete som den passar. Behöriga användare kan granska, korrigera eller ta bort allt som MS Duplex har lärt sig.

Ja. MS Duplex lär sig mönstret, så den hanterar nya formuleringar och nya detaljer, och den upptäcker ett snarlikt fall som behöver ett annat svar. På vilseledande snarlika fall svarade den fel 7.5% av gångerna, mot 45.3% för en cache.*

Den nya regeln gäller från nästa förfrågan. MS Duplex ersätter det föråldrade beslutet och låter orelaterat arbete ligga kvar. Efter en policyändring gav den 0% inaktuella svar, mot 72% för cache och hämtning.*

Kontinuerlig inlärning, under körning. MS Duplex lär sig av varje resultat när det bekräftas, så nästa förfrågan drar redan nytta av det, utan träningskörning och utan GPU. Vid en förändring förblir 100% av dess tidigare arbete intakt.*

Vanlig användning är träningen: MS Duplex lär sig av varje bekräftat resultat och tillämpar det från nästa förfrågan. Förträning ger den ett försprång, och vikterna i din AI förblir som de är.

För arbete som är nytt, brett eller kreativt, och allt som kräver ny text eller nytt resonemang. MS Duplex förbereder exakt det som din AI får, med det den har lärt sig bifogat. Ett beslut som MS Duplex har lärt sig behöver inget modellanrop.

Om MS Duplex har förtränats på den typen av arbete svarar den från början. Annars tar din AI det, med kunskapen från MS Duplex bifogad, och när resultatet är bekräftat hanterar MS Duplex det nästa gång.

Din AI, närhelst arbetet kräver ny text eller öppet resonemang, med det MS Duplex har lärt sig bifogat. När MS Duplex har lärt sig arbetet svarar den på egen hand.

Allt MS Duplex har lärt sig lever bredvid din AI, så det följer med dig till den nya modellen. I anpassningstestet flyttades det MS Duplex hade lärt sig till en annan modellfamilj helt utan omträning.

Nej, den gör tvärtom. Det din organisation lär sig finns i MS Duplex, inte i en enda leverantörs vikter, en enda chattlogg eller en enda apps minne. Byt modell, agentklient eller leverantör, så finns processerna, reglerna, historiken och färdigheterna kvar.

Ja. Din placering och dina inställningar avgör vilken modell som är tillgänglig och vart varje förfrågan går.

Vanliga molnservrar, på CPU. MS Duplex behöver ingen egen GPU: ett beslut som den har lärt sig tar ≈97 ms, mot ≈2,231 ms för ett modellanrop. Bara din AI behöver acceleratorer, och MS Duplex tar in den för nytt arbete.*

Målet, avgjorda beslut, begränsningar och oavslutat arbete fortsätter inom samma kund och arbetsområde. Orelaterat arbete och autentiseringsuppgifter stannar kvar.

Det du behöver för att fortsätta: mål, beslut och ofärdigt arbete. Hela utskriften stannar där den var, och ditt teams åtkomstregler gäller fortfarande.

Ja, när anslutningarna hör till samma kund och samma tillåtna arbetsområde. Gränserna för identitet, arbetsområde och kund ligger kvar.

Ja, när båda personerna har behörighet till det delade arbetsområdet. Personligt eller begränsat arbete hålls åtskilt, enligt dina åtkomstinställningar.

Kontext hjälper dig att fortsätta ofärdigt arbete, och den kan vara tillfällig. Det MS Duplex lär sig kommer från bekräftade resultat, och det hjälper varje gång det passar.

Den tillämpar bekräftade korrigeringar, uppdaterar beslut när en regel ändras, för pågående arbete vidare, planerar processer i flera steg, använder dina verktyg och minskar modellanropen för arbete som den har lärt sig.

Ja. MS Duplex lär sig hur dina processer reagerar, planerar den kortaste vägen och för med sig begränsningar och bekräftade metoder mellan steg och sessioner. Din AI bidrar med nya resonemang vid varje oväntad vändning.

Ja. Den lär sig vad åtgärder ändrar i dina system, förutsäger effekten av ett steg innan det körs och föreslår den kortaste vägen till ett mål. I ett offentligt benchmarktest för företagssystem slog den tre spetsmodeller i att förutsäga systemändringar. Varje verkligt steg går fortfarande genom dina kontroller.

Ja, när ditt team har slagit på den: ge den ett mål, de åtgärder den får vidta och ett sätt att kontrollera om den lyckas. Den utforskar säkert, testar färdigheten innan den använder den och tar bort den på begäran. Den slutförde varje uppgift med modellen avstängd.

Ja. MS Duplex får din modell att svara som om den hade tränats på ditt arbete, och modellens vikter förblir som de är. Den slog finjusterade adaptrar i 6 / 6 tester, utan träningskörning, och anpassningen flyttade till en annan modellfamilj utan omträning.*

Ja. För väldefinierade uppgifter skriver MS Duplex ett litet program eller återanvänder ett som redan har fungerat, testar det mot kända fall och kör det när det klarar dem. Ditt team kan pausa det eller ta det ur bruk när som helst.

Ja. Dokument, kunskapsgrafer och databaser blir kunskapskällor för MS Duplex, var och en med sin ägare, källa och datum. MS Duplex vet när ett faktum ändras, och tar in rätt fakta i varje beslut.

Ja. MS Duplex kan dela godkänt lärande och kontext med varje agent i det valda arbetsområdet. För allt den har lärt sig kan du se vilken agent det kom från, med vilken modell och när. Varje kunds lärande stannar hos den kunden.

Ditt team bestämmer vad MS Duplex lär sig av, granskar det den har lärt sig och kan korrigera eller ta bort vilken del som helst av det. Dina regler, godkännanden och kontroller gäller för varje åtgärd.

De fyra tilläggen är Claude, Codex, Cursor och Hermes. Team som bygger sina egna agenter ansluter dem via MCP + hooks.

Fyra tillägg finns tillgängliga i dag. Om ditt team bygger och kör agenten kan MCP + hooks passa; använder du någon annan assistent, berätta vilken.

För de agenter ditt företag bygger. De ansluter till MS Duplex via MCP, och hooks tar in MS Duplex i varje steg: före varje förfrågan, före varje verktygsanrop och efter varje resultat. Varje handling kontrolleras mot dina regler innan den körs, med godkännanden där du vill ha dem och en historik du kan exportera.

Ett tillägg tar in MS Duplex i en assistent som stöds via MCP och bygger din personliga intelligens. MCP + hooks tar in den i varje steg av de agenter ditt företag bygger och bygger ditt företags intelligens. Det är samma MS Duplex i båda.

Före varje förfrågan, före varje modellanrop, före varje verktygsanrop, efter varje resultat, vid varje överlämning och vid varje godkännande. MS Duplex tillämpar dina regler först, sedan det den har lärt sig, och varje handling kontrolleras innan den körs.

Ett tillägg, när människor arbetar i en assistent som stöds. MCP + hooks, när ditt företag bygger sina egna agenter och MS Duplex ska delta i varje steg.

Ja. Anslutna till samma arbetsområde delar de samma godkända lärande och kontext. Åtkomsten förblir begränsad till de personer och agenter som du ger behörighet.

Ett tillägg eller MCP + hooks, vilka som delar det MS Duplex lär sig, och, om du vill, de exempel, beslut och dokument som den ska förtränas på. Sedan placeringen och de åtkomstregler som passar arbetet.

Med ett tillägg som stöds fortsätter folk att arbeta i den assistent de redan använder. Teamet bekräftar bra utfall och korrigerar dåliga, och godkännandesteg beror på produkten och arbetsområdet.

Från första förfrågan, när du förtränar den. En bekräftad korrigering hjälper från nästa matchande fall, och varje bekräftat resultat gör MS Duplex snabbare, billigare och mer träffsäker.

Ja, det är förträning. Granskade exempel, tidigare beslut, dokument och regler ger en stark start. Ditt team placerar vart och ett i rätt arbetsområde och kan korrigera eller ta bort det senare.

Ja. I konsolen kan behöriga användare granska, korrigera eller ta bort allt som MS Duplex har lärt sig, och se historiken bakom det. De exakta kontrollerna beror på produkten och driftsättningen.

Nej. Du fastställer det viktiga: målen, reglerna och de åtgärder som kräver ditt OK. MS Duplex sköter rutinarbetet inom de reglerna och ser till att varje agent följer dem. Den kontrollerar varje modellanrop och verktygshandling innan den körs, och för vidare det ditt team har godkänt till varje session.

Ja. Du kan sätta upp snävare arbetsområden, och identitets- och åtkomstinställningar avgör vilka som delar vart och ett. Allt det lärandet stannar inom din organisation.

MS Duplex har två placeringar: MatterSpace Cloud, som MatterSpace driver åt dig, och ditt moln, ett molnkonto du äger. Ditt moln är en företagslösning. Varje integration finns i båda, med förbehåll för villkoren för driftsättningen.

Som en företagslösning. Kontakta oss på hello@matterspace.ai och berätta om miljön, var data måste stanna och dina säkerhetskrav, så planerar vi driftsättningen tillsammans med dig.

Ja. Det finns en stödd väg mellan placeringar, och det MS Duplex har lärt sig flyttas utan omträning. Driftansvar och migreringsarbete avtalas för varje driftsättning.

Ja. En driftsättning kan använda din egen modellåtkomst. Avgifter till modellens leverantör, autentiseringsuppgifter och den gräns de skapar hanteras separat och anges i offerten och avtalet.

Ja. Dina indata, ditt referensmaterial, din historik och allt MS Duplex lär sig av dem tjänar enbart din organisation. Arbetsområden kan lägga till snävare gränser för team, produkter, regioner eller dataklasser.

Ja. Över sex familjer av omformulerade attacker blockerade den varenda en, med 0.7% felaktiga avslag, det lägsta av alla metoder som blockerade dem alla.*

Du väljer vem som har behörighet, i varje placering. MatterSpace driver den hostade tjänsten, och har åtkomst till en driftsättning i ditt moln bara när du delegerar den för ett överenskommet syfte.

Ditt team loggar in i konsolen via din egen identitetsleverantör, trafiken krypteras under överföring, och det MS Duplex lär sig och historiken krypteras i vila. Möjligheterna att hålla dina egna nycklar beror på placeringen.

Ja. Behöriga användare kan ta bort allt som MS Duplex har lärt sig, återställa en tidigare version och exportera det den har lärt sig med dess historik. Raderings- och säkerhetskopieringsprocessen för din driftsättning tas upp i säkerhetsgranskningen och avtalet.

Ja. Om du tar bort ett resultat eller en observation drar MS Duplex samtidigt tillbaka det den har lärt sig av det, så att inget som bygger på det dröjer kvar. Historiken visar ändringen.

Bara det du tillåter. Personuppgifter kan maskeras innan MS Duplex lär sig av dem, skickar dem till en modell eller lägger till dem i historiken, och MS Duplex kan tillämpa det den har lärt sig utan originaltexten.

Den går bara att lägga till i, och manipulation syns: varje ändring läggs till som en ny post, så en ändrad post skulle märkas. Behöriga användare kan exportera den.

Behöriga användare kan ta bort dess inflytande, och orelaterat lärande förblir som det var. Efter avsiktlig förgiftning tog MS Duplex bort alla 40 förgiftade exempel, och dess legitima lärande förblev intakt.

Lagringstiden bestäms per driftsättning. Den beror på data, placering, din konfiguration, upplägget för säkerhetskopiering och det avtal som gäller.

MS Duplex är i privata piloter, och oberoende certifiering är planerad. Till dess beskriver säkerhetsunderlaget de kontroller som finns på plats i dag för den placering du granskar.

De leverantörer som används för din driftsättning, och eventuella villkor för underbiträden, anges i dina kunddokument. I ditt moln väljer du dem själv.

11 resultat inom kostnad, träffsäkerhet, kontinuerlig inlärning, generalisering, planering, agenter, säkerhet, nya färdigheter och anpassning, inklusive tre offentliga benchmarktest.

En cache spelar upp ett tidigare svar när en förfrågan ser liknande ut. MS Duplex lär sig mönstret bakom bekräftade resultat, följer regeländringar från nästa förfrågan och upptäcker snarlika fall, och den kan fortfarande anropa din cache som ett verktyg. Efter en regeländring höll MS Duplex 92.5% träffsäkerhet medan en cache föll till 42.6%.*

Behåll den: hämtning blir ett av verktygen för MS Duplex. MS Duplex anropar den när ett steg behöver ett textavsnitt, lär sig vilka källor som besvarar vilka frågor och vet när ett faktum har ändrats.

Den blir en kunskapskälla för MS Duplex. MS Duplex läser länkade fakta när ett beslut behöver dem, vet när de ändras och lär sig vilka samband som spelar roll för ditt arbete.

Ja. Finjusterade och specialiserade modeller blir verktyg som MS Duplex skickar arbete till, och MS Duplex kan ge ditt träningsteam bekräftade exempel när du vill träna. Allt som MS Duplex lär sig fortsätter att fungera bredvid de nya vikterna.

De blir en del av hur MS Duplex agerar. MS Duplex kör varje modell- och verktygsanrop enligt dina regler, och dina skyddsräcken och brandväggar fortsätter att upprätthålla sina.

En AI-gateway dirigerar anrop och rapporterar användning. MS Duplex är en intelligens: den lär sig av varje bekräftat resultat, planerar, simulerar, beslutar och agerar utifrån det, och via MCP + hooks deltar den i varje steg hos de agenter ditt företag bygger, med gemensamt lärande, kontinuitet, godkännanden och en historik.

Vid sidan av dem. Observerbarhet visar vad dina agenter gjorde och utvärderingar testar det; MS Duplex lär sig av det ditt team bekräftar, så en korrigering gäller från nästa matchande förfrågan. Din spårningsdata och dina utvärderingssviter fortsätter att fungera som de är.

MS Reflex är körtidsmiljön för varje maskin som beslutar och agerar på egen hand, från edge-enheter till robotar. Den parar ihop din autonomistack med en ACI-modell, på enheten: varje kommando passerar spärren, och den lär sig, planerar, simulerar, beslutar och agerar inom dina regler, med eller utan uppkoppling.

Fem invarianter, på varje maskin, vad som än styr den. Varje kommando som utför en handling passerar spärren. Säkerhetsregler luckras bara upp genom en behörig, loggad åtgärd. Varje ändring är spårbar och kan ångras. Inlärningen stannar på enheten, inom gränser, utan nätverk. ”Okänt” betyder att lämna över, inte att gissa.

Det som styr din maskin i dag: en VLA, en MPC, en autopilot, ett PLC-program eller en AI-agent. Det förblir precis som det är. Din autonomistack och en ACI-modell som arbetar som en: det är MS Reflex. Kombinationen är produkten.

Båda. Edge-enheter och robotar: två former, en körtidsmiljö. Edge-enheter är de controllers, gateways och smarta kameror som finns i fabriker, på platser och ute i fält. Robotar är robotarmar, mobila robotar, drönare, fordon och fartyg på land, i luften, till sjöss och under vatten, och rymdfarkosterna i omloppsbana.

Den beslutar i stunden, på enheten: vad den ska göra, vilken färdighet den ska köra och när den ska lämna över. Den beslutar om varje kommando får passera spärren, och om den vet tillräckligt för att agera.

Ja. Den simulerar varje rörelse på enheten innan den gör den, och ser vad ett kommando kommer att göra innan din maskin utför det. En rörelse som skulle gå fel ändras på enheten, innan något rör sig, och rörelsen den gör passerar ändå spärren.

Varje kommando som utför en handling passerar spärren. Innan något rör sig, kopplar om, öppnar eller skickar kontrollerar MS Reflex det mot dina regler, och det som underkänns körs inte. Den gäller för varje kommando, vad som än styr maskinen, och varje beslut vid spärren finns i historiken.

”Okänt” betyder att lämna över, inte att gissa. När den möter något den inte känner till lämnar den avgörandet till din stack eller din operatör. Den gissar aldrig. Varje överlämning lär den något: det din stack eller din operatör gjorde sedan blir något den kan, till nästa gång.

Den lär sig snabbt och på stående fot, på enheten: ett exempel eller en överlämning räcker, och lärdomen gäller även för liknande fall. Det är fokuserad inlärning, inte generell inlärning, inom de gränser du sätter, utan nätverk och utan träningskörning. Din stack förblir som den är, och varje lärdom finns i historiken.

Nej. Inlärning luckrar aldrig upp en regel, och det gör inte heller tiden. Att luckra upp en kräver en behörig åtgärd, och den åtgärden loggas. Att lägga till eller skärpa en regel gäller från nästa kommando, även medan maskinen körs.

Ja. Varje ändring av en regel, en gräns eller det den har lärt sig visar vem eller vad som gjorde den, och när. En lärdom kan tas tillbaka för sig, eller en maskin återställas till en punkt du har sparat, och även det hamnar i historiken. Om en lärdom någon gång inte kan tas tillbaka exakt säger MS Reflex det, i stället för att låtsas.

Nej. Den körs på de processorer dina maskiner redan har, på CPU, utan GPU och utan moln. Den lär sig, planerar, simulerar, beslutar och agerar med eller utan uppkoppling: den fungerar offline och fysiskt isolerat, ringer aldrig hem, och dess licens fungerar också offline.

Ja. Varje maskin kör MS Reflex på enheten och beslutar själv, med eller utan förbindelse. I en flotta behåller varje maskin sina egna regler, och färdigheter flyttas mellan dem bara när du väljer det. En färdighet som lärts in på en maskin kan sedan gå till andra liknande.

Nej. MS Reflex beslutar vad maskinen gör härnäst och håller varje kommando inom dina regler vid spärren. Den ligger ovanför dina certifierade säkerhetsstyrsystem, förreglingar och nödstopp, aldrig i deras ställe: de förblir oberoende av den och har sista ordet, och ditt team behåller varje maskins säkerhetsbevisning, precis som i dag.

Båda, på samma villkor, med samma fem invarianter på varje maskin. Den fungerar utan uppkoppling, inget behöver lämna maskinen, och varje beslut finns i historiken. Inom försvar gäller det lika för kinetiska och icke-kinetiska uppdrag: varje kommando passerar spärren, inom dina insatsregler.

MS Reflex är i beta. Det den har visat hittills kommer från simulering och benchmarktester, och vi visar att det håller tillsammans med dig, på dina maskiner, i en pilot. Varje pilot planeras med dig, bakom dina egna säkerhetssystem.

De är separata produkter, båda byggda på ACI, Adaptive Continual Intelligence. MS Duplex parar ihop en ACI-modell med din AI-modell, för din AI och dina agenter. MS Reflex parar ihop en med din autonomistack, för varje maskin som beslutar och agerar på egen hand.

Produkten, förväntad användning, teamets storlek, placering och eventuell dedikerad kapacitet. Priserna kommer skriftligt, med antagandena bakom dem.

MS Duplex och MS Reflex är produkter från Vareon, Inc., företaget bakom matterspace.ai.

Använd kontaktsidan och nämn produkten, placeringen och vilken typ av arbete du har i tankarna. Teamet svarar på frågan eller hänvisar dig till sidan med detaljerna.