Große KI-Modelle werden immer intelligenter, schaffen es aber trotzdem nie, sich dauerhaft an Sie zu erinnern? Yuanshi Technology will mit kognitiven Systemen eine KI-Ebene aufbauen, die Sie langfristig repräsentiert.

Prime Stone Technology löst die KI-Lücke von Wissensarbeitern mit kognitiven Systemen

Große Modelle werden immer besser darin, Fragen zu beantworten. Für Menschen, die langfristig komplexe Informationen verarbeiten müssen, zeigt sich jedoch ein neuer Widerspruch: Die KI wird immer intelligenter, aber es ist nach wie vor schwierig, dieselbe Person kontinuierlich und umfassend zu verstehen.

Ein Produktmanager hat möglicherweise bereits Dutzende von Produktlösungen mit der KI diskutiert, ein Gründer hat über mehrere Monate hinweg eine große Anzahl von Urteilen gebildet, und ein Forscher hat jahrelang Materialien, Notizen und Forschungslinien angesammelt. Wenn jedoch eine neue KI-Interaktion beginnt, müssen die in der Vergangenheit gebildeten Erfahrungen, Urteile, persönlichen Beziehungen und ungelösten Probleme oft noch einmal neu gesucht, neu organisiert und neu interpretiert werden.

Gleichzeitig findet das Verständnis der meisten heutigen KI für Menschen hauptsächlich in digitalen Interaktionsschnittstellen statt. Erst wenn der Nutzer einen Text eingibt, ein Dokument hochlädt oder eine Frage stellt, beginnt die KI zu arbeiten. Die tatsächliche Arbeit und das Leben eines Menschen existieren jedoch nicht nur im Chatfenster.

Der Schlaf- und Körperzustand beim Aufwachen am Morgen, der Standort und die Umgebung während des Pendelns, die Dateien und Aufgaben, die bei der Arbeit bearbeitet werden, die Teilnehmer und Diskussionsinhalte in Besprechungen sowie die Urteile, die in den vergangenen Wochen rund um dasselbe Problem gebildet wurden – all diese Informationen bilden gemeinsam den tatsächlichen Kontext einer Person zu einem bestimmten Zeitpunkt.

Die menschliche Kognition selbst weist deutliche Ressourcenbeschränkungen auf. Die Forschung des Psychologen George Miller (Miller-Zahl 7±2) über die Kapazität des Kurzzeitgedächtnisses zeigt, dass die Anzahl der Informationen, die ein Mensch gleichzeitig verarbeiten kann, begrenzt ist; die Forschung des Anthropologen Robin Dunbar (Dunbar-Zahl 150±50) über die Größe stabiler sozialer Beziehungen zeigt aus der Perspektive der sozialen Kognition, dass auch die komplexen Beziehungen, die ein Mensch langfristig aufrechterhalten kann, Grenzen haben. Obwohl die Forschungsobjekte unterschiedlich sind, weisen beide auf eine Tatsache hin: Die Fähigkeit des Menschen zur Aufmerksamkeit, zum Gedächtnis und zur Verarbeitung von Beziehungen ist nicht unbegrenzt.

Herbert A. Simon, Nobelpreisträger für Wirtschaftswissenschaften und einer der frühen Begründer der künstlichen Intelligenz, hat die Theorie der „begrenzten Rationalität“ aufgestellt. Er ist der Ansicht, dass Individuen in der Realität nicht alle Informationen erhalten, alle Lösungen ausschöpfen und unendliche Berechnungen durchführen können. Daher suchen Entscheidungsträger in der Regel nicht nach der absolut optimalen Lösung, sondern nach einer „hinreichend zufriedenstellenden“ Lösung unter den Bedingungen begrenzter Informationen, Zeit und kognitiver Fähigkeiten.

Mehr Informationen bedeuten nicht zwangsläufig, dass die Urteile des Menschen besser werden. Das wirklich Knappe ist nicht die Information selbst, sondern die Fähigkeit, wichtige Erfahrungen unter begrenzten kognitiven Ressourcen dauerhaft zu behalten, relevante Kontexte zu verbinden und sie zur richtigen Zeit erneut abzurufen.

Prime Stone Technology versucht, diese „persönliche Kontextlücke“ zu schließen.

Das von dem Team entwickelte Neural Stone ist als persönliches kognitives System (Personal Cognitive System) positioniert und versucht, eine langfristig existierende persönliche kognitive Schicht (Personal Cognitive Layer) zwischen der allgemeinen Intelligenz und dem Individuum aufzubauen: Es nimmt und versteht den aktuellen Zustand des Nutzers kontinuierlich wahr, verbindet die wirklich relevanten Informationen aus der Vergangenheit, erkennt Muster und Veränderungen über die Zeit hinweg, bietet zur richtigen Zeit aktiv Unterstützung an und lässt neu gebildete wichtige Kognitionen wieder in das langfristige System einfließen.

Sein Ziel ist es nicht, dass die KI alle Informationen einer Person speichert, sondern dass die KI von dem Verständnis „Was hat der Nutzer dieses Mal gesagt“ schrittweise dazu übergeht, eine langfristige, kontinuierliche Person in der realen Welt wahrzunehmen und zu verstehen.

Dalilios neuer langer Artikel „2026, ganz ähnlich wie 1929“ stellt fest, dass mit der zunehmenden Automatisierung berechenbarer geistiger Arbeit durch KI der Einzelne seine Fähigkeit weiter verbessern muss, KI zur Stärkung seiner eigenen Kognition und zur Anpassung an die Umwelt zu nutzen. Es ist möglicherweise wichtiger, die kognitiven Fähigkeiten kontinuierlich zu verbessern und KI zur Verstärkung der persönlichen Fähigkeiten zu nutzen, als vorherzusagen, welche spezifischen Fähigkeiten in der Zukunft nicht ersetzt werden.

Was der KI fehlt, ist nicht nur das Gedächtnis, sondern ein kontinuierliches „Du“

Neural Stone zielt zuallererst nicht auf das Problem ab, dass „große Modelle keine Fragen beantworten können“, sondern auf zwei Lücken, die bei der langfristigen Zusammenarbeit zwischen Mensch und KI entstehen.

Die erste ist die zeitliche Lücke.

Die Ideen, Materialien, Besprechungen, Entscheidungen und Erfahrungen des Menschen finden zu unterschiedlichen Zeiten statt und sind in verschiedenen Tools verteilt. Das eigentliche Problem ist oft nicht, dass „die Datei nicht gefunden wird“, sondern dass das in der Vergangenheit gebildete Verständnis nicht zur richtigen Zeit an den heutigen Urteilen teilnehmen kann.

Die zweite ist die Realitätslücke.

Die meisten KI-Systeme verstehen den Nutzer hauptsächlich durch Informationen, die der Nutzer aktiv bereitstellt. Aber der reale Mensch lebt gleichzeitig in der digitalen und der physischen Umgebung und hat einen sich ständig verändernden Körperzustand. Allein durch ein einziges Gespräch ist es schwierig, ein umfassendes Verständnis für den aktuellen Zustand einer Person zu erlangen.

Neural Stone berücksichtigt die aktuellen Schmerzpunkte am Markt: Viele reale Probleme sind zunächst nur „etwas stimmt nicht“ oder „ich stecke etwas fest“ und haben noch keine vollständige Frage gebildet, die direkt an die KI gestellt werden kann; vergangene Materialien, Besprechungen, Entscheidungen und Erfahrungen können nur schwer heute wieder wirksam werden; obwohl allgemeine KI über starke Verständnis- und Generierungsfähigkeiten verfügt, fehlt ihr immer noch ein ausreichend kontinuierlicher persönlicher Kontext für die Art und Weise, wie eine Person urteilt, für ihre langfristigen Beziehungen, für wiederkehrende Muster und dafür, wie sich diese Person verändert.

Daher wurde Neural Stone nicht als Wissensdatenbank im herkömmlichen Sinne gestaltet und es ist auch nicht geplant, ein Grundmodell mit größerer Parameteranzahl neu zu trainieren.

Sein aktueller Kern ist eine einheitliche kognitive Hauptkette.

Der Nutzer muss die Frage nicht zuerst vollständig organisieren. Eine vage Idee, ein Dokument, ein natürlicher Ausdruck oder sogar nur „hier scheint es ein Problem zu geben“ können der Ausgangspunkt für das System sein, den aktuellen Zustand des Nutzers wahrzunehmen und zu verstehen. Das System beurteilt zuerst, ob der Nutzer etwas ausdrückt, urteilt, handelt oder Informationen ergänzt, und entscheidet dann, wie es danach fortfahren soll.

Anschließend verbindet das System durch Mechanismen wie langfristige kognitive Vermögenswerte, persönliche kognitive Graphen, semantisches Abrufen und Cognitive Weaving die aktuellen Informationen erneut mit relevanten Themen, Materialien, Personen, Entscheidungen und noch nicht abgeschlossenen Problemen aus der Vergangenheit.

Der entscheidende Punkt hier ist nicht, „mehr zu merken“.

Was Neural Stone zu lösen versucht, ist: Welche Informationen aus der Vergangenheit werden aus welchem Grund jetzt wieder wichtig.

Zum Beispiel diskutiert ein Produktmanager gerade erneut eine bestimmte Produktentscheidung. Ein herkömmliches Suchsystem kann eine PRD vor drei Wochen finden, während das persönliche kognitive System weiter verstehen muss: Welches Urteil wurde vor drei Wochen gebildet, auf welchen Informationen basierte es damals, welche neuen Beweise gibt es heute und ob diese Veränderungen ausreichen, um das ursprüngliche Urteil zu ändern.

Daher liegt der technische Schwerpunkt des Projekts nicht darin, die Gedächtniskapazität unbegrenzt zu erweitern, sondern darin, den langfristigen persönlichen Kontext wirklich an jedem aktuellen Verständnis und Urteil teilhaben zu lassen.

Auf dieser Grundlage versucht Neural Stone weiter, vom „Informationsabruf“ zur „kognitiven Fortschreitung“ überzugehen: Es identifiziert echte Engpässe, wichtige Meinungsverschiedenheiten und Urteilskriterien und hilft dem Nutzer, einen klareren nächsten Schritt zu bilden; neue wichtige Themen, Entscheidungen, Beziehungen und Muster gelangen wieder in das langfristige System, und bestehende Verständnisse können mit neuen Beweisen korrigiert werden.

Daraus entsteht ein kontinuierlicher Zyklus: Gegenwart verstehen → Vergangenheit verbinden → Gegenwart vorantreiben → Langzeitsystem beschreiben → an der Zukunft teilnehmen.

Das ist auch der Hauptunterschied, den Neural Stone zu herkömmlichen Notizbüchern, Wissensdatenbanken und allgemeiner KI aufzubauen versucht. Ersteres hängt hauptsächlich davon ab, dass der Nutzer Informationen aktiv speichert, organisiert und sucht; allgemeine KI ist besser darin, um aktuelle Aufgaben herum zu antworten, zu generieren und zu analysieren; Neural Stone möchte den langfristigen persönlichen Kontext hinzufügen, sodass Themen, Entscheidungen, Beziehungen und Muster sich mit der Zeit entwickeln können und kontinuierlich an der aktuellen Kognition teilnehmen.

Die drei Welten Digitales, Physisches und Physiologisches verschmelzen, um das wirklich Geschehene zu verstehen

Das Langzeitgedächtnis löst das „Du aus der Vergangenheit“. Das nächste Problem, das Neural Stone lösen will, ist, wie das „Du in der Gegenwart“ umfassender wahrgenommen und verstanden werden kann.

Das langfristige Produktframework, das das Team aufbaut, unterteilt den Kontext einer Person in drei miteinander verbundene Informationsdimensionen: die digitale Welt, die physische Welt und die physiologische Welt.

Die digitale Welt umfasst Informationen und Verhaltensweisen in E-Mails, Dokumenten, Kalendern, Chats, Wissensdatenbanken, Codes, Webseiten und anderen Anwendungen; mit der zukünftigen Integration von tragbaren Geräten und Sensorikfähigkeiten werden in die physische Welt Standorte, Personen, Objekte, Umgebungen, Verhaltensweisen und reale Ereignisse eingebunden; durch die Verbindung mit Daten von Drittgeräten können auch Körperzustände wie Schlaf, Bewegung und Herzfrequenz Teil der physiologischen Welt sein.

Die drei Welten sind keine drei voneinander unabhängigen Funktionsmodule. Sie beschreiben verschiedene Seiten derselben Person, desselben Zeitpunkts und desselben Ereignisses.

Nehmen wir als Beispiel eine Produktprüfungsbesprechung.

In der digitalen Welt kann es die diskutierte PRD, vergangene Versionen, relevante E-Mails und zuvor gebildete Entscheidungen geben; die physische Welt umfasst die Szene der Besprechung, die Teilnehmer und die vor Ort stattfindenden Ereignisse; einige Körperzustände können auch Signale sein, die das Verständnis für den aktuellen Zustand des Nutzers unterstützen.

Was Neural Stone tun muss, ist nicht, die drei Gruppen von Daten getrennt dem Nutzer anzuzeigen. Die eigentliche Frage, die beantwortet werden muss, lautet: Was bedeuten diese Informationen zusammen?

Wenn in der Besprechung gerade erneut über ein Problem diskutiert wird, zu dem vor drei Wochen bereits ein Urteil gefällt wurde, gibt es in der neuen Diskussion Beweise, die ausreichen, um die ursprüngliche Schlussfolgerung zu ändern? Hängt die Ansicht, die ein Teilnehmer heute vorbringt, mit Mustern zusammen, die in vielen früheren Projektbesprechungen aufgetreten sind? Ist es für ein seit Wochen ungelöstes Problem endlich an der Zeit, eine echte Entscheidung zu treffen?

Das bedeutet, dass die grundlegende Einheit, die Neural Stone langfristig verarbeiten möchte, nicht mehr nur Message, Note oder Document ist, sondern sich schrittweise auf Ereignisse und Kontexte (Event / Episode / Experience) erweitert, die eine Person in der realen Welt erlebt.

Das ist der Ort, an dem die Wahrnehmung der realen Welt nach dem Eintritt in Neural Stone wirklich Wert erzeugt.

Dass das System weiß, dass „der Nutzer im Konferenzraum ist“, „die Herzfrequenz sich ändert“ oder „gerade eine bestimmte Datei öffnet“, hat an sich keinen großen Wert. Die eigentliche Produktfähigkeit besteht darin, diese Signale in strukturierte Beweise umzuwandeln, sie dann mit dem langfristigen Kontext dieser Person zu verbinden und zu verstehen, warum es bemerkenswert ist.

Daher wird die vollständige Fähigkeitskette von Neural Stone von dem aktuellen „Verstehen – Verbinden – Vorantreiben – Entwickeln“ schrittweise erweitert zu: Wahrnehmen (Sense) → Verstehen (Understand) → Verbinden (Connect) → Entdecken (Discover) → Aktiv Helfen (Assist) → Kontinuierlich Entwickeln (Evolve).

Die Wahrnehmung der realen Welt gehört derzeit noch zu den Forschungs- und späteren Ausbaurichtungen. Zukünftige Hardware kann Informationen über die reale Umgebung über Audio, IMU und niedrig auflösende semantische Visualisierung erhalten, während gleichzeitig versucht wird, wertlose Rohdaten langfristig nicht zu speichern, sondern wichtige Veränderungen in Beweise umzuwandeln, die in dasselbe kognitive System gelangen.

Was Neural Stone letztendlich aufbauen möchte, ist kein weiteres eigenständiges KI-Hardwareprodukt, sondern ein reibungsarmer Wahrnehmungseingang, über den die reale Welt in das persönliche kognitive System gelangt.

Die zukünftigen Web-, Mobile-, KI-Hardware-Komponenten von Neural Stone sowie verschiedene Datenquellen sind keine mehreren unabhängigen Produkte, sondern unterschiedliche Eingänge derselben Personal Cognitive Layer.

Gleichzeitig führt das Team auch Forschungs- und technische Erkundungen mit Teams durch, die sich mit neuromorphem Rechnen befassen, und richtet die kontinuierliche Lernfähigkeit, das gehirnähnliche Gedächtnis und das langreichweitige Schließen als wichtige Forschungsrichtungen aus.

Diese Probleme stehen in direktem Zusammenhang mit dem langfristigen persönlichen kognitiven System: Wenn ein System über einen Zeitraum von mehreren Jahren hinweg kontinuierlich neue persönliche Erfahrungen aufnehmen soll, wie kann es dann kontinuierlich lernen, ohne das gesamte System wiederholt neu zu trainieren; wie kann entschieden werden, was langfristig zu merken ist und was allmählich verblassen soll, und wie können alte Kognitionen durch neue Beweise korrigiert werden; und wie können wichtige Ereignisse, die weit auseinander liegen, wirklich an den heutigen Schlussfolgerungen teilnehmen – all das sind Probleme, mit denen sich langfristige kognitive Systeme auseinandersetzen müssen.

Das Team stuft diesen Teil der Arbeit als Spitzenforschung ein, nicht als bereits vollständig produktivierte Fähigkeit. Der zentrale technische Hauptstrang von Neural Stone in der aktuellen Phase sind nach wie vor Fähigkeiten wie einheitliche Cognitive Runtime, langfristiger persönlicher Kontext, Recall, Cognitive Weaving und das Zurückschreiben kognitiver Vermögenswerte.

Ausgehend von der Web-Seite validieren und schrittweise zu einem mehrgerätefähigen persönlichen kognitiven System gelangen

Neural Stone befindet sich derzeit noch in der frühen Produktphase.

Der Hauptablauf und die kognitive Fortschrittsfunktion des Web-Produkts sind bereits grundlegend ausgeprägt, die Fähigkeiten im Zusammenhang mit Recall und langfristigen Vermögenswerten sowie Cognitive Weaving und Graph werden kontinuierlich für den Produktivbetrieb weiterentwickelt; die Mobile-Seite befindet sich im Aufbau und soll dieselbe Cognitive Runtime und denselben langfristigen persönlichen Kontext wie die Web-Seite gemeinsam nutzen, statt ein vereinfachtes oder eigenständiges System für Mobilgeräte aufzubauen.

In der nächsten Phase plant das Team, weitere aktive kognitive Fähigkeiten wie Observation, Pattern, Decision, Relationship und Cognitive Emergence voranzutreiben, sodass das System schrittweise von „Nutzer ruft KI auf