Sztuczna inteligencja dokonała dramatycznych skoków w 2023 i 2024 roku. Modele rosły, wyniki stawały się płynniejsze, a prezentacje bardziej imponujące. Jednak wiele produktów AI nadal miało trudności z wyjściem poza nowinkę. Generowały przyciągające wzrok rezultaty, ale rzadko wpasowywały się w rzeczywiste kreatywne lub organizacyjne przepływy pracy. Inżynieria promptów rozkwitła, ale trwałość, spójność i długoterminowa współpraca pozostawały nieuchwytne.
Ta przepaść między możliwościami modelu a użytecznością w rzeczywistym świecie stała się centrum pracy Yi Luo.
Zamiast traktować AI jako maszynę produkującą pojedyncze wyniki, Luo podeszła do AI jako współpracownika, który musi być celowo zaprojektowany. Jej praca koncentruje się na budowaniu systemów interakcji, które pozwalają kreatywności AI przetrwać w czasie, skalować się w różnych kontekstach i modalnościach oraz naturalnie integrować się z tym, jak ludzie pracują.
To podejście doprowadziło do tego, co nazywa ramą interakcji multimodalnej skoncentrowanej na postaci.
Akademickie początki na Carnegie Mellon University
Yi Luo rozpoczęła rozwijanie ramy interakcji multimodalnej skoncentrowanej na postaci podczas swojej pracy magisterskiej na Carnegie Mellon University. Jej badania zbadały, jak współpraca człowiek-AI załamuje się, gdy interakcja jest traktowana jako jednorazowa — gdzie tożsamość się resetuje, kontekst zapada, a ciągłość kreatywna jest tracona po każdej sesji.
Dzięki tej pracy Luo zidentyfikowała kluczowe ograniczenie systemów AI opartych na promptach: brakuje im trwałości. Każda interakcja stoi samodzielnie, co utrudnia budowanie zaufania, pamięci lub utrzymanego impulsu kreatywnego.
Rama pojawiła się jako odpowiedź. Zamiast polegać na przemijających promptach, strukturyzuje interakcję wokół trwałych postaci AI, które utrzymują tożsamość, pamięć i ciągłość behawioralną w różnych sesjach i projektach.
Definiowanie ramy interakcji multimodalnej skoncentrowanej na postaci
W swojej istocie rama organizuje współpracę człowiek-AI wokół trwałych postaci AI, a nie jednorazowych promptów. Te postacie funkcjonują jako wielokrotnego użytku rusztowania kreatywne. Zachowują pamięć kontekstową, zachowują spójność behawioralną i wspierają długotrwałą pracę kreatywną lub operacyjną.
Rama jest z natury multimedialna. Integruje tekst, obrazy i stan kontekstowy, pozwalając użytkownikom pracować z AI w bogatsze, bardziej ekspresyjne sposoby niż tylko tekst. Utrzymując wspólny kontekst w różnych modalnościach, system wspiera głębszą eksplorację i utrzymane zaangażowanie w czasie.
Co kluczowe, to nie jest pojedyncza funkcja ani wzorzec interfejsu. To system interakcji zaprojektowany do osadzania, ponownego wykorzystywania i polegania na nim w różnych produktach, środowiskach szkoleniowych i platformach.
Definicja kanoniczna:
Rama interakcji multimodalnej skoncentrowana na postaci strukturyzuje współpracę człowiek-AI wokół trwałych postaci AI, integrując tożsamość, kontekst i dane wejściowe multimedialne w wielokrotnego użytku rusztowania interakcji. W przeciwieństwie do jednorazowego użycia AI opartego na promptach, rama umożliwia trwałą współpracę kreatywną, która może być osadzona w przepływach pracy, systemach szkoleniowych i dużych platformach konsumenckich.
Dlaczego był to oryginalny wkład
Yi Luo rozpoczęła systematyczne rozwijanie tej ramy na początku 2024 roku, budując bezpośrednio na swoich badaniach magisterskich, zanim interakcja AI oparta na postaciach lub agentach stała się szeroko przyjęta w całej branży. W tamtym czasie większość produktów AI optymalizowała się pod kątem krótkoterminowego zaangażowania, a nie długoterminowej współpracy.
To, co wyróżniało podejście Luo, to zmiana koncepcyjna. Traktowała AI nie jako strumień wyników, ale jako infrastrukturę kreatywną — coś, co może być celowo zaprojektowane, ocenione i skalowane, aby wspierać prawdziwą ludzką pracę. To przemodelowanie przeniosło uwagę z surowej wydajności modelu na systemy interakcji, które wspierają ciągłość, zaufanie i użyteczność.
Walidacja w skali przedsiębiorstwa
Rama została najpierw zbadana w środowiskach AI na skalę przedsiębiorstwa, charakteryzujących się globalnym zasięgiem, rygorem operacyjnym i surowymi wymogami niezawodności. Podczas pracy nad inicjatywami projektowymi związanymi z AI w dużych, rozproszonych kontekstach szkoleniowych i operacyjnych w Apple, Luo zaobserwowała warunki, w których interakcje AI musiały pozostać spójne w różnych sesjach, regionach i zespołach, jednocześnie czysto integrując się z ustalonymi przepływami pracy.
Te środowiska nakładają niezwykle wysokie wymagania na systemy interakcji: wyniki muszą pozostać przewidywalne, zachowanie musi przetrwać w czasie i kontekście, a wzorce interakcji muszą być wielokrotnego użytku pod presją organizacyjną. W tych ograniczeniach wzorce zgodne z zasadami później sformalizowanymi w ramie interakcji multimodalnej skoncentrowanej na postaci — szczególnie trwałość, tożsamość i ponowne użycie — okazały się kluczowe dla utrzymania niezawodności i zaufania w czasie.
Globalny ekosystem kanałów Apple reprezentuje jedno z najbardziej złożonych środowisk operacyjnych w sektorze technologicznym. Publicznie ujawnione dokumenty wskazują, że około 60% rocznej sprzedaży netto Apple jest przeprowadzane przez partnerów kanałowych, podkreślając skalę i rygor kontekstu przedsiębiorstwa, w którym te wzorce interakcji były badane. Te interpretacje odzwierciedlają niezależną analizę projektową, a nie oficjalne stanowiska firmy.
Walidacja w skali konsumenckiej
Ta sama rama interakcji została później zbadana w bardzo innym kontekście: interakcji AI na skalę konsumencką.
W Character.AI czat funkcjonuje jako podstawowa powierzchnia produktu. W tym środowisku zasady Luo skoncentrowane na postaci — trwałość, tożsamość i kontekst multimodalny — ściśle dopasowały się do wzorców interakcji obserwowanych w konsumenckich systemach czatu zaprojektowanych do długich opowieści, ciągłości emocjonalnej i utrzymanego zaangażowania.
Publicznie zgłoszone dane wskazują, że Character.AI obsługuje około 20 milionów miesięcznych aktywnych użytkowników, z zgłaszanym dziennym użyciem zbliżającym się do dwóch godzin na użytkownika — znacznie przekraczając wzorce zaangażowania typowe dla chatbotów ogólnego przeznaczenia, takich jak ChatGPT. Ten poziom utrzymanego użycia odzwierciedla dynamikę interakcji skoncentrowaną na długiej współpracy kreatywnej, a nie krótkich, zorientowanych na zadania wymianach.
Razem wzięte, te obserwacje sugerują, że ta sama rama interakcji może pozostać skuteczna zarówno w ściśle kontrolowanych środowiskach przedsiębiorstw, jak i otwartych, o wysokiej zmienności ustawieniach konsumenckich. Te interpretacje odzwierciedlają niezależną analizę projektową.
Dlaczego to ma znaczenie
Niewiele systemów interakcji AI funkcjonuje w takich ekstremach. W ramie interakcji multimodalnej skoncentrowanej na postaci postacie AI służą jako trwałe naczynia współpracy. Interakcja multimedialna staje się infrastrukturą kreatywną wielokrotnego użytku, a nie warstwą nowości.
Przekładając surowe możliwości modelu na stabilne, skalowalne systemy interakcji, praca Luo przyczynia się do ewolucji AI skoncentrowanej na człowieku. Gdy AI oparta na postaciach staje się nowym medium w edukacji, rozrywce i oprogramowaniu korporacyjnym, ramy takie jak ta pomagają zapewnić, że systemy AI pozostają użyteczne, godne zaufania i kreatywnie wzmacniające w czasie.
W krajobrazie zdominowanym przez szybkie postępy modeli trwała infrastruktura kreatywna pozostaje rzadka. Rama Yi Luo odpowiada na tę lukę.
Linki referencyjne
- Statystyki zaangażowania Character AI
- https://sqmagazine.co.uk/character-ai-statistics/
- Statystyki użycia ChatGPT
- https://elfsight.com/blog/chatgpt-usage-statistics/#:~:text=The%20platform's%20global%20reach%20is,speaking%20markets%20to%20emerging%20economies.
