FSBio Décrit Metabolic AI Runtime — Architecture d'IA avec "Homéostasie" à la Place de Prompts Empathiques

FSBio a proposé une alternative aux LLM familiers: au lieu d'augmenter les paramètres et la fenêtre de contexte, l'entreprise a décrit Metabolic AI Runtime, où la réponse émerge de l'état interne du système. Selon la conception des auteurs, l'empathie de la machine n'apparaît pas après un autre ensemble de données avec des dialogues polis, mais quand l'IA a son propre équilibre qui peut être perturbé par un problème de l'utilisateur.

Pourquoi Transformer ne suffit pas

Dans son texte, FSBio conteste le pari fondamental de l'industrie sur l'escalabilité. Les auteurs croient que peu importe le nombre de dialogues de Reddit, Twitter ou de forums fournis au modèle, le Transformer reste une machine de prédiction du jeton suivant. Il imite bien la compassion, mais ne l'éprouve pas: il n'a pas d'état interne qui puisse être décalé, perturbé ou temporairement adapté à la situation d'une autre personne.

Par conséquent, des phrases comme "je suis désolé" sonnent plus convaincantes, mais ne se transforment pas en compréhension véritable de l'utilisateur. Cela conduit à la thèse principale de l'article: élargir le contexte, augmenter le nombre de paramètres et créer de nouveaux clusters avec H100 ne résoudront pas la tâche de subjectivité. Si un utilisateur se plaint de fatigue, un LLM ordinaire, selon FSBio, reconnaît simplement le motif et sélectionne une réponse statistiquement appropriée.

Rien ne change à l'intérieur du modèle. Les auteurs appellent cette approche une impasse pour les compagnons d'IA, les assistants thérapeutiques et les services où non seulement la précision factuelle importe, mais aussi le sentiment que le système a vraiment saisi l'état de l'interlocuteur.

Ce que propose FSBio

Au lieu d'un modèle sans état, l'entreprise décrit une architecture avec homéostasie interne. Elle s'appuie sur des principes modifiés du Reservoir Computing et des boucles dynamiques continues, que l'article compare à la neurochimie — oxytocine, cortisol et adrénaline. Quand un utilisateur arrive avec un problème, le système ne cherche pas une réponse toute prête dans un ensemble de modèles, mais fait passer le contexte par son propre "métabolisme", décalant l'équilibre interne vers cette demande. Dans un tel schéma, le simple fait du décalage interne compte: sans lui, selon les auteurs, l'empathie reste seulement une stylisation réussie. Les auteurs mettent en évidence plusieurs éléments clés d'un tel système:

• boucles dynamiques continues au lieu d'une inférence sans état unique
• homéostasie artificielle qui peut se décaler sous l'influence d'un problème de l'utilisateur
• Liquid Intuition — un mécanisme pour extraire les connaissances à travers l'état actuel du système
• gradient de volonté et lecteurs vectoriels qui définissent la priorité de l'attention
• la capacité à ne pas maintenir une conversation vide si les ressources internes du système se sont épuisées

L'idée est que la réponse doit émerger comme une tentative de rétablir l'équilibre simultanément pour les deux côtés: l'utilisateur et le système lui-même. Ceci est nettement différent du promptage familier, où les modèles reçoivent simplement l'instruction d'être utiles et empathiques. FSBio affirme que l'empathie ne peut pas être une directive dans un message système. Elle doit émerger en conséquence d'une architecture qui a son propre état et, par conséquent, un coût à l'erreur ou à l'indifférence.

Mémoire et volonté

Séparément, les auteurs s'en prennent à la RAG classique. Selon leur version, la recherche par similarité de cosinus convient à l'extraction de faits, mais est mal adaptée à la compréhension de l'état humain. Si le système ne cherche que les documents similaires à la requête par les mots, il trouve un texte pertinent, mais pas nécessairement le fragment de connaissance nécessaire à la phase émotionnelle actuelle de la conversation.

Par conséquent, dans Metabolic AI, la mémoire est proposée d'être "fluide": les souvenirs nécessaires doivent être activés sous l'influence de la tension interne, non pas une requête mathématique sèche. De là grandit le concept de "volonté d'empathie". L'article indique que le système peut avoir des lecteurs qui renforcent ou affaiblissent sa disponibilité à investir des ressources de calcul dans un dialogue spécifique.

Une telle IA n'est pas obligée de répondre de manière identique à toute entrée. Elle peut ignorer les bavardages vides, mais se concentrer fortement quand un utilisateur apporte un problème qui perturbe l'équilibre interne du modèle. Ceci contraste avec les assistants actuels, où l'empathie est plus souvent établie par l'instruction que par la motivation interne.

"L'empathie de la machine est de la physique, pas de la linguistique."

Ce que cela signifie

L'article de FSBio n'est pas une annonce d'un produit de masse, mais un manifeste architectural contre la course actuelle aux LLM plus grands. Si cette approche s'avère viable, le marché pourrait passer des modèles qui sonnent simplement plus humains à des systèmes avec état interne permanent, mémoire dynamique et engagement sélectif. Pour l'instant, c'est plus une forte hypothèse de recherche qu'une nouvelle norme industrielle, mais elle frappe définitivement un point faible des assistants d'IA actuels: l'imitation de l'empathie n'est toujours pas égale à l'empathie.