随着人工智能从简单的聊天功能向持久记忆、自主代理及企业工作流演进,一个新的基础设施约束正浮出水面:可信的人类上下文。

mEinstein创始人兼CEO Prithwi Thakuria指出,企业级AI虽已熟知企业运作逻辑,却往往缺乏对工作流另一端真实人类的信任上下文。在第一波AI基础设施竞赛大规模创造机器智能后,下一波竞争焦点将转向赋予智能体对人类上下文的信任访问权。

从“记忆”到“算法自我肖像”

当前,OpenAI、Anthropic和微软等巨头纷纷布局持久记忆和长程上下文技术,以解决AI助手无法跨会话保持个性化的痛点。然而,当AI开始记住用户的偏好、目标、约束及历史时,这些记忆不仅是在检索数据,更在构建模式并揭示意图。

Thakuria认为,记忆最终会形成一个人的模型,核心问题在于“谁控制着这个模型”。mEinstein将这种私密且持续演变的个人现实上下文表征定义为“算法自我肖像”(Algorithmic Self-Portrait)。该模型不仅依赖提示词,还涵盖来自日常惯例、健康、财务、出行及家庭等领域的授权上下文。

关键区别不在于AI的记忆容量,而在于治理机制。若持久个人AI仅生成更丰富的中心化档案,可能沦为更高效的监控手段,而非架构创新。

重构企业AI交互模式

随着AI从回答问题转向执行行动,数据隐私与权限边界变得至关重要。例如,在处理抵押贷款申请时,AI需判断用户的财务准备状态并获得共享特定信息的许可,而非直接获取完整财务历史;在临床试验中,企业需要的仅是经过验证的资格结果及联系许可,而非患者的完整病历。

为此,mEinstein提出了“人类智能基础设施”(Human Intelligence Infrastructure)架构。这是一个连接企业AI与私人人类上下文的许可层:始于用户控制的“算法自我肖像”,通过定义权限边界(明确请求方、用途、时长及撤销权),仅向企业系统输送工作流所需的已批准上下文或操作指令。

目前,mEinstein正通过交通、医疗、临床研究和金融服务等领域的工作流验证这一架构,其中包括与德克萨斯州交通部(TxDOT)及Jacobs的付费第一阶段合作。公司表示,该模式的成功将取决于消费者效用、可信的权限行为、可衡量的企业成果以及在多工作流中的可重复性。