由领域赋予意义。
节点可以代表沟通选择、来源记录、界面状态或空间观察。其含义与可用操作，来自所配置的系统。
一个不同的问题
你听说过 GPT。
你听说过 Claude。
认识 Perslis。
行业的竞赛，往往被描述为更大的模型、更多的数据和更庞大的计算集群。我们正在探索另一条前沿。
如果智能并不需要数十亿个神经权重呢？如果机器能够感知环境、理解状态、推理问题、采取行动、从失败中适应，并说明决策的依据——全部在本地完成呢？
这正是 Perslis 的研究方向：轻量级的符号机器心智，让智能走出数据中心，进入我们身边的环境。
我们的使命，是让机器智能更小、更透明、更容易被使用，并能够在明确的边界内独立行动。
符号机器智能
可以被你
检验的心智。
我们构建自己的模型，以及模型周围的基础设施。共同的理念是：明确表示已知内容，不让猜测决定权限，并让从观察到行动的路径可见。
- 01
观察
读取可用信号。区分实际观察与假设。
- 02
表示状态
记录事实、关系、来源，以及仍然未知的内容。
- 03
推理
对系统实际持有的状态应用显式操作与约束。
- 04
在权限内行动
根据部署环境的权限和边界，检查拟议行动。
- 05
从失败中适应
利用经过验证的结果改进行为，而不授予新的权限。
- 06
验证并记录
将结果与可用证据进行核对。保留决策轨迹。
我们研究中的一项基础
Peel
Peel 探索带有固定来源的符号状态，以及结构化的事实写入。它是独立组件，并不是 Lois 的另一个名字。知识、推理和行动之间明确的责任边界，是我们研究的核心。
阅读 Peel 研究这是我们的研究模式，并不表示每个应用都包含所有组件，或拥有相同能力。
Perslis Helix
一种架构。
多种配置。
Helix 是可配置的符号智能拓扑，而不是单一的对接算法、摄像机地图或游戏智能体。节点、关系、约束与目标代表什么，由具体应用决定。
我们的研究探索一种共享结构，用于组织可观察状态、关系、约束与执行轨迹。改变领域，而不改变核心理念：沟通选择、科学证据、界面状态或空间观察，都有明确的行动边界。
探索一种配置公开资料浏览器
正在载入公开资料…
真实资料记录，示意性三维布局。实线表示已记录的主题归属；虚线螺旋是显示辅助线。脉冲展示本地检索，不是实时运行遥测。不包含儿童或患者的私人对话、专有规则或执行内核细节。原始记录保留英文。
关系保持显式。
让依赖与边界可被检验。视觉连线并不足够：底层记录必须明确表示关系的含义。
用执行检验。
此浏览器展示公开数据的配置与检索。要证明 Helix 驱动推理与受控行动，需要可复现的运行时轨迹与评估。
一家公司。多种可能性。
应用，
并不是最终目的地。
它们展示这一架构能够构建什么。
我们不是四家互不相关的企业。沟通、遗留计算、自主系统和科学推理，是研发、测试与展示机器智能的场景。
我们的模型家族
不同的模型。
共同的方向。
符号核心无需神经推理即可执行显式操作。混合模型与语言组件可以使用神经权重。“本地”描述组件在哪里运行，“符号”描述它如何推理。我们把这些表述明确区分。
我们的研究标准
抱负是起点。
证据是检验。
演示建立可行性。可复现的评估建立可信度。
我们希望工作按实际能力、失败之处，以及与符号、神经和混合方案的比较来接受检验，而不是靠一个普遍完美的承诺。
报告边界。
公开任务、环境、基线、人为干预、结果与失败。仿真结果就是仿真结果。
测量资源占用。
在明确的硬件上评估内存、延迟、能耗与成本。更小的计算需求是研究目标，而不是未经测量的节省承诺。
让决策可检验。
展示证据、规则、行动边界与拒绝。可读轨迹有助于审查，但本身并不构成安全认证。
工作背后的人