Le chapitre suivant de Tin Man : construire un copilote synthétique qui apprend.

Il y a une question exigeante derrière le prochain chapitre de Tin Man : un copilote synthétique peut-il transférer une expérience utile d'une tâche à une autre, transformer un objectif humain en travail exécutable, et démontrer pourquoi son résultat mérite confiance ?

Reinventy développe cette solution via son programme de recherche L4. En son cœur se trouve un candidat cognitif basé sur Gemma, conçu pour intégrer la perception, la mémoire, la planification et les compétences métier autour d'un modèle partagé, avec un calcul et un apprentissage expérimental réalisés localement sur l'infrastructure NVIDIA Jetson AGX.

L'ambition est pratique. Un copilote devrait pouvoir recevoir un objectif, récupérer le contexte pertinent, choisir des outils autorisés, exécuter une tâche délimitée, inspecter le résultat et conserver ce qui a été appris. Les travaux incluent déjà un candidat fonctionnel doté d'une mémoire persistante, d'une exécution durable, d'expériences d'entraînement local réel et d'une récupération testée. Une autonomie élargie demeure la prochaine frontière de qualification.

Un noyau cognitif partagé

Le candidat explore une manière différente d'organiser un système intelligent : un modèle principal partagé par des modules cognitifs coopérants. La perception organise les observations entrantes. L'attention sélectionne le contexte pertinent. La planification structure le travail. La mémoire préserve les connaissances et les épisodes. L'évaluation examine les résultats et les incertitudes.

Ces modules conservent des responsabilités distinctes tout en travaillant avec un état opérationnel commun. Leur but est de connecter une instruction avec les preuves, les outils et l'historique nécessaires pour agir sur celle-ci. Partager un modèle ne signifie pas que chaque module reçoit un accès illimité à chaque enregistrement, ni que le calcul scientifique spécialisé est remplacé par du texte généré.

Gemma 4 12B Unified est le modèle expérimental au cœur de cette candidature. La documentation du modèle de Google décrit une prise en charge des entrées texte, images et audio. Ces capacités au niveau du modèle fournissent une base ; les performances utiles au sein de Tin Man doivent encore être mesurées dans le système complet. En particulier, la compréhension fiable de la parole reste une tâche de qualification, plutôt qu'une inférence tirée de l'étiquette multimodale du modèle.

Ce que signifie se souvenir

Pour un copilote opérationnel, la mémoire doit persister au-delà de la fin d'une conversation. Elle doit distinguer un fait fourni d'une observation, une hypothèse de travail d'un résultat vérifié, et une procédure tentée d'une compétence réutilisable.

Le candidat de Tin Man préserve les mémoires et épisodes avec provenance. Son état d'exécution survit aux interruptions et redémarrages. Une opération terminée peut conserver un reçu afin que la récupération ne répète pas simplement un travail avec conséquences. Un travail annulé ou interrompu demeure un état opérationnel identifiable, plutôt que de disparaître dans un historique de discussion.

Cette continuité importe dans différentes applications. Un assistant de recherche peut avoir besoin des conditions d'une expérience antérieure. Un copilote d'ingénierie peut avoir besoin des hypothèses sous-jacentes à un calcul précédent. Un agent de domaine peut avoir besoin de retrouver la dernière étape vérifiée d'un flux de travail interrompu. L'exigence commune est une relation fiable entre le contexte, l'action et le résultat enregistré.

De l'expérience à l'apprentissage

Le programme d'apprentissage comporte deux couches distinctes. La première est l'apprentissage opérationnel : conserver les épisodes, récupérer le contexte utile et rendre les procédures vérifiées disponibles pour un travail ultérieur. La seconde est l'adaptation des paramètres via des expériences d'entraînement locales, avec des adaptateurs candidats sauvegardés, rechargés, évalués et, si nécessaire, restaurés.

Un entraînement local réel a été effectué sur la plateforme informatique cible. Cela établit un parcours d'entraînement expérimental ; cela n'établit pas en soi une amélioration générale. Une perte d'entraînement plus faible ou une réponse plausible sur un exemple familier ne peut démontrer qu'un système a acquis une compétence nouvelle robuste.

Le test décisif est la performance sur des cas distincts, parallèlement à des vérifications que les capacités existantes n'ont pas régressé. Certains adaptateurs vocaux expérimentaux ont été rejetés après que l'évaluation ait révélé des régressions. Préserver ce résultat fait partie de la méthode : un candidat infructueux ne doit pas devenir le modèle actif simplement parce qu'il est plus récent.

Un système d'apprentissage utile doit être capable de rejeter sa propre proposition d'amélioration lorsque les preuves ne la soutiennent pas.

La prochaine frontière opérationnelle

L'objectif technique central est une boucle de bout en bout : objectif → plan → outils autorisés → résultat vérifié → expérience conservée.

Considérons une tâche de recherche illustrative : récupérer la température enregistrée d'une expérience, la convertir en Kelvin et préparer un rapport. La capacité requise va au-delà de la production d'une phrase correcte. Le système doit identifier l'enregistrement approprié, reconnaître les informations manquantes, choisir la conversion, rédiger le résultat attendu et le vérifier. Il doit également gérer les erreurs d'outil, les annulations et les redémarrages sans substituer discrètement un autre objectif.

Le candidat actuel utilise déjà des outils délimités pour les calculs, les conversions, la récupération en mémoire, la création de fichiers dans son propre espace de travail et l'analyse financière papier. La généralisation au-delà des procédures préparées, la liaison fiable des plans générés par modèle à l'exécution et la démonstration d'un apprentissage utile à travers les objectifs restent des travaux à achever.

Cette distinction définit l'étape actuelle du programme. L4 est l'objectif de développement pour une autonomie plus large encadrée par des critères de contrôle et de validation. Le candidat n'a pas été qualifié comme autonomie générale L4, et ses vérifications logicielles réussies n'établissent pas une IA générale, une amélioration autonome sans restriction ou une conscience semblable à celle des humains. Le remplacement en production et la qualification vocale full-duplex physique restent des décisions d'acceptation distinctes.

Intelligence sous mandat explicite

La personne qui délègue une tâche demeure la source de l'autorité opérationnelle. Un modèle plus performant ne reçoit pas automatiquement un mandat plus large. Les mécanismes qui autorisent les outils, délimitent les ressources et arrêtent l'exécution restent en dehors du composant cognitif en développement.

Cette séparation confère au copilote une frontière d'ingénierie concrète. Il peut raisonner sur un objectif et proposer un plan d'action ; l'exécution dépend toujours du périmètre autorisé. Il peut produire une compétence ou un adapteur candidat ; l'acceptation dépend toujours de vérifications indépendantes. Il peut conserver l'expérience ; la provenance et la correction demeurent nécessaires.

Pour les applications industrielles, ces propriétés sont essentielles à l'utilité. Un opérateur doit savoir ce qui a été demandé, ce qui a réellement fonctionné, quelles preuves ont été produites, quelles incertitudes subsistent et si une tâche interrompue peut être récupérée en toute sécurité.

Une direction de recherche, plusieurs domaines d'application

L'architecture cognitive commune est conçue pour prendre en charge des applications spécialisées plutôt que de supposer qu'une interface générique unique suffit pour chaque secteur. Le portefeuille plus large de Reinventy inclut l'autonomie, la recherche en ingénierie et des agents spécifiques à un domaine. Chaque application apporte ses propres outils, exigences en matière de preuves et travaux de validation.

L'ARC offre un contexte de recherche pour examiner la cognition synthétique dans le domaine financier. Les programmes de plates-formes navales et aériennes soulèvent des questions différentes concernant la perception, le contexte de mission et la relation entre les logiciels et les systèmes physiques. Aucune de ces applications ne peut hériter d'une qualification simplement parce qu'elle partage un noyau cognitif.

Tin Man OS est le projet de système d'exploitation associé au portefeuille technologique de Reinventy. Le successeur expérimental Gemma et la ligne de publication du système d'exploitation sont des efforts de développement connexes avec des états d'acceptation distincts ; le candidat n'est pas présenté ici comme un remplacement déjà publié pour l'architecture de production.

Construire le copilote d'apprentissage

La direction de Reinventy est un copilote synthétique capable de comprendre un objectif dans son contexte, de retenir l'expérience, de prendre des décisions circonscrites et d'accomplir un travail utile avec des preuves. Le candidat fournit désormais une base opérationnelle pour tester cette direction : exécution de modèle partagé, mémoire persistante, outils durables, expériences d'entraînement local et récupération.

La prochaine avancée sera évaluée à travers des tâches complètes et des cas nouveaux : si le système maintient l'objectif prévu jusqu'au résultat correct, si l'expérience améliore les performances ultérieures et si cette amélioration persiste lors de contrôles indépendants.

Explorez l'architecture Tin Man et le portefeuille technologique élargi de Reinventy : https://reinventy-solutions.ca/technologies/tin-man

Découvrez le projet Tin Man OS : https://reinventy-solutions.ca/products/tin-man-os

Discutez d'une application avec Reinventy : https://reinventy-solutions.ca/engage

À propos de cette fonctionnalité

Cette fonctionnalité originale HERALD décrit le programme de développement de Reinventy et les preuves candidates examinées jusqu'au 11 octobre 2026. La couverture est une illustration conceptuelle générée par IA de l'orientation de la recherche, et non une photographie d'un produit déployé.

Contexte technique sur le modèle et la plateforme de calcul : https://ai.google.dev/gemma/docs/core/model_card_4 https://docs.nvidia.com/jetson/agx-thor-devkit/user-guide/latest/