Ngoài Lịch Sử Trò Chuyện: Cách Honcho Giải Quyết Thách Thức Cá Nhân Hóa Cho Ứng Dụng LLM

Hãy tưởng tượng bạn giải thích vật lý lượng tử cho bà ngoại, giáo sư của bạn, và một thiếu niên. Bạn sẽ không sử dụng cùng một từ ngữ, ví dụ hay tốc độ trình bày cho từng người. Bạn sẽ tự nhiên điều chỉnh cách giao tiếp dựa trên người bạn đang nói chuyện cùng. Đây chính xác là điều thiếu trong các ứng dụng mô hình ngôn ngữ lớn ngày nay—và đó là vấn đề cốt lõi mà nền tảng mới ra mắt của Plastic Labs, Honcho, được thiết kế để khắc phục.

Vào ngày 11 tháng 4, startup AI Plastic Labs thông báo đã hoàn thành vòng gọi vốn Pre-Seed trị giá 5,35 triệu đô la do Variant dẫn đầu, với sự tham gia của White Star Capital, Betaworks, Mozilla Ventures, Seed Club Ventures, Greycroft và Differential Ventures. Các nhà đầu tư thiên thần bao gồm Scott Moore, NiMA Asghari và Thomas Howell cũng đã tham gia vòng gọi vốn này. Đồng thời, công ty đã mở truy cập sớm cho Honcho, nền tảng nhận dạng AI cá nhân hóa của họ, đánh dấu một cột mốc quan trọng trong cách các ứng dụng LLM có thể cuối cùng hiểu người dùng của mình.

Nhu cầu ngày càng tăng về Cá nhân hóa thực sự trong các Ứng dụng LLM

Sự bùng nổ của phần mềm dựa trên LLM đã tạo ra một vấn đề không ngờ tới: các ứng dụng này mạnh mẽ nhưng về cơ bản lại thiếu cá nhân hóa. Một trợ lý trị liệu cần hiểu trạng thái cảm xúc và phong cách giao tiếp của bạn. Một gia sư giáo dục phải nhận biết cách bạn học tốt nhất. Một người bạn đồng hành mua sắm nên hiểu sở thích và thói quen duyệt web của bạn. Tuy nhiên, hầu hết các nhà phát triển xây dựng các ứng dụng này đều phải đối mặt với một bối cảnh phân mảnh mà không có giải pháp tiêu chuẩn.

Hiện tại, các nhóm phát triển phải ghép các hệ thống tạm thời để lưu trữ dữ liệu người dùng—thường là trong các nhật ký trò chuyện—và truy xuất khi cần thiết. Mỗi tổ chức về cơ bản bắt đầu từ con số không, xây dựng hạ tầng quản lý trạng thái người dùng riêng của mình. Kết quả là, có rất nhiều nỗ lực kỹ thuật bị lãng phí trong ngành, với vô số nhóm phải phát minh lại bánh xe. Tệ hơn nữa, ngay cả khi các nhà phát triển sử dụng các phương pháp tinh vi như cơ sở dữ liệu vector và phương pháp tạo sinh dựa trên truy xuất (RAG), họ chỉ có thể hiển thị các cuộc trò chuyện trong quá khứ. Họ không thể thực sự nắm bắt các đặc điểm sâu hơn của người dùng: sở thích giao tiếp, mô hình học tập, kích hoạt cảm xúc hoặc sắc thái tính cách.

Các ứng dụng trị liệu, trợ lý giáo dục, nền tảng đọc sách và công cụ thương mại điện tử đã và đang chờ trong hàng đợi thử nghiệm kín của Honcho—hàng trăm ứng dụng trong nhiều kịch bản, tất cả đều nhận ra cùng một nút thắt cổ chai.

Tại sao Phương pháp Khoa học Nhận thức của Honcho Thay đổi Cuộc chơi

Đây là nơi Honcho xuất hiện như một bước ngoặt. Nền tảng hoạt động như một giải pháp sẵn sàng để các nhà phát triển tích hợp trực tiếp vào các ứng dụng LLM của họ mà không cần xây dựng hạ tầng mô hình người dùng từ đầu. Khi đã kết nối, các nhà phát triển sẽ có quyền truy cập vào các hồ sơ người dùng phong phú, bền vững, phản ánh nhiều sắc thái hơn so với các phương pháp truyền thống.

Điểm khác biệt chính nằm ở nền tảng của nền tảng: nó dựa trên các kỹ thuật tiên tiến mượn từ khoa học nhận thức. Thay vì chỉ đơn giản lưu trữ lịch sử trò chuyện hoặc nhúng các tương tác của người dùng vào cơ sở dữ liệu vector, Honcho xây dựng các mô hình sâu hơn về chính người dùng. Các hồ sơ này có thể được truy vấn bằng ngôn ngữ tự nhiên, cho phép các ứng dụng LLM điều chỉnh hành vi, giọng điệu và cách giao tiếp dựa trên đặc điểm cá nhân của từng người dùng.

Lợi ích kỹ thuật rõ ràng: Honcho trừu tượng hóa sự phức tạp trong việc quản lý trạng thái người dùng, giúp các nhóm phát triển tập trung vào logic cốt lõi của ứng dụng thay vì hạ tầng. Nhưng tác động còn vượt xa hơn nữa, vượt ra ngoài sự tiện lợi của từng ứng dụng. Các hồ sơ người dùng phong phú, trừu tượng do Honcho tạo ra tạo ra thứ mà ngành công nghiệp đã theo đuổi từ lâu nhưng gặp khó khăn trong việc đạt được: một con đường hướng tới một lớp dữ liệu người dùng chia sẻ thực sự có thể tương tác được.

Vấn đề Lớp Dữ liệu Chia sẻ: Tại sao Các Nỗ lực Trước đây Thất bại

Trong quá khứ, các nỗ lực tạo ra các lớp dữ liệu người dùng chia sẻ đã gặp phải hai lý do cơ bản.

Thứ nhất, rào cản khả năng tương tác. Dữ liệu người dùng truyền thống thường gắn chặt với ngữ cảnh ứng dụng cụ thể và khó chuyển đổi qua các nền tảng. Mạng xã hội của bạn trên X—được định nghĩa bởi ai bạn theo dõi—ít giá trị đối với mạng lưới chuyên nghiệp của bạn trên LinkedIn. Dữ liệu không thể dịch chuyển. Honcho thu thập các đặc điểm người dùng cấp cao, phổ quát hơn, có thể hoạt động trên bất kỳ ứng dụng LLM nào. Ví dụ, nếu một nền tảng giáo dục phát hiện ra bạn học tốt nhất qua các phép ẩn dụ, thì hiểu biết đó trở nên có giá trị đối với trợ lý trị liệu của bạn, người có thể sử dụng kỹ thuật kể chuyện để giao tiếp hiệu quả hơn. Chính đặc điểm này cũng áp dụng cho các trường hợp sử dụng hoàn toàn khác nhau.

Thứ hai, vấn đề khởi đầu lạnh (cold-start). Các lớp chia sẻ trước đây không thể thu hút được sự chú ý vì những người dùng sớm không thấy lợi ích ngay lập tức. Việc thu hút các ứng dụng đầu tiên—những ứng dụng cần thiết để tạo ra dữ liệu người dùng có giá trị—đòi hỏi phải hứa hẹn một mạng lưới chưa tồn tại. Honcho tránh khỏi vòng luẩn quẩn này bằng cách giải quyết “vấn đề cấp độ đầu tiên” cho từng ứng dụng trước. Khi đủ nhiều ứng dụng kết nối, các hiệu ứng mạng tự nhiên sẽ xuất hiện, và “vấn đề cấp độ thứ hai” bắt đầu tự giải quyết. Các ứng dụng mới tham gia nền tảng không gặp phải ma sát khởi đầu lạnh; chúng thừa hưởng các hồ sơ người dùng phong phú ngay từ đầu và truy cập vào lớp trí tuệ ngày càng phát triển mà không cần phải huấn luyện mô hình riêng của mình.

Xây dựng Hạ tầng: Lộ trình Chiến lược của Plastic Labs

Chiến lược của công ty phản ánh cách tiếp cận theo từng giai đoạn này. Ban đầu, trọng tâm vẫn là giải quyết thách thức quản lý trạng thái người dùng cốt lõi cho từng ứng dụng. Khi việc áp dụng mở rộng và nhiều ứng dụng kết nối với Honcho hơn, nhóm sẽ dần giới thiệu một lớp dữ liệu chia sẻ cho các ứng dụng sẵn sàng tham gia.

Lớp chia sẻ này giới thiệu một cơ chế khuyến khích dựa trên các cơ chế blockchain. Các ứng dụng truy cập vào cổ phần sở hữu ban đầu trong lớp này, chia sẻ trong sự phát triển và giá trị của mạng lưới. Đồng thời, kiến trúc phi tập trung của blockchain đảm bảo hệ thống vẫn đáng tin cậy và minh bạch, ngăn chặn các trung tâm kiểm soát tập trung khai thác giá trị quá mức hoặc phát triển các sản phẩm cạnh tranh dựa trên dữ liệu chia sẻ mà họ đã tạo ra.

Cách tiếp cận này phản ánh những bài học rút ra từ công việc trước đây của nhóm. Khi phát triển Bloom, một ứng dụng gia sư trò chuyện cá nhân, nhóm Plastic Labs đã trực tiếp trải qua cảm giác thất vọng khi xây dựng một hệ thống gia sư thông minh mà không thực sự hiểu rõ phong cách học tập và nhu cầu học tập của từng học sinh. Honcho ra đời trực tiếp từ nhận thức này—một sự thừa nhận rằng mọi nhà phát triển ứng dụng LLM cuối cùng đều sẽ đối mặt với giới hạn cơ bản giống nhau.

Những gì Sắp tới: Từ Ứng dụng Đơn lẻ đến Hiệu ứng Mạng lưới

Hàng trăm ứng dụng trong các lĩnh vực như tư vấn phục hồi sau nghiện, gia sư giáo dục, hỗ trợ đọc sách và nền tảng thương mại điện tử đã đăng ký danh sách chờ của Honcho. Mỗi ứng dụng đại diện cho một trường hợp sử dụng và nhóm người dùng khác nhau, nhưng tất cả đều có chung nhu cầu: các ứng dụng LLM thực sự hiểu người mà chúng đang nói chuyện.

Variant, với tư cách là nhà đầu tư chính và là công ty do Tổng cố vấn Daniel Barabander đại diện, người đã giúp truyền đạt tầm nhìn của Honcho, nhận ra những gì Plastic Labs đã đạt được: một đội ngũ có chuyên môn đã được chứng minh trong mô hình người dùng cho phần mềm dựa trên AI, nay phát hành hạ tầng có thể định hình lại cách toàn bộ hệ sinh thái ứng dụng LLM xử lý cá nhân hóa.

Thách thức cá nhân hóa trong các ứng dụng LLM không còn là lý thuyết—nó đã trở thành nút thắt chính hạn chế việc tạo ra các trải nghiệm AI thực sự hữu ích, dựa trên ngữ cảnh. Honcho đại diện cho giải pháp đầu tiên có sẵn rộng rãi, giải quyết vấn đề này ở quy mô lớn, có thể mở ra một kỷ nguyên mới của các ứng dụng LLM siêu cá nhân hóa, thực sự hiểu người dùng của chúng.