FIRST ORDER
从数据中学习答案
学习给定的任务。任务变化时，可能需要额外的训练。
SECOND ORDER · Teachable intelligence
Intelligence
you can teach.
人来讲解，智能来学习。
我们研究智能如何将经验抽象为概念，并且不只从数据、也从人的讲解中学习。
Our direction
我们创造能学习如何学习的智能。
与人分享概念，一次一个。
我们研究如何从人给出的讲解和示例中学习概念，并用这些概念去解决下一个问题。
The problem
一线专家应当能用自己的知识教导智能系统。
目前，要让智能系统承担新的工作，仍需要工程师花大量精力准备数据和开发系统。
人只凭讲解和几个示例就能学会新概念，把学到的概念用在别的问题上，条件变了就修正自己的理解。
一线专家了解业务原理和例外情况。我们认为，他们应当能通过讲解和示例来教导智能系统。
以数据为中心的训练 以讲解和示例为中心的学习 研究目标
学习方式 收集大量数据并重新训练 专家的讲解和少量示例
新概念 需要额外的训练数据 通过讲解和示例学习
规则变化时 重新检查数据和训练过程 凭少量经验适应
由谁来教 处理数据和模型的工程师 了解业务的一线专家
知识的表示 存于模型内部，难以查看 可查看依据并修改知识
What we believe
我们的信念
- 01
即使经验不多，也应当能够学习
我们考察能否通过少量讲解和示例掌握概念，并将其用于解决从未见过的问题。
- 02
应当能够用语言和示例来教
专家用语言和示例说明工作的原理和例外。减轻把这些知识转成训练数据的负担，是我们的课题。
- 03
应当能够查看并纠正学到的内容
应当能够确认从哪些讲解和示例中学到了什么。如果学错了，应当能够通过再次讲解来纠正。
- 04
在实际工作中检验研究的实用性
我们以公开评测检验学习能力，并在实际工作中确认是否有用，以此作为研究的标准。
The name
Second order: learning how to learn.
SECOND ORDER
学习如何学习
目标是改进学习方法，让智能系统只需少量经验就能学会完成新任务。
SECOND ORDER 专注于改进学习方法本身的研究。
Research
Human-like Conceptual Learning for General Intelligence
我们结合模糊逻辑、本体和语言模型，研究能以少量经验学习、在规则变化时依然稳健的智能。
01 · LEARN
概念学习
研究如何在与人的互动中学习新概念。目标是理解概念，而不是背诵答案。
02 · TRANSFER
运用所学
研究如何运用所学解决新问题，目标是将所学应用到其他任务中。
03 · ADAPT
适应变化
研究如何仅凭少量经验适应规则变化。目标是减轻重新训练的负担。
The path
在一线学习，再拓展到陌生的领域
现在
概念学习研究
研究如何从少量示例中学习概念，并用于新的问题。
下一步
向专家学习、用于实际工作的智能
我们计划根据一线项目经验，开发专家能直接教导的工具。
目标
通用智能
我们的目标是让智能在陌生领域也能向人学习新概念，并将学到的概念联系起来，解决更广泛的问题。
In the field
专家能直接教导、用于实际工作的智能
一线的知识分散在专家的经验、报告和试验结果中。我们把专家的判断标准和流程整理成有依据的知识和可复用的工作流程。
知识
将文档内容整理为主张、关系和依据等单元。
工作流程
将工作流程整理为可查看、可修改的形式。
知识的添加与修改
我们正着手开发相关功能，让专家能通过对话添加和修改知识。
确认依据
我们正着手开发相关功能，在回答中标注原文依据和尚未核实的信息。
Founder
薛在桓 SEOL JAEHWAN
曾在现代汽车研究所从事自动驾驶技术（ADAS）开发，之后在多家深科技初创企业负责开发工作。目前研究能将经验抽象为概念、并从人的讲解中学习的智能，同时为企业提供 AI 转型咨询与开发。
Contact
如果有可以一起探讨的事情，
请给我们留言。
除研究之外，我们也承接企业咨询和 AX 项目。