Decitron: Unang Pangkalahatang AI na Modelo sa Pagdedesisyon na Ipinakilala sa Buong Mundo

Ang pagbuo ng sagot ay naging pangunahing kakayahan ng AI, habang ang pagpapalawak sa realidad ay ang mas mahirap na hamon sa susunod na yugto.

Hindi isang static na tanong at sagot ang totoong desisyon. Ito ay nangyayari sa isang mundo na patuloy na nagbabago, kung saan ang maraming aktor ay gumagalaw nang sabay-sabay, may kawalan ng kompletong impormasyon at puno ng kawalan ng siguraduhan.

Halimbawa, kung isang bagong open-source model ay biglang bawasan ang gastos, susundan ba ng mga kumpanya ng pangunahing model ang pagbaba ng presyo? Paano naman ang mga cloud provider, developer, at mga kumpanya ng aplikasyon—babalik ba sila sa ibang panig? Sa ganitong uri ng desisyon, ang aksyon ng isang partido ay nagbabago ng mga kondisyon na haharapin ng iba sa kanilang susunod na hakbang, at ang mga bagong tugon ay patuloy na magbabago sa sitwasyon. Tulad ng isang laro ng chess kung saan lahat ng manlalaro ay naglalagay ng kanilang mga piraso nang sabay-sabay—bawat paglalagay ng piraso ay nagbabago sa laruan.

Sa ilalim ng kontekstong ito, pagkatapos ng paglalabas ng Decitron ng Zhongke Wenge (maikling pangalan: Decitron), itinuring ng maraming pangunahing teknolohiyang media bilang “ang unang pangkalahatang malaking modelo ng desisyon sa buong mundo.” Ang terminong ito ay hindi nagte-teklado sa unang pagkakataon na lumabas ang isang partikular na teknolohiya tulad ng world model, multi-agent, o game solving, kundi sa pagkakaisa ng Decitron sa mga kakayahang ito sa isang kompletong framework ng desisyon para sa isang bukas na mundo, na bumubuo ng isang ganap na sirkuito ng patuloy na pagmomodelo, pagpapalabas, paglutas, at pagpapakasal.

Ang terminong “unibersal” ay tumutukoy sa pagtatangka nito na abstrakuhin ang mga kumplikadong problema sa pagdedesisyon mula sa iba’t ibang larangan bilang isang karaniwang istruktura — estado ng mundo, mga nakikilahok, puwang ng aksyon, mga limitasyon at relasyon, maraming pagkakataon sa interaksyon, at hindi tiyak na resulta, at patuloy na mag-isip at mag-solve sa loob ng iisang framework.

Address ng teknikal na ulat: https://chinaxiv.org/abs/202608.00064

Ago 3, ang kompletong teknikal na ulat ng Decitron ay opisyal na inilabas, una naming isinampa ang kanyang tatlong pangunahing kontribusyon sa teknolohiya:

Una, ipinapakilala ang eksplisitong mundo modelong MetaWorld, na nag-uugnay ng maraming pinagkukunan ng impormasyon sa isang struktural, patuloy, at kalkulasyon na estado ng mundo at kanyang pagmomodelo ng kausalidad; pangalawa, ginagamit ang State–Action–Outcome (SAO) na pormal na pagpapakita upang isalin ang mga kumplikadong desisyon sa mga kalkulasyon at pagsusuri na anyo; pangatlo, binubuo ang hybrid reasoning architecture na AutoABM na naglalaman ng multi-agent simulation, game-theoretic reasoning, at formal optimization, na gumagamit ng multi-agent decision reasoning system upang lutasin ang mga kumplikadong problema sa desisyon tulad ng paghahanap ng game equilibrium, strategy planning, at constraint satisfaction. Ang tatlo ay bumubuo sa teknikal na pundasyon ng decision engine, na layunin na isalin ang isang beses na pagpapasya ng AI system sa isang patuloy na kalkulasyon at pagsusuri na proseso na nakabatay sa pagbabago ng mundo.

Sa kasalukuyan, ang ilang mahahalagang kakayahan na kailangan ng AI para sa «pagsusuri ng desisyon» (tulad ng mundo model, maraming agent, pag-iisip sa paglalaro, at paghuhula ng probabilidad) ay nagsisimula nang lumabas. Ang tunay na hamon ay: kapag pumasok ang AI mula sa isang saradong gawain patungo sa bukas na realidad, ang mga kakayahang ito ay dapat magtrabaho nang sabay-sabay sa paligid ng iisang, patuloy na i-update na estado ng mundo, at hindi lamang magbigay ng magkakaibang pagsusuri sa isang beses na prompt.

Una, tingnan ang world model. Kapag binanggit ang World Model, madalas isipin ng mga tao ang mga pangunahing physical world model tulad ng Sora, World Labs, at V-JEPA na nakatuon sa biswal, espasyo, pisika, o robotikong kapaligiran. Samantala, ang MetaWorld na ipinakilala ng Decision Machine ay nakatuon sa mas kumplikadong mga sitwasyon sa pagdedesisyon: ekonomiya, patakaran, kompetisyon ng mga kumpanya, at geopolitika—mga bukas na sistema kung saan ang mga aktor, baryable, relasyon, at limitasyon sa pagbuo ng modelo ay mas kumplikado.

Ang MetaWorld ay maaaring ituring na isang pagpapalawak ng world model patungo sa mga sosyal na sistema, na nangangailangan ng pagharap sa tatlong mahirap na isyu: pagkakaiba ng mga patakaran, reflexividad (双向互动, siklikal na epekto sa pagitan ng sanhi at epekto), at hindi maiiwasang kawalan ng katiyakan. Nagdudulot ito ng isang direktang tanong: Kung may mali ang pagtataya sa kasalukuyang mundo, babalewala ba ang mga susunod na pagtataya?

Kapag nasa loob na ng sosyal na sistema, hindi sapat na pangalagaan ang estado ng kapaligiran; kailangan din ng AI na masukat kung paano gagawin ng ibang mga participant. Ipakita na ng Richelieu na inilabas ng Meta, CICERO, at iba pang mga koponan ang kakayahan ng maraming Agent na makipag-ugnayan at maglaro sa ilalim ng limitadong impormasyon; habang para sa tunay na desisyon sa isang bukas na mundo, pagkatapos ng pagpapakita ng mga aksyon ng lahat ng panig, kailangan pa ring masukat kung ang istratehiya ay maaaring gawin, saan maaaring matapos ang paglalaro, at ang posibilidad at kondisyon ng iba’t ibang hinaharap.

Ang kahalagahan ng decision engine ay nasa ganito: ang mixed reasoning architecture nito, ang AutoABM, ay nag-uugnay sa semantic understanding ng LLM, ang SAO structured representation, ang multi-agent modeling at simulation, at ang strategy reasoning at optimization sa iisang implementation pipeline, na nagpapalakas sa apat na hakbang: “pag-unawa sa mundo — pag-simula ng simulation — paghahanap ng desisyon — pag-evaluate ng kinabukasan”.

Binubuo ng six layers ang decision engine—ang input at task, data at kaalaman, modeling at formalization, simulation at reasoning, prediction at calibration, at reporting at explanation—upang mabuo ang buong chain mula sa real-world information hanggang sa output ng desisyon.

Susunod, gamitin natin ang halimbawa na “Paano maaaring mag-evolve ang isang kumplikadong kalakalan na konflikto sa susunod na anim na buwan?” upang tingnan kung paano gumagana ang desisyon-making machine mula sa mga aktwal na impormasyon, at paano ito nagtatayo ng kasalukuyang estado ng mundo, nag-simula ng mga aksyon ng bawat panig, nagpapakita ng iba’t ibang posibleng landas sa hinaharap, at kung saan mga kondisyon maaaring mangyari ang mga landas na ito.

Unang hakbang: Huwag muna mag-isip ng hinaharap; unang maunawaan kung ano ang nangyayari ngayon, at alin sa mga katotohanan ang dapat paniwalaan.

Ang impormasyon mula sa tunay na mundo ay maaaring magkakasalungat, maaaring magkakapareho, o maaaring nasa loob ng nakaraan. Ang desisyon-making machine ay unang i-convert ang tanong ng user sa isang structured na gawain, na nagtatatag ng eksaktong kailangang sagutin, ang mga kakaibang aktor na kasali, ang panahon ng obserbasyon, at ang mga limitasyon. Sa halimbawa na ito, ang sistema ay unang i-identify ang mga pangunahing partido sa konflikto, ang saklaw ng panahon, at ang kasalukuyang paksang pinag-uusapan; itinatala nito ang mga kondisyon na maaaring magdulot ng pagbabago sa sitwasyon tulad ng taripa, supply chain, patakaran sa industriya, at pag-uugali ng mga kumpanya; at pagkatapos ay kumukuha ito ng impormasyon mula sa iba’t ibang pinagkukunan tulad ng mga balita, social media, at mga研究报告.

Figure 2: Data Processing Flowchart

Ang mga nakalap na impormasyon ay unang pinapalitan ng duplicates, pinag-uugnay, at binubuo ang mga pangyayari upang mabuo ang timeline ng pangyayari at isang set ng mas detalyadong mga unit ng ebidensya. Pagkatapos, ang sistema ay nagtataya sa kalidad ng bawat ebidensya gamit ang Evidence Quality Score (EQS), kabilang ang kinalaman nito sa kasalukuyang tanong, kapanipaniwalaan ng pinagkukunan, kahalagahan at kumpletong kalidad ng nilalaman, at pagkakasundo sa pagitan ng iba’t ibang pinagkukunan. Samantala, batay sa antas ng tiwala ng bawat ebidensya, ito ay ipinapadala sa tamang direksyon—kung mataas ang tiwala, diretso itong ipinapasa sa susunod na pagpapaliwanag.

Kung kulang ang umiiral na ebidensya o may pagkakaiba-iba sa mga pinagkukunan, patuloy ang sistema sa pagpapatakbo ng alternatibong pag-iisip at paghahanap batay sa ReAct, na nag-aadjust sa susunod na paghahanap batay sa kakulangan ng impormasyon, at isasama ang bago natuklasang impormasyon sa umiiral na timeline.

Figure 3: Gamit ang alternatibong mekanismo ng pag-iisip at paghahanap batay sa ReAct

Pangalawang hakbang, ilipat ang mga napiling katotohanan sa isang patuloy na i-update na “estado ng mundo.” Ang mga katotohanan ay nagpapahayag kung ano ang nangyari sa sistema, at kailangan pang masuri: habang nagkakasundo ang mga pagbabagong ito, anong estado ang kasalukuyang nasa mundo?

Ang decision engine ay gumagamit ng State–Action–Outcome (SAO) representation upang formalisahin ang prosesong ito, kung saan ang State ay naglalarawan sa kasalukuyang estado ng mundo, ang Action ay nagtatala ng mga aksyon na ginawa ng bawat Agent sa kasalukuyang estado, at ang Outcome ay nagtatala ng mga resulta tulad ng kita, pagkawala, gastos, at panganib na dulot ng mga aksyon. Mahalagang tandaan na ang State ay naghihiwalay sa makro estado at mas detalyadong masukat na estado. Sa kaso, ang pagtaas ng tensyon ay maaaring maging makro estado, habang ang antas ng taripa, presyo ng kalakal, at kalalabasan sa supply chain ay maaaring ma-include sa mas detalyadong tala ng estado.

Dagdag pa, sinusuri ng sistema ang mga panlabas na pagbabago, tulad ng pagbabago sa patakaran, pagbabago sa kalikasan, o iba pang mga pangyayari na hindi kontrolado ng Agent. Pagkatapos ng isang aksyon at isang panlabas na pangyayari, update ang estado ng mundo. Ang updated na estado ay naging punto ng simula para sa susunod na aksyon. Ito ay paulit-ulit na proseso na bumubuo ng isang tuloy-tuloy na SAO trajectory.

Figure 4: Proses ng pagpapatakbo ng SAO

Ang pagpapanatili ng mga estado na ito ay responsable sa MetaWorld, na naglalabas ng isang structured world state na maaaring kalkulahin at i-update. Ang estado ay maaaring ihiwalay sa tatlong antas: Environment Layer na nag-i-record ng lahat ng pangkalahatang kalagayan na ibinabahagi ng lahat ng mga participant, tulad ng yugto ng sitwasyon, presyo ng mga yaman, atbp.; Agent Metrics Layer na nag-i-record ng bawat Agent's yaman, kakayahan, at pag-unlad ng mga layunin; at Relationship Matrix Layer na nag-i-record ng mga pagbabago sa ugnayan sa pagitan ng iba't ibang Agent.

Ginagamit din ng MetaWorld ang causal DAG (Causal Directed Acyclic Graph) upang limitahan kung paano nagbabago ang estado: ang mga posibleng epekto sa pagitan ng mga baryable ay inorganisa sa loob ng causal graph sa panahon ng pagmomodelo. Sa proseso ng pagdededuce, i-update ng sistema ang estado ng node at ang timbang ng causal edges, ngunit hindi ito bumubuo ng bagong causal graph sa bawat round.

Mahalaga ang pagtataya na ito para sa mahabang panahon. Ang nakaraang pagbabago sa taripa ay nakakaapekto sa presyo, at ang presyo ay nagbabago sa pagpili ng mga kumpanya at sa tugon ng iba pang mga miyembro, at kailangan ng mga pagbabagong ito na mapanatili upang mabawasan ang pagpapatuloy. Ang MetaWorld ang nagtatanggol ng patuloy na i-update na “kaban ng mundo.”

Sa ikatlong hakbang, mayroon nang mundo ng estado, at ang bawat Agent ay nagsisimula na gumawa ng aksyon. Ang tradisyonal na Agent-Based Modeling (ABM) ay karaniwang nangangailangan ng mga eksperto na mag-define nang mauna ng mga participant, mga patakaran sa pag-uugali, mga variable sa kapaligiran, at mga mekanismo ng interaksyon. Kung magbabago ang tanong, kailangan muli ang pagbuo ng modelo. Ang AutoABM na inilahad ng Decision Engine ay awtomatikong nagpapasa sa hakbang na ito: sa harap ng isang natural language na tanong, ang sistema ay magkakaroon ng panlabas na ebidensya, tatanggalin ang mga participant, layunin at limitasyon, espasyo ng aksyon, mga variable sa kapaligiran, at mga ugnayang sanhi at epekto, at batay dito ay bubuo ng isang multi-agent simulation environment.

Maaaring magkaroon ng isang kalakalan na konflikto na may iba’t ibang Agent tulad ng pamahalaan, mga kumpanya, mga organisasyon ng industriya, at mga konsyumer, kung saan bawat isa ay may sariling layunin, yaman, pagkakaiba sa pagtingin sa panganib, at mga pambansang hangganan na hindi maaaring laktawan. Walang pananaw ng Diyos ang mga Agent na ito, at sila ay nag-uugnay lamang batay sa kanilang natutuklasang lokal na impormasyon.

Sa isang partikular na pagkilos, unang tinataya ng Agent ang nakaraang interaksyon at kasaysayan, pagkatapos ay sinusuri ang mga pagkakataon, panganib, at mga limitasyon sa kasalukuyang sitwasyon, nagbuo ng ilang alternatibong estratehiya at nagpapasya. At sa bawat pagkilos, hindi ito nagpapalakas sa isang direksyon lamang—ang sistema ay одноči nang sabay-sabay ang iba’t ibang estado ng mundo, kabilang ang relatibong matatag na landas ng equilibrium, ang mas optimista o pesimista na direksyon ng pag-unlad, at ang mga mataas na epekto na sangay na may mababang posibilidad ng mangyari ngunit magbabago nang malinaw ang sitwasyon kung mangyari. Pagkatapos ay sinusuri at pinapatotohanan ang mga landas na ito, isinasaayos ang estado ng mundo, at pumapasok sa susunod na pagkilos. Habang patuloy ang pagkilos ng lahat ng mga bahagi, ilan sa mga landas ay nawawala ang kanilang kondisyon para maging batid, habang ang iba ay naging mas malamang.

Figure 5: Agent Behavior Paradigm

Sa labas ng multi-agent simulation, ang komplikadong desisyon ay nangangailangan ng isang “matematikal na hukom.” Ang mga multi-agent ay maaaring magpalabas ng maraming makatotohanang mga path para sa kinabukasan, ngunit ang pag-iisip ay hindi katumbas ng paggawa; ang totoong desisyon ay pinipigilan ng mga mahigpit na pagkakabawas tulad ng budget, yaman, oras, mga patakaran sa pinto, at mga balanse sa pagitan ng lahat ng bahagi.

Ang decision engine ay naka-integrate ng isang kakayahan sa formal solving, kabilang ang limang uri ng problema: klasikong game theory, pag-aalok at pag-optimize ng yaman, pagplano at pagjadwal ng ruta, probabilistic inference sa ilalim ng kakaibang kondisyon, at constraint satisfaction. Halimbawa, kung may limitadong budget, paano isasagawa ang pag-aalok ng yaman; ano ang posibleng equilibrium na mabubuo sa multi-player game; o kung mayroon bang pagbubukas sa nakatakdaan na pula, lahat ng ito ay maaaring ma-access sa antas na ito. Sa mga problema sa game theory, mayroon ding内置 na siyam na uri ng klasikong atomic games tulad ng Prisoner’s Dilemma, Stag Hunt, Chicken Game, at zero-sum games, na nakakapalibot sa 144 uri ng Robinson–Goforth 2×2 game topologies upang matukoy at lutasin ang iba’t ibang game structures.

Ang pagkakasunod na ito ay nakatuon sa pagbabalik ng mga kandidatong estratehiya na nilikha ng maraming agent sa isang kalkulasyon na framework ng laro, pagkakabawas, at pagpapabuti, upang gawing “semantikong makabuluhang” ang pagiging “pormal na masusuri”.

Sa TMGBench benchmark na nagtatala ng kakayahan sa multi-agent game, ang accuracy ng decision machine equilibrium ay 99.4%, ang accuracy ng topological identification ay 100%, ang average solving time ay 0.8 segundo, at ang interpretability score ay 4.3/5.0.

Tala 2: Limang pangunahing uri ng problema na lutasin

Malinaw ang paghahati ng mga tungkulin sa pagpapakita ng maraming agente at pormal na paglutas: ang unang isa ay responsable sa pagpapalawak ng mga posibleng landas; ang pangalawa ay responsable sa pagsusuri kung ang mga landas na ito ay tumutugon sa mga limitasyon at istruktura ng laro.

Sa huling bahagi ng pagpapaliwanag, mayroon pa isang mahalagang tanong: Gaano kakaibang posibilidad ang bawat isa sa mga naitalang mga path ng kinabukasan? Para dito, itinakda ng desisyon machine ang mga bahagi ng paghuhula at pagpapalit (Forecasting & Calibration).

Batay sa mga kandidatong daanan na natanggap sa nakaraan, ang antas na ito ay patuloy na sinusuri ang kahihilig: ang sistema ay nagkakaroon ng mga probabilidad para sa iba’t ibang resulta sa pamamagitan ng pagsasama ng mga resulta ng modelong pag-iisip at mga eksternal na signal ng pagkakatotoo, at pagkatapos ay inaayos ang mga probabilidad gamit ang impormasyon ng predictive market, nakaraang pagbibilang, at mga patakaran sa pag-skor ng probabilidad. Ang desisyon machine ay hindi na nagbibigay lamang ng isang serye ng “maaaring mangyari” na deskripsyon, kundi may kasamang mga pagtataya ng probabilidad para sa bawat daanan, at patuloy itong i-update habang dumadating ang mga bagong ebidensya at resulta ng pag-iisip.

Maaari nating isipin ito bilang isang dinamikong "mapa ng kinabukasan": ang pagpapalala ng mga kalituhan sa kalakalan, ang pansamantalang pagpapababa ng tensyon, o ang paglitaw ng mga bagong hindi inaasahang mga salik, ay maaaring maging iba't ibang mga sangay. Ang sistema ay nagtataya ng posibilidad ng bawat path at kung anong mga pagbabago ang gagawing mas malamang ang isang partikular na daan.

Figure 6: Probability Prediction Module

Sa point na ito, pinagsama ng decision engine ang buong serye ng pagpapasya.

Ginamit ng ulat ang ilang mga eksperimento upang subukan ang inference system ng decision machine, at ang pinakamahalagang tingnan ay ang mga resulta ng “event inference at probability prediction”.

Una muna sa sariling binuong set ng event prediction, obserbahan kung paano nagpapabuti ang structured reasoning sa pagpapahula ng mga pangyayari. Gumawa ang team ng isang dataset na naglalaman ng 74 na pangyayari at 370 mga tanong na may binary na pagpapasya, na sumasakop sa iba’t ibang kategorya ng mataas na hindi-stabil na pangyayari, at kinabibilangan ng iba’t ibang panahon ng paghuhula sa pagsusuri. Sa ilalim ng pagsusuri ng team, ang kabuuang resulta ng decision engine ay 78.41%.

Sa mga setting ng LLM-NEWS, para sa short-term group na 3-30 araw, ang resulta ng decision engine ay 72.80%, habang ang GPT-5.5 at Claude-4.7 ay 35.43% at 44.62% ayon sa pagkakasunod-sunod; habang lumalabas sa medium at long-term, ang pagkakaiba ay nagsisimulang maliit. Ibig sabihin, ang structured reasoning ay may mas malaking advantage sa mga short-term scenario kung saan mabilis ang pagbabago ng sitwasyon at mahirap gamitin ang nakaraang pattern.

Sundin ang karagdagang eksperimento sa public prediction market benchmark na PolyBench.

Ang FFA (Final Forecast Accuracy) ng Decision Machine ay 81.20%, ang EVPA (Expected Volatility Prediction Accuracy) ay 73.40%, at ang MSE (Mean Squared Error) ay 0.822, na lahat ay mas mataas kaysa sa Gemini-3-Flash, MiMo-V2-Flash, at Grok-4.1-Fast. Ito ay nagpapakita na mas mahusay ang Decision Machine sa pagkuha ng direksyon ng pagbabago sa market probability at sa pagkontrol ng probability error.

Ang generative AI ay gumagamit ng token bilang pangunahing yunit ng pagkalkula at tumutugon sa tanong, "Paano gagawin ang susunod na bahagi?" Samantala, ang decision AI ay gumagamit ng pagbabago sa estado ng mundo bilang pangunahing objekto ng pagkalkula at tumutugon sa tanong, "Paano magbabago ang mundo pagkatapos ng isang aksyon?" Ang unang uri ay nag-aalala kung ang sagot ay makatotohanan, habang ang ikalawa ay kailangang tratuhin ang ugnayan ng sanhi at epekto, mga limitasyon sa realidad, reaksyon ng kalaban, at pagbabago sa probabilidad. Hindi ito simpleng pagdaragdag ng kakayahan, kundi pagbabago sa paradigma ng pagkalkula.

Mahirap maging natural ang pagkakaroon ng desisyon na AI sa pamamagitan lamang ng mas malaking sukat ng parameter at mas malakas na kakayahan sa wika. Pagkalipas ng pagpasok sa bukas na mundo, mahalaga pa rin ang pangunahing modelo, ngunit nagsisimula itong maging bahagi ng desisyon na sistema kaysa sa buong sistema. Ang yunit ng kompetisyon sa AI ay nagbabago mula sa isang modelo patungo sa buong sistema.

Ang teknikal na kahalagahan ng decision engine ay ang pagpapagsama ng mga nakaraang hiwalay na kakayahan sa isang komon na estruktura ng pagdedesisyon. Ang terminong "unibersal" ay hindi nangangahulugan ng pagkakaroon ng kakayahang makabuo ng mga hinaharap sa lahat ng mga larangan, kundi ang iba't ibang mga problema sa iba't ibang larangan ay maaaring ma-translate bilang estado, aksyon, resulta, limitasyon, at kawalan ng sigurado, at maipasok sa iisang framework para sa pagpapaliwanag at paglutas.

Sa pananaw na ito, ang tunay na halaga ng “unang pangkalahatang malaking modelo ng desisyon sa buong mundo” ay hindi lamang ang pag-aabot ng isang “una”, kundi mas malalim pa: ang pagbibigay ng isang kumpletong teknikal na kontur sa “pangkalahatang malaking modelo ng desisyon”— gamit ang eksplisitong paglalarawan ng estado upang ilarawan ang mundo, gamit ang maraming agent upang isagawa ang mga aksyon, gamit ang博弈 at optimitasyon upang subukan ang mga estratehiya, at gamit ang probabilidad upang i-kalibrasyon ang iba’t ibang posibleng hinaharap. Kaugnay nito, ang mga pamantayan sa pag-evaluate ng AI ay nagsisimulang magbago—hindi na lamang kung tama ang sagot, kundi kung patuloy ang estado, kung mapapatunayan ang pagpapalawak, kung maaasahan ang probabilidad, at kung ma-update nang maaga kapag lumabas ang bagong impormasyon.

Sapagkat ang isang sagot na mukhang tama, ay hindi katumbas ng isang desisyon na makakabangon sa pagbabago ng katotohanan.

Nakuha mula sa WeChat public account na "Machine Heart" (ID: almosthuman2014), may-akda: Nagmamalasakit sa Decision AI