Decitron: Mô hình AI ra quyết định tổng thể đầu tiên trên toàn cầu đã được phát hành

Việc tạo ra câu trả lời đang trở thành khả năng nền tảng của AI, trong khi suy luận thế giới thực mới là mệnh đề khó hơn ở giai đoạn tiếp theo.

Quyết định thực tế không phải là một câu hỏi đáp tĩnh. Nó xảy ra trong một thế giới liên tục thay đổi, nơi nhiều chủ thể hành động đồng thời, thông tin không đầy đủ và đầy rẫy sự không chắc chắn.

Ví dụ, một mô hình mã nguồn mở mới đột ngột hạ giá thành, liệu các công ty sở hữu mô hình hàng đầu có theo kịp bằng cách giảm giá không? Các nhà cung cấp đám mây, nhà phát triển và công ty ứng dụng sẽ tái sắp xếp vị thế ra sao? Trong những quyết định như vậy, hành động của một bên sẽ thay đổi điều kiện mà các bên khác phải đối mặt trong bước tiếp theo, và những phản ứng mới sẽ tiếp tục làm thay đổi tình thế. Giống như một ván cờ mà tất cả người chơi cùng đặt quân một lúc, mỗi nước đi đều làm thay đổi cục diện.

Chính trong bối cảnh này, sau khi hệ thống ra quyết định Decitron của Zhongke Wenge (gọi tắt là Decitron) được ra mắt, nó đã được nhiều phương tiện truyền thông công nghệ hàng đầu gọi là “mô hình quyết định phổ quát đầu tiên trên thế giới”. Thuật ngữ này nhấn mạnh không phải là sự xuất hiện lần đầu tiên của một công nghệ đơn lẻ như mô hình thế giới, đa tác nhân hay giải pháp trò chơi, mà là Decitron lần đầu tiên tích hợp những khả năng này vào một khung quyết định hướng tới thế giới mở, tạo thành một vòng khép kín hoàn chỉnh gồm mô hình hóa liên tục, suy diễn, giải quyết và hiệu chỉnh.

“Chung” có nghĩa là nó cố gắng trừu tượng hóa các vấn đề ra quyết định phức tạp từ các lĩnh vực khác nhau thành một cấu trúc chung — trạng thái thế giới, các thực thể tham gia, không gian hành động, mối quan hệ ràng buộc, tương tác nhiều vòng và kết quả không chắc chắn — và liên tục suy luận, giải quyết trong cùng một khung khổ.

Địa chỉ báo cáo kỹ thuật: https://chinaxiv.org/abs/202608.00064

Ngày 3 tháng 8, báo cáo kỹ thuật đầy đủ của Decitron đã chính thức được phát hành, lần đầu tiên công khai hệ thống ba đóng góp công nghệ cốt lõi của nó:

Thứ nhất, đề xuất mô hình thế giới rõ ràng MetaWorld, sắp xếp thông tin đa nguồn thành trạng thái thế giới có cấu trúc, bền vững và có thể tính toán cùng mô hình nhân quả của nó; thứ hai, sử dụng biểu diễn hình thức State–Action–Outcome (SAO), chuyển đổi các quyết định phức tạp thành dạng biểu đạt và suy luận có thể tính toán; thứ ba, xây dựng kiến trúc suy luận hỗn hợp AutoABM tích hợp mô phỏng đa tác nhân, suy luận trò chơi và tối ưu hóa hình thức, giải quyết các vấn đề quyết định phức tạp như cân bằng trò chơi, lập kế hoạch chiến lược và thỏa mãn ràng buộc dựa trên hệ thống suy diễn quyết định đa tác nhân. Ba yếu tố này cùng nhau tạo nên nền tảng kỹ thuật của cơ chế ra quyết định, với mục tiêu biến các phán đoán một lần của hệ thống AI thành một quá trình tính toán và suy diễn liên tục cập nhật theo sự thay đổi của thế giới.

Hiện tại, các năng lực then chốt mà AI cần để thực hiện "diễn tập ra quyết định" (như mô hình thế giới, đa tác nhân, suy luận trò chơi, dự đoán xác suất) thực tế đã lần lượt xuất hiện. Khó khăn thực sự nằm ở chỗ: khi AI chuyển từ nhiệm vụ đóng sang thế giới thực mở, những năng lực này phải cùng phối hợp dựa trên một trạng thái thế giới duy nhất và liên tục được cập nhật, thay vì chỉ đưa ra các phân tích độc lập trong một lần Prompt duy nhất.

Hãy bắt đầu với mô hình thế giới. Khi nhắc đến World Model, mọi người thường nghĩ ngay đến các mô hình thế giới vật lý chủ yếu hướng đến thị giác, không gian, vật lý hoặc môi trường robot như Sora, World Labs, V-JEPA. Trong khi đó, MetaWorld do Decision Machine đề xuất lại tập trung vào các bối cảnh ra quyết định phức tạp hơn: kinh tế, chính sách, cạnh tranh doanh nghiệp, địa chính trị—những hệ thống mở với các thực thể, biến số, mối quan hệ và ràng buộc được mô hình hóa phức tạp hơn nhiều.

MetaWorld có thể được xem là sự mở rộng của mô hình thế giới sang hệ thống xã hội, cần xử lý ba vấn đề nan giải: sự khác biệt về quy tắc, tính phản xạ (tương tác hai chiều và ảnh hưởng vòng lặp giữa nguyên nhân và kết quả) và sự không chắc chắn không thể loại bỏ hoàn toàn. Điều này cũng đặt ra một câu hỏi trực tiếp: nếu phán đoán về thế giới hiện tại có sai lệch, liệu các suy diễn sau đó có bị lệch theo không?

Khi tham gia vào hệ thống xã hội, việc chỉ duy trì trạng thái môi trường là chưa đủ; AI còn phải phán đoán hành vi của các bên tham gia khác. Richelieu do nhóm Meta CICERO, Đại học Bắc Kinh và các nhóm khác đề xuất đã thể hiện khả năng tương tác và cạnh tranh giữa nhiều tác nhân trong điều kiện thông tin hạn chế; còn đối với các quyết định thực tế trong thế giới mở, sau khi mô phỏng hành động của các bên, cần tiếp tục đánh giá tính khả thi của chiến lược, các điểm cân bằng có thể xảy ra trong cuộc cạnh tranh, cũng như xác suất và điều kiện của các kịch bản tương lai khác nhau.

Ý nghĩa của cơ chế ra quyết định nằm ở đây: kiến trúc suy luận hỗn hợp AutoABM của nó thống nhất việc hiểu ngữ nghĩa của LLM, biểu diễn cấu trúc SAO, mô hình hóa và mô phỏng đa tác nhân, cùng với suy luận và tối ưu hóa chiến lược trên cùng một chuỗi thực hiện, kết nối liền mạch bốn bước: “hiểu thế giới — mô phỏng suy diễn — tìm giải pháp ra quyết định — đánh giá tương lai”.

Máy ra quyết định bao gồm sáu cấp độ: đầu vào và nhiệm vụ, dữ liệu và tri thức, mô hình hóa và hình thức hóa, mô phỏng và suy luận, dự đoán và hiệu chỉnh, báo cáo và giải thích, tạo thành một chuỗi hoàn chỉnh từ thông tin thực tế đến đầu ra quyết định.

Tiếp theo, chúng ta sẽ lấy ví dụ “Trong sáu tháng tới, xung đột thương mại phức tạp này có thể phát triển như thế nào?” để xem cơ chế ra quyết định如何从现实信息出发，一步步建立当前世界状态、模拟各方行动、推演未来可能出现的不同路径，以及这些路径会在什么条件下发生。

Bước đầu tiên: Đừng vội suy diễn tương lai, trước tiên hãy làm rõ “hiện tại đang xảy ra điều gì” và những sự thật nào đáng tin cậy.

Thông tin từ thế giới thực rất hỗn loạn, có thể trùng lặp hoặc mâu thuẫn lẫn nhau, hoặc đã lỗi thời. Máy ra quyết định đầu tiên chuyển vấn đề của người dùng thành một nhiệm vụ có cấu trúc, xác định rõ cần trả lời điều gì, liên quan đến những chủ thể nào, quan sát trong khoảng thời gian bao lâu, và có những ràng buộc nào. Trong ví dụ này, hệ thống sẽ xác định các bên tham gia chính trong xung đột, phạm vi thời gian và trọng tâm tranh chấp hiện tại, sau đó sắp xếp các điều kiện có thể ảnh hưởng đến sự thay đổi của tình hình như thuế quan, chuỗi cung ứng, chính sách công nghiệp, hành vi doanh nghiệp... và thu thập thông tin từ các nguồn khác nhau như báo chí, mạng xã hội, báo cáo nghiên cứu... dựa trên các yếu tố này.

Hình 2: Sơ đồ quy trình xử lý dữ liệu

Thông tin thu thập được sẽ được xử lý qua các bước loại bỏ trùng lặp, phân cụm và trích xuất sự kiện, sau đó được sắp xếp thành dòng thời gian sự kiện và một tập hợp các đơn vị bằng chứng chi tiết hơn. Sau đó, hệ thống đánh giá chất lượng thông tin từng mục thông qua Điểm Chất lượng Bằng chứng (EQS), bao gồm mức độ liên quan đến câu hỏi hiện tại, độ tin cậy của nguồn, tính cập nhật và đầy đủ của nội dung, cũng như sự nhất quán giữa các nguồn khác nhau. Đồng thời, dựa trên mức độ tin cậy khác nhau của các bằng chứng, hệ thống sẽ xác định hướng đi của chúng, trong đó các bằng chứng có độ tin cậy cao sẽ được chuyển trực tiếp sang giai đoạn suy luận tiếp theo.

Nếu bằng chứng hiện có chưa đủ hoặc có mâu thuẫn giữa các nguồn khác nhau, hệ thống sẽ tiếp tục thực hiện suy luận và truy vấn luân phiên dựa trên ReAct, điều chỉnh cuộc tìm kiếm tiếp theo dựa trên thông tin còn thiếu và bổ sung thông tin mới tìm được vào dòng thời gian hiện có.

Hình 3: Sử dụng cơ chế luân phiên suy luận và truy vấn dựa trên ReAct

Bước thứ hai, chuyển đổi các sự kiện đã được lọc thành một “trạng thái thế giới” được cập nhật liên tục. Các sự kiện cho biết hệ thống đã xảy ra điều gì, tiếp theo cần xác định thêm: những thay đổi này cộng dồn lại, thì hiện tại thế giới đang ở trạng thái gì.

Máy ra quyết định sử dụng biểu diễn State–Action–Outcome (SAO) để hình thức hóa quá trình này, trong đó State mô tả trạng thái hiện tại của thế giới, Action ghi lại các hành động mà mỗi Agent thực hiện trong trạng thái hiện tại, và Outcome ghi lại các kết quả như lợi nhuận, tổn thất, chi phí và rủi ro do các hành động mang lại. Lưu ý rằng State phân biệt giữa trạng thái vĩ mô và các trạng thái chi tiết hơn có thể định lượng được. Trong trường hợp này, sự leo thang căng thẳng có thể là trạng thái vĩ mô, trong khi mức thuế quan, giá cả hàng hóa, mức độ ảnh hưởng đến chuỗi cung ứng... có thể được ghi nhận trong các trạng thái chi tiết hơn.

Ngoài ra, hệ thống còn xem xét riêng các cú sốc bên ngoài, chẳng hạn như sự thay đổi chính sách đột ngột, biến đổi môi trường hoặc các sự kiện khác ngoài sự kiểm soát của Agent. Sau khi một hành động và sự kiện bên ngoài xảy ra, trạng thái thế giới sẽ được cập nhật. Trạng thái đã cập nhật sau đó trở thành điểm khởi đầu cho hành động tiếp theo. Quá trình này lặp đi lặp lại, tạo thành một quỹ đạo SAO liên tục.

Hình 4: Quy trình vận hành của SAO

MetaWorld chịu trách nhiệm duy trì các trạng thái này, đầu ra là một cấu trúc trạng thái thế giới có thể tính toán và cập nhật. Trạng thái có thể chia thành ba cấp độ: Environment Layer ghi lại môi trường chung mà tất cả các bên tham gia chia sẻ, chẳng hạn như giai đoạn tình hình, giá tài nguyên, v.v.; Agent Metrics Layer ghi lại tài nguyên, khả năng và tiến độ mục tiêu của từng Agent; Relationship Matrix Layer ghi lại sự thay đổi trong mối quan hệ giữa các Agent khác nhau.

MetaWorld cũng sử dụng DAG nhân quả (Causal Directed Acyclic Graph) để ràng buộc cách trạng thái thay đổi: các ảnh hưởng có thể có giữa các biến đã được tổ chức vào đồ thị nhân quả trong giai đoạn mô hình hóa. Trong quá trình suy diễn, hệ thống cập nhật trạng thái các nút và trọng số các cạnh nhân quả, nhưng không tạo lại đồ thị nhân quả sau mỗi vòng lặp.

Điều này rất quan trọng đối với các dự đoán dài hạn. Sự thay đổi thuế trong vòng trước đã ảnh hưởng đến giá cả, giá cả lại thay đổi lựa chọn của doanh nghiệp và phản ứng của các bên tham gia khác, những thay đổi này cần được ghi lại để tiếp tục tính toán về sau. MetaWorld đảm nhận vai trò của “sổ cái thế giới” được cập nhật liên tục này.

Bước thứ ba, với trạng thái thế giới đã có, các tác nhân bắt đầu hành động. Mô hình hóa dựa trên tác nhân (ABM) truyền thống thường yêu cầu các chuyên gia định nghĩa trước các bên tham gia, quy tắc hành vi, biến môi trường và cơ chế tương tác. Nếu thay đổi câu hỏi, nhiều thứ cần được mô hình hóa lại. AutoABM do Cơ quan Quyết định đề xuất tự động hóa bước này: trước một câu hỏi bằng ngôn ngữ tự nhiên, hệ thống sẽ kết hợp bằng chứng bên ngoài để trích xuất các bên tham gia, mục tiêu và ràng buộc, không gian hành động, biến môi trường và mối quan hệ nhân quả, sau đó xây dựng môi trường mô phỏng đa tác nhân dựa trên những thông tin này.

Một cuộc xung đột thương mại có thể đồng thời bao gồm nhiều tác nhân khác nhau như chính phủ, doanh nghiệp, tổ chức ngành và người tiêu dùng, mỗi bên đều có mục tiêu, nguồn lực, sở thích rủi ro và những đường đỏ không thể vượt qua của riêng mình. Những tác nhân này không có góc nhìn toàn cầu, mà chỉ có thể hành động dựa trên thông tin cục bộ mà họ nắm được.

Trong từng vòng hành động, Agent sẽ truy xuất các tương tác và lịch sử trước đó, sau đó đánh giá cơ hội, rủi ro và các ràng buộc trong tình hình hiện tại, tạo ra một số chiến lược lựa chọn và đưa ra quyết định. Đồng thời, mỗi vòng không chỉ đẩy theo một hướng duy nhất; hệ thống đồng thời triển khai nhiều trạng thái thế giới khác nhau, bao gồm các lộ trình cân bằng tương đối ổn định, các hướng phát triển lạc quan hoặc bi quan, cũng như các nhánh ảnh hưởng cao nhưng có xác suất thấp, nhưng nếu xảy ra sẽ làm thay đổi rõ rệt tình hình. Sau đó, các lộ trình này sẽ được lọc và xác minh, cập nhật trạng thái thế giới, và chuyển sang vòng tiếp theo. Khi các bên tiếp tục hành động, một số lộ trình sẽ mất điều kiện tồn tại, trong khi những lộ trình khác trở nên có khả năng cao hơn.

Hình 5: Mô hình hành vi của Agent

Ngoài mô phỏng đa tác nhân, các quyết định phức tạp còn cần một “trọng tài toán học”. Các tác nhân đa giác có thể đưa ra nhiều lộ trình tương lai có vẻ hợp lý, nhưng việc nghĩ ra không đồng nghĩa với việc thực hiện được—quyết định thực tế còn bị ràng buộc bởi các yếu tố cứng như ngân sách, nguồn lực, thời gian, ranh giới chính sách và mối quan hệ cân bằng giữa các bên.

Máy ra quyết định đã tích hợp khả năng giải quyết dạng thức, bao gồm năm loại vấn đề: lý thuyết trò chơi cổ điển, phân bổ tài nguyên và tối ưu hóa, lập kế hoạch và điều phối đường đi, suy luận xác suất trong điều kiện không chắc chắn, và thỏa mãn ràng buộc. Ví dụ: cách phân bổ tài nguyên khi ngân sách hạn chế, các cân bằng có thể hình thành trong trò chơi đa bên, hay một chiến lược có vượt qua ranh giới đã định hay không, tất cả đều có thể được tính toán ở cấp độ này. Trong các vấn đề trò chơi, hệ thống còn tích hợp sẵn 9 loại trò chơi nguyên tử cổ điển như nghịch lý tù nhân, trò chơi săn hươu, trò chơi gà, trò chơi tổng bằng không, v.v., bao phủ 144 cấu trúc topo trò chơi 2×2 Robinson–Goforth, nhằm nhận diện và giải quyết các cấu trúc trò chơi khác nhau.

Trọng tâm của lớp này là đưa các chiến lược ứng cử do nhiều tác nhân tạo ra trở lại vào khuôn khổ tính toán về trò chơi, ràng buộc và tối ưu hóa, giúp cho việc “hợp lý về mặt ngữ nghĩa” trở thành “có thể kiểm tra về mặt hình thức”.

Trên bộ chuẩn TMGBench để kiểm tra khả năng博弈 của nhiều tác nhân, độ chính xác của cân bằng quyết định đạt 99,4%, độ chính xác nhận dạng topo là 100%, thời gian giải trung bình là 0,8 giây và điểm giải thích là 4,3/5,0.

Bảng 2: Năm loại vấn đề giải pháp chính

Sự phân công giữa mô phỏng đa tác nhân và giải pháp hình thức rất rõ ràng: cái trước chịu trách nhiệm mở rộng các lộ trình có thể xảy ra; cái sau chịu trách nhiệm kiểm tra xem các lộ trình này có vững chắc dưới các ràng buộc và cấu trúc trò chơi hay không.

Ở khâu cuối cùng của quá trình mô phỏng, vẫn còn một vấn đề then chốt: các con đường tương lai đã được trình bày trước đó, mỗi con đường có khả năng xảy ra bao nhiêu? Để giải quyết vấn đề này, máy ra quyết định đã thiết lập các giai đoạn dự báo và hiệu chỉnh (Forecasting & Calibration).

Trên cơ sở các đường dẫn ứng cử đã được xác định trước, lớp này tiếp tục xử lý sự không chắc chắn: hệ thống kết hợp kết quả suy luận mô hình và tín hiệu hiệu chỉnh bên ngoài để gán xác suất cho các kết quả khác nhau, sau đó hiệu chỉnh các xác suất này bằng thông tin thị trường dự đoán, hiệu suất dự đoán lịch sử và các quy tắc đánh giá xác suất. Máy ra quyết định không còn chỉ đưa ra một chuỗi mô tả các kịch bản “có thể xảy ra”, mà các đường dẫn khác nhau còn đi kèm với các phán đoán xác suất tương ứng, và sẽ tiếp tục được cập nhật khi có thêm bằng chứng và kết quả suy luận mới.

Chúng ta có thể hiểu nó như một bản đồ "tương lai" thay đổi liên tục: các cuộc xung đột thương mại tiếp tục leo thang, hai bên tạm thời hạ nhiệt, hoặc xuất hiện các biến số đột xuất mới, đều có thể trở thành các nhánh khác nhau. Hệ thống đánh giá khả năng xảy ra của từng con đường và những thay đổi nào sẽ làm cho một con đường trở nên có khả năng xảy ra hơn.

Hình 6: Mô-đun dự đoán xác suất

至此，决策机将一轮完整的决策推演串联了起来。

Báo cáo sử dụng vài nhóm thí nghiệm để kiểm tra hệ thống suy diễn của máy ra quyết định, kết quả đáng chú ý nhất là « suy diễn sự kiện và dự đoán xác suất ».

Trước tiên, hãy xem xét bộ dữ liệu dự đoán sự kiện tự xây dựng, để quan sát xem liệu việc suy luận có cấu trúc có thể cải thiện dự đoán sự kiện hay không. Nhóm đã tự xây dựng một bộ dữ liệu bao gồm 74 sự kiện và 370 câu hỏi phán đoán nhị phân, bao phủ nhiều danh mục sự kiện có độ bất ổn cao, đồng thời đưa vào đánh giá các khoảng thời gian dự đoán khác nhau. Trong thiết lập đánh giá của nhóm, kết quả tổng thể của máy ra quyết định là 78,41%.

Ngoài ra, trong thiết lập LLM-NEWS, đối với nhóm ngắn hạn 3-30 ngày, kết quả của cơ chế ra quyết định là 72,80%, trong khi GPT-5.5 và Claude-4.7 lần lượt là 35,43% và 44,62%; khi chuyển sang giai đoạn trung hạn và dài hạn, khoảng cách này dần thu hẹp. Nói cách khác, trong các bối cảnh ngắn hạn nơi tình hình thay đổi nhanh chóng và các quy luật lịch sử khó áp dụng, lợi thế tương đối của suy luận có cấu trúc rõ ràng hơn.

Sau đó là các thí nghiệm bổ sung trên nền tảng dự đoán công khai PolyBench.

FFA (Tỷ lệ chính xác dự đoán cuối cùng) của Decision Machine là 81,20%, EVPA (Tỷ lệ chính xác dự đoán độ biến động kỳ vọng) là 73,40%, MSE (Sai số bình phương trung bình) là 0,822, tất cả đều vượt trội so với Gemini-3-Flash, MiMo-V2-Flash và Grok-4.1-Fast. Điều này cho thấy Decision Machine đã thể hiện hiệu suất tốt hơn trong việc nắm bắt hướng thay đổi xác suất thị trường và kiểm soát sai số xác suất.

AI sinh thành sử dụng token làm đơn vị tính toán cơ bản, giải quyết vấn đề “làm thế nào để sinh ra đoạn nội dung tiếp theo”; trong khi AI ra quyết định lấy sự thay đổi của trạng thái thế giới làm đối tượng tính toán cơ bản, giải quyết vấn đề “một hành động sẽ thay đổi thế giới tiếp theo như thế nào”. Người前者 quan tâm đến việc câu trả lời có hợp lý không, trong khi người后者 còn phải xử lý mối quan hệ nhân quả, ràng buộc thực tế, phản ứng của đối thủ và sự thay đổi xác suất. Hai loại này không đơn thuần là sự cộng gộp năng lực, mà là sự thay đổi về mô hình tính toán.

Việc ra đời của AI ra quyết định không thể tự nhiên xảy ra chỉ nhờ vào việc tăng kích thước tham số và khả năng ngôn ngữ mạnh mẽ hơn. Sau khi bước vào thế giới mở, mô hình nền tảng vẫn quan trọng, nhưng nó bắt đầu chuyển từ vai trò là toàn bộ hệ thống thành một thành phần của hệ thống ra quyết định. Đơn vị cạnh tranh của AI cũng chuyển từ mô hình đơn lẻ sang hệ thống hoàn chỉnh.

Ý nghĩa kỹ thuật của cơ chế ra quyết định nằm ở chỗ nó tổ chức các năng lực trước đây phân tán thành một cấu trúc ra quyết định chung. Khái niệm “phổ quát” không có nghĩa là dự đoán trước tương lai của mọi lĩnh vực, mà là các vấn đề từ các lĩnh vực khác nhau đều có thể được dịch chuyển thành trạng thái, hành động, kết quả, ràng buộc và sự không chắc chắn, rồi đưa vào cùng một khung suy luận và giải pháp.

Từ góc độ này, giá trị thực sự của “mô hình quyết định phổ quát đầu tiên trên toàn cầu” không chỉ nằm ở việc giành lấy danh hiệu “đầu tiên”, mà còn ở việc tạo ra một bức tranh kỹ thuật tương đối hoàn chỉnh cho “mô hình quyết định phổ quát”: mô tả thế giới bằng trạng thái rõ ràng, triển khai hành động thông qua nhiều tác nhân, kiểm tra chiến lược thông qua lý thuyết trò chơi và tối ưu hóa, sau đó điều chỉnh xác suất cho các lộ trình tương lai khác nhau. Tương ứng, tiêu chí đánh giá AI cũng bắt đầu thay đổi — không chỉ xem xét câu trả lời có chính xác hay không, mà còn xem xét liệu trạng thái có được duy trì nhất quán không, quá trình suy diễn có thể được kiểm chứng không, xác suất có đáng tin cậy không, và liệu hệ thống có thể cập nhật kịp thời khi có thông tin mới xuất hiện không.

Sau tất cả, một câu trả lời nghe có vẻ đúng không đồng nghĩa với một quyết định có thể chịu được sự thay đổi của thực tế.

Bài viết này đến từ tài khoản WeChat “Machine Heart” (ID: almosthuman2014), tác giả: Chú trọng AI ra quyết định