项目状态：二元。
设计这个方案让我乐在其中。这不可能算是工作。
开头很奇怪。这个方案看起来如此显而易见，以至于肯定早就有人想到了。一个确定性的仲裁者，实时编排各个生成式AI。而它们对所处理对象的状态是盲的。
系统并不完美。尽管它在概念上捕捉了生成式AI的常见行为错误，仍存在残余错误率。意识到这一点让我停顿了一周。One-Of-Us在运行时检测相关性错误；而在投产前主动预测所有情况仍是未解问题。我可以知道它们历史上在哪里一起失败过，把它们撤出组件池，在放回生产之前进行测试。也可以在固定种子的同时调高对抗性AI的温度。但我无法保证100%的错误检测，这是实话。其余的审计LLM、布尔模块和一套（我认为）不错的质量管理体系可以缓解这种错误。但无法消除它。不过，如果系统通过人类的介入从现实中获得反馈，它会趋向完美。完美的程度，取决于负责人心中现实模型的完美程度。
在验证了底层数学设计之后，我探索了不同的理论商业化路径，研究了架构的部署轨迹：公共与私人融资、技术平台推广、技术转移、陌生拜访、在专业网络中的深度参与，等等。我没有社交网络。养猫老太太的怪癖。
我独自一人在人工智能行为上达到重要的技术深度，这很反常。它听起来像疯话，这让我怀疑。我既不能否认，也不能绝对肯定。毕竟，这是一个建立在“AI会出错”之上的系统，由概率性AI和我自己验证（并在开发过程中推翻）。麻烦就在这儿。我与市场脱节。我住在一个精确的宇宙里。所以我没有人脉。我本期望我的工作能为自己说话。但传达其内容的初始困难、对我自身讨好偏差的方法性怀疑，以及先前信誉的缺失，加在一起，让天平倾斜。这也压在我心头。
我质疑过系统的经验同构性。只有一次严格而客观的概念验证（PoC），才能证明数据完整性的提升、人工监督的结构化和错误率的下降，是否足以证明实施及其增加的计算成本是值得的。要传达一个复杂的问题和一个与之相称的解决方案，无论多么力求通俗，都很困难。所以我决定制作视频，展开我多年与概率性AI打交道中发现的问题。这在我看来是最自然、最诚实的做法。也是我在数月过度专注于架构之后最想做的事。
一切皆有可能。