top of page

Osmo AI Nose twierdzi, że dorównuje ludziom węchem

26 minut temu
10 minut(y) czytania

Osmo twierdzi, że jego AI nose dorównuje obecnie przeciętnemu człowiekowi w wykrywaniu i rozróżnianiu zapachów, rozszerzając deklarację, która nadal wymaga niezależnych testów. To rozróżnienie ma znaczenie, ponieważ opisywanie cząsteczki, projektowanie zapachu i rozpoznawanie woni poza laboratorium to różne osiągnięcia.

Twierdzenie pojawiło się w relacjach opublikowanych 18 listopada 2026 r., a nie jako niezależnie potwierdzone ustalenie o powszechnej równości z ludźmi. Osmo porównuje też swoje możliwości projektowania zapachów z umiejętnościami młodszego perfumiarza. Te deklaracje wskazują konkretne zadania zawodowe jako część jego ambicji, pozostawiając jednak pomiar tych zdolności kluczowym elementem tej historii.

Istnieje naukowy precedens. Badanie opublikowane w Science w 2023 r. wykazało, że wcześniejszy model lepiej przewidywał opisy wyszkolonego panelu niż medianowy uczestnik panelu. Obecne napięcie dotyczy tego, jak daleko wynik ten rozciąga się na pracę komercyjną i środowiska fizyczne. Twórcy zapachów stoją przed praktycznym pytaniem: które decyzje oprogramowanie może ulepszyć, a które nadal wymagają, by ktoś ocenił rezultat węchem?

Co faktycznie obejmuje deklaracja dotycząca Osmo AI nose

Najnowsze twierdzenie Osmo obejmuje kilka zadań, a każde z nich wymaga własnych dowodów. Wykrywanie zapachu pyta, czy dana woń jest obecna. Rozróżnianie pyta, czy próbki pachną inaczej. Opis łączy próbkę z językiem sensorycznym, natomiast projektowanie zapachu proponuje mieszankę mającą wywołać pożądane doświadczenie.

Te rozróżnienia zapobiegają znanemu błędowi w relacjonowaniu AI: traktowaniu sukcesu w powiązanych zadaniach jako jednej miary inteligencji. System przewidujący etykiety opisowe nie potwierdza automatycznie swojej czułości na słabe chemikalia unoszące się w powietrzu. Formuła, która brzmi odpowiednio, nie dowodzi, że gotowy zapach zadowala klienta.

MIT Technology Review w artykule o twierdzeniu dotyczącym ludzkiego poziomu węchu opisuje wysiłki Osmo na rzecz połączenia ludzkich ocen sensorycznych z pomiarami chemicznymi. W pobliżu lotniska Newark w New Jersey doświadczeni ludzcy oceniający pomagają dostarczać opisy wykorzystywane do trenowania modeli. Ich udział umieszcza ludzką percepcję wewnątrz procesu rozwoju.

Ta relacja jest niezbędna do interpretacji języka używanego przez firmę. Model bazowy to szeroko trenowany model przeznaczony do obsługi wielu zadań dalszego zastosowania. Przypisanie tej etykiety węchowi wyraża ambicję ponownego wykorzystania w różnych zastosowaniach. Samo w sobie nie potwierdza jednak, że wydajność niezawodnie przenosi się między tymi zastosowaniami.

Relacjonowane porównanie z młodszym perfumiarzem również zasługuje na konkretną interpretację. Tworzenie zapachów obejmuje generowanie kandydatów, ocenę mieszanek, interpretowanie informacji zwrotnych i dostosowywanie kompozycji. Dorównanie w jednej części tego procesu byłoby istotne komercyjnie. Dorównanie w całej roli wymagałoby dowodów obejmujących pełną sekwencję.

Demonstracja reportera ilustruje tę granicę. Zgodnie z dostarczoną relacją polecenie wygenerowało trzy proponowane formuły, ale reporter nie otrzymał ani nie ocenił odpowiadających im zapachów. Ta obserwacja wspiera twierdzenie o generowaniu propozycji. Nie rozstrzyga ich rzeczywistej jakości sensorycznej.

Właśnie dlatego listopadowe relacje mają znaczenie, nie ustanawiając jednak uniwersalnego kamienia milowego. Osmo wysuwa szersze twierdzenie o możliwościach technologii, która ma już historię badań. Użyteczna odpowiedź polega na rozdzieleniu jego komponentów i zapytaniu, co zmierzono dla każdego z nich.

Dla czytelników centralne pytanie jest więc konkretne. Co weszło do systemu, co z niego wyszło i kto sprawdził wynik? Te szczegóły określają, czy demonstracja pokazuje interpretację języka, przewidywanie chemiczne, produkcję zapachu czy rozpoznanie fizycznej próbki.

System komercyjny może nadal zapewniać wartość, zanim każdy komponent osiągnie poziom człowieka. Pomaganie ekspertom w wyborze lepszych punktów wyjścia jest znaczącym rezultatem produktowym. Potwierdzenie takiego rezultatu wymaga innych dowodów niż ogłoszenie, że zmysł węchu maszyny jest równoważny zmysłowi człowieka.

Twórcy zapachów stoją przed pytaniem o proces pracy

Krótkoterminowa presja dotyczy procesów tworzenia zapachów, w których użyteczne propozycje nadal wymagają fizycznej oceny. Twierdzenie Osmo podważa sposób, w jaki zespoły dzielą pracę między oprogramowanie a doświadczonych oceniających. Nie dowodzi, że firmy powinny usuwać ocenę sensoryczną ze swojego procesu.

Rozważmy hipotetyczny brief dotyczący zapachu, który ma sprawiać wrażenie świeżego, nie pachnąc przy tym wyraźnie cytrusowo. Model mógłby zaproponować kompozycje kandydackie pasujące do tych słów. Nabywca nadal musi ustalić, czy gotowe mieszanki przekazują zamierzone wrażenie i pozostają odpowiednie dla produktu.

Ta luka tworzy konkretną szansę komercyjną. Oprogramowanie, które pomaga zespołom wcześniej dotrzeć do obiecujących kandydatów, ograniczyłoby nieproduktywne poszukiwania. Istotnym porównaniem jest jednak pełny proces rozwoju, obejmujący odrzucone propozycje i poprawki, a nie tylko szybkość wygenerowania początkowej odpowiedzi.

To samo rozróżnienie dotyczy referencji klientów. Udział firmy w projekcie pokazuje zainteresowanie lub zaangażowanie. Nie ujawnia automatycznie, jak szeroko system działa, jak często ludzie go korygują ani czy projekt poprawia wyniki biznesowe.

Nabywcy potrzebują zatem jasnej definicji wspieranej decyzji. Czy system sugeruje składniki, szereguje proponowane mieszanki, interpretuje pisemny brief czy ocenia zmierzoną próbkę? Każda funkcja wprowadza inne zależności i każda oferuje inny sposób oceny wartości.

Dla perfumiarza użyteczny asystent może poszerzyć zestaw kandydatów wartych rozważenia. Dla menedżera produktu korzyść może oznaczać jaśniejszą iterację między briefem kreatywnym a próbką laboratoryjną. Żaden z tych rezultatów nie wymaga twierdzenia, że odtworzono każdy aspekt ludzkiego węchu.

Presja na ugruntowane zespoły ma w konsekwencji charakter praktyczny, a nie egzystencjalny. Jeśli rozwój wspomagany modelem daje akceptowalne wyniki przy mniejszej liczbie nieudanych iteracji, ich obecne procesy zasługują na ponowne rozważenie. Jeśli atrakcyjne propozycje wymagają rozległych poprawek, dopracowany interfejs może ukrywać pracę, zamiast ją eliminować.

Zmienia to również sposób, w jaki zespoły powinny dokumentować oceny. Przechowywanie razem pierwotnego briefu, proponowanej kompozycji, opinii oceniającego i ostatecznej decyzji ułatwia odróżnienie wkładu modelu od późniejszych ludzkich korekt. Przeszukiwalna baza wiedzy może wspierać tę dokumentację, nie zastępując oceny sensorycznej.

Dla programistów integrujących taką technologię format wyjścia ma równie duże znaczenie jak nagłówkowa deklaracja możliwości. Proponowana formuła, oszacowanie pewności i opis brakujących informacji wspierają różne decyzje. Aplikacje powinny uwidaczniać te rozróżnienia osobom odpowiedzialnym za akceptację wyniku.

Najsilniejsza historia komercyjna połączyłaby wynik oprogramowania z zaakceptowanym produktem fizycznym i udokumentowaną korzyścią rozwojową. Dałoby to nabywcom dowody, które mogą porównać z własnymi procesami. Ogólne twierdzenie o inteligencji na poziomie człowieka nie może samo zapewnić takiego porównania.

Wcześniejsze badania wspierają węższy, mierzalny wynik

Opublikowana podstawa naukowa dotyczy przewidywania opisów zapachów przy określonym porównaniu z ludźmi. To znaczący wynik, a jego precyzja czyni go użytecznym. Zachowanie tych granic daje solidniejszą podstawę do oceny szerszych twierdzeń otaczających obecnie Osmo.

Badanie z 2023 r. dotyczące głównej mapy zapachów wykorzystało grafową sieć neuronową, czyli model przetwarzający relacje między połączonymi elementami. W tym przypadku elementy te reprezentowały struktury molekularne. Badacze dążyli do reprezentacji zachowującej relacje między chemią a postrzeganym zapachem.

W prospektywnym teście obejmującym 400 wcześniej niescharakteryzowanych substancji zapachowych opisy modelu były bliższe średniej wyszkolonego panelu niż opisy medianowego uczestnika panelu. Substancja zapachowa to substancja wytwarzająca zapach. Porównanie dotyczyło zgodności opisów w warunkach badania.

Punkt odniesienia ma znaczenie. Zgodność ze średnią panelu mierzy, jak dobrze model przewiduje wspólne opisy. Nie mierzy doświadczenia każdej osoby, każdego stężenia ani każdego możliwego środowiska. Wymagałoby to dodatkowych pytań i odpowiadających im eksperymentów.

Badanie ujawniło także powiązania komercyjne związane z Osmo. To ujawnienie pomaga czytelnikom ocenić, kto opracował technologię i kto ma interes w jej komercjalizacji. Recenzja naukowa i ujawnione interesy dostarczają kontekstu; żadne z nich nie eliminuje potrzeby zbadania, co faktycznie testował eksperyment.

Opis Monell dotyczący eksperymentu przewidywania zapachów przedstawia proces ludzkiej oceny. Uczestnicy nauczyli się słownictwa 55 deskryptorów i oceniali testowane substancje. To ustrukturyzowane podejście stworzyło wspólny język do porównywania wyników modelu z ludzkimi ocenami.

Dla każdego, kto szuka wyjaśnienia Osmo AI nose opartego na dowodach, jest to kluczowe rozróżnienie: kontrolowane zadanie predykcyjne czyni wydajność mierzalną. Wybrane słownictwo, próbki i metoda porównania określają, co oznacza wynik. Rozszerzenie twierdzenia wymaga rozszerzenia dowodów.

Użyteczną analogią jest model przewidujący, jak panel opisze fotografię. Silna zgodność potwierdzałaby coś na temat opisów. Pozostawiałaby osobne pytania o obsługę aparatu, rozpoznawanie sceny przy słabej widoczności lub decydowanie o tym, jakie działanie podjąć.

Podobnie przewidywanie zapachów może wspierać wartościową pracę, nie dowodząc pełnego sztucznego węchu. Może pomagać badaczom organizować cząsteczki kandydackie lub szacować prawdopodobne cechy sensoryczne. To, czy te prognozy usprawniają określone zastosowanie komercyjne, zależy od danych wejściowych i kryteriów akceptacji danego zastosowania.

Historyczny wynik zmienia też sposób, w jaki należy przedstawiać listopadowe twierdzenie. Wydajność porównywalna z ludzką w konkretnym eksperymencie z opisem zapachów była już częścią dorobku badawczego w 2023 r. Obecne wiadomości dotyczą szerszej charakterystyki możliwości Osmo i proponowanego praktycznego zasięgu tych możliwości.

To rozróżnienie pozwala uniknąć traktowania starszego wyniku naukowego jako nowo ustanowionego wydarzenia. Daje też firmie uczciwszy test. Pytanie brzmi, co jej nowsze systemy dodają ponad opublikowaną bazę oraz jak zewnętrzni oceniający mogą zweryfikować te dodatki.

Osmo kontra elektroniczne nosy obejmuje różne granice systemu

Model przewidujący zapach i urządzenie pobierające próbki powietrza rozwiązują powiązane, lecz odmienne problemy. Sukces komercyjny zależy od tego, jak te komponenty współpracują. Porównywanie firm bez sprecyzowania tej granicy grozi pomyleniem możliwości oprogramowania z kompletnym systemem wykrywania.

Elektroniczny nos to system interpretujący reakcje czujników chemicznych w celu identyfikowania lub klasyfikowania wzorców zapachowych. Dane wejściowe zaczynają się od fizycznej próbki. Natomiast model predykcyjny może działać na reprezentacji molekularnej bez niezależnego zbierania czegokolwiek z otaczającego powietrza.

Aryballe oferuje istotne porównanie historyczne. Profil CEA z grudnia 2022 r. opisuje jego podejście do cyfrowego wykrywania zapachów jako porównywanie mierzonych zapachów z odniesieniami w bibliotece. Profil wskazuje rozwój produktów przemysłowych i kontrolę jakości jako jedne z jego zastosowań.

Opis ten podkreśla również wilgotność, stężenie oraz liczbę cząsteczek wytwarzających zapach jako źródła trudności. Zmienne te pomagają wyjaśnić, dlaczego wynik laboratoryjny nie może potwierdzać skuteczności w każdych warunkach. Proces pomiarowy pozostaje częścią ocenianego systemu.

To porównanie nie ustala aktualnego rankingu skuteczności między Aryballe a Osmo. Dostępne opisy dotyczą różnych możliwości i okresów raportowania. Wiarygodny ranking wymagałby wspólnych próbek, porównywalnych warunków i jasno zdefiniowanego zadania.

Pytanie Osmo vs elektroniczne nosy dotyczy zatem tego, gdzie proponowany system się zaczyna, a gdzie kończy. Czy otrzymuje znaną strukturę molekularną? Czy analizuje pomiary laboratoryjne? Czy bezpośrednio pobiera próbki z otoczenia? Te dane wejściowe tworzą różne możliwości i różne tryby awarii.

W hipotetycznym wdrożeniu kontroli jakości firma mogłaby potrzebować alertu, gdy produkt różni się od zaakceptowanego wzorca. Wygenerowanie sugestywnego opisu byłoby sprawą drugorzędną. Kupującego interesowałyby pominięte odchylenia, niepotrzebne alerty i niezawodna skuteczność w różnych warunkach pracy.

Zastosowanie w projektowaniu zapachów odwraca te priorytety. Jego użytkownicy mogliby najbardziej dbać o to, czy proponowane mieszaniny spełniają założenia kreatywne. Rozpoznanie nieoczekiwanego zapachu w otaczającym powietrzu niewiele by wnosiło, chyba że produkt wyraźnie obejmuje taką funkcję.

Z tego rozdzielenia wynika szersze wyzwanie strategiczne. Model wielokrotnego użytku staje się cenniejszy, gdy jego reprezentacje wspierają wiele zadań. Każde dodatkowe zadanie nadal jednak wymaga odpowiedniego procesu pomiarowego i oceny właściwej dla danego zastosowania.

W tym miejscu twierdzenia o ogólnej platformie zapachowej napotykają ograniczenia fizyczne. Lepsze oprogramowanie może poprawić interpretację dostępnych informacji. Nie może potwierdzić, że wdrożony czujnik zebrał właściwe informacje, jeśli również ta część procesu nie zostanie przetestowana.

Dla kupujących oceniających Osmo AI nose praktyczną jednostką porównania powinien być kompletny przepływ pracy. Do oceny należą zbieranie danych wejściowych, interpretacja przez model, weryfikacja przez człowieka i ostateczna decyzja. Takie podejście uwidacznia wąskie sukcesy, a zarazem odsłania luki, które szerokie etykiety mogą ukrywać.

Osąd człowieka pozostaje kluczowy dla luki weryfikacyjnej

Nierozstrzygniętą kwestią jest, jaka część szerszych twierdzeń Osmo wytrzymuje niezależne testy w jasno określonych warunkach. Udział ludzi nie unieważnia uczenia maszynowego. Oznacza jednak, że firma powinna wyjaśnić, gdzie wiedza ekspercka człowieka dostarcza danych treningowych, koryguje wyniki i określa sukces.

Dostarczone materiały opisują krytykę naukowca zajmującego się zapachem, Avery'ego Gilberta, dotyczącą dokumentacji i dalszego polegania na panelach sensorycznych. To zastrzeżenie dotyczy dowodów stojących za tymi twierdzeniami. Nie należy go przerabiać na dowód, że technologia zawodzi.

Michael Schmuker, który wcześniej konsultował się z Osmo, przedstawia w materiałach inną perspektywę. Uznaje osiągnięcie techniczne, jednocześnie podkreślając znaczenie kontekstu i ograniczeń czujników. Jego wcześniejsza relacja z firmą powinna towarzyszyć jego ocenie, ponieważ czytelnicy potrzebują obu informacji, aby właściwie zinterpretować ten punkt widzenia.

Te perspektywy mogą współistnieć. Model może stanowić znaczący postęp, podczas gdy jego marketing wykracza poza publicznie udokumentowane wyniki. Krytyk może wskazać uzasadniony problem weryfikacyjny, nie dowodząc przy tym, że badania leżące u podstaw technologii są bezwartościowe.

Kontekst wyznacza kolejną granicę. Zidentyfikowanie wzorca chemicznego i interpretacja jego znaczenia w konkretnym otoczeniu są odrębnymi ocenami. Ludzcy obserwatorzy wnoszą do doświadczenia zapachu oczekiwania dotyczące obiektu, miejsca i sytuacji.

System przeznaczony do kontrolowanego przepływu pracy przy tworzeniu zapachów może działać w ramach względnie zdefiniowanego zadania. Przejście w stronę rozpoznawania o otwartym charakterze rodzi pytania o nieznane próbki i zmienne warunki. Dowody z pierwotnego środowiska nie powinny po cichu stawać się dowodami dla rozszerzonego zastosowania.

Ta sama ostrożność dotyczy aspiracji medycznych lub związanych z bezpieczeństwem. W tych zastosowaniach błędne działanie systemu niesie inne konsekwencje. Jakość propozycji zapachowych nie potwierdza dokładności wykrywania chorób, a projekt eksploracyjny nie potwierdza gotowości do podejmowania decyzji klinicznych.

Rzetelna ocena powinna uwidaczniać zadanie porównawcze, zanim przedstawi wynik. Ewaluatorzy muszą wiedzieć, których próbek użyto, jak je wybrano i co uznano za poprawną odpowiedź. Muszą również rozumieć, jak często interweniowali ludzie.

Średnie wyniki wymagają szczególnej ostrożności. Podsumowujący rezultat może ukrywać różnice między próbkami łatwymi i trudnymi. Kupujący potrzebują dowodów istotnych dla przypadków ważnych w ich środowisku, w tym przypadków, w których system powinien przyznać się do niepewności.

Istnieje też różnica między odtworzeniem wyniku a powtórzeniem demonstracji firmy. Niezależni ewaluatorzy powinni kontrolować wystarczającą część procesu, aby testować twierdzenie, a nie podążać przygotowaną ścieżką. Dzięki temu nieudane przypadki stają się pouczające, zamiast niewygodne.

Firma nie musi ujawniać każdego szczegółu handlowego, aby ocena zewnętrzna stała się użyteczna. Może nadal definiować zadania, wyjaśniać protokoły i umożliwiać odpowiednio kontrolowane porównania. Kroki te uczyniłyby dyskusję bardziej precyzyjną zarówno dla zwolenników, jak i krytyków.

Właściwa obecna ocena jest ograniczona. Osmo ma opublikowane podstawy badawcze, szersze twierdzenia firmy oraz nierozstrzygnięte pytania dotyczące tego, jak te możliwości przekładają się na kompletne zastosowania. Zachowanie odrębności tych kategorii daje czytelnikom jaśniejszy obraz zarówno postępu, jak i niepewności.

Trzy sygnały wyjaśnią, co wydarzy się dalej

Kolejne użyteczne dowody powinny połączyć niezależne pomiary z wynikami fizycznymi i rezultatami klientów. W ciągu najbliższych kilku miesięcy warto obserwować opublikowane szczegóły oceny, ukończone analizy próbek i udokumentowane wyniki wdrożeń. Są to priorytety obserwacji, a nie zapowiedziane zobowiązania dotyczące premier.

Po pierwsze, warto wypatrywać oceny obecnego systemu dla konkretnego zadania, którą mogą zbadać zewnętrzni naukowcy. Najmocniejsza wersja wskazywałaby grupę porównawczą ludzi, wybór próbek, warunki testowe i sposób traktowania niepewnych odpowiedzi. Rozróżniałaby także wkład modelu od sprzętu pomocniczego i interwencji człowieka.

Takie dowody wzmocniłyby szersze twierdzenie, gdyby skuteczność utrzymała się w przypadku nieznanych próbek i powtarzanych ocen. Węższe wyniki nadal byłyby użyteczne, pod warunkiem że wnioski odpowiadają ich zakresowi. Dalsze poleganie na ogólnym języku dotyczącym możliwości pozostawiłoby obecną lukę weryfikacyjną w dużej mierze bez zmian.

Ocena powinna również wyjaśniać, co w praktyce oznacza „przeciętny człowiek”. Niewyszkoleni uczestnicy, przeszkoleni paneliści sensoryczni i pracujący perfumiarze stanowią różne punkty odniesienia. Wybór między nimi zmienia interpretację porównania, nawet gdy raportowany wynik pozostaje taki sam.

Po drugie, warto obserwować oceny, które prowadzą propozycje zapachowe aż do gotowych próbek fizycznych. Pozwoliłoby to odnieść się do luki między wygenerowaniem kompozycji a dostarczeniem rezultatu sensorycznego. Ewaluatorzy powinni znać założenia i oceniać otrzymane próbki bez polegania na przekonującości wygenerowanego opisu.

Korzystny wynik pokazałby, że generowanie propozycji przekłada się na użyteczne gotowe kandydaty. Rozległe przeformułowanie ujawniłoby, gdzie ludzka wiedza ekspercka pozostaje niezbędna. Każdy z tych rezultatów dostarczyłby więcej komercyjnych informacji niż demonstracja kończąca się formułami na ekranie.

Ten sygnał ma znaczenie, ponieważ fizyczne ukończenie zmusza założenia systemu do przyjęcia testowalnej formy. Opis może pozostać niejednoznaczny, podczas gdy próbka daje ewaluatorom coś konkretnego do porównania. Relacja między obiecanymi cechami a postrzeganymi rezultatami staje się wtedy widoczna.

Po trzecie, warto wypatrywać udokumentowanych rezultatów klientów w jasno ograniczonym zastosowaniu. Projekt zapachowy powinien raportować wyniki rozwoju istotne dla pracy nad zapachami. Wdrożenie systemu wykrywania powinno raportować skuteczność w rzeczywistym środowisku działania. Wyniki te należy oceniać względem wcześniejszego procesu klienta lub innego znaczącego punktu odniesienia.

Dowody na powtarzalne użycie i mierzalną poprawę przepływu pracy wzmocniłyby argument biznesowy nawet bez uniwersalnej równości z człowiekiem. Lista klientów bez odpowiadających jej wyników pozostawiłaby skalę wdrożenia niejasną. To rozróżnienie pomaga kupującym ocenić użyteczność niezależnie od głównego twierdzenia.

Dla deweloperów te sygnały wskazują, od czego powinna zacząć się praca integracyjna. Zacznij od zadania, którego dane wejściowe, wyniki i kryteria akceptacji można jasno określić. Wąskie zastosowanie zapewnia lepszą podstawę do oceny niż interfejs obiecujący nieograniczony sztuczny zmysł.

Dla nabywców korporacyjnych ważne jest pytanie, które decyzje wspiera system i którzy ludzie pozostają odpowiedzialni za akceptację jego wyników. Poproście o przykłady obejmujące nieudane przypadki, poprawki i końcowy rezultat fizyczny. Takie zapisy pokazują, czy produkt usprawnia pracę, czy jedynie tworzy przekonujące odpowiedzi pośrednie.

Czytelnicy śledzący historię Osmo AI nose powinni porównywać każde nowe ogłoszenie z konkretnym pytaniem, na które odpowiada. Należy szukać niezależnie ocenionych próbek, jasno zdefiniowanych ludzkich punktów odniesienia oraz wyników klientów powiązanych z rzeczywistym zadaniem. Traktujcie je jako odrębne elementy dowodowe, a następnie sprawdzajcie, jak łączą się w całość. Udane narzędzie do tworzenia zapachów zasługiwałoby na uwagę na własnych warunkach. Niezawodny system wykrywania w środowisku potwierdzałby coś innego. Kolejne twierdzenie warte zbadania to takie, które dokładnie pokazuje, co weszło do systemu, co z niego wyszło i kto zweryfikował wynik.

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page