企业AI初创公司Glyphh AI于近日发布分类器产品Ada的测试版，该产品基于超维计算（hyperdimensional computing）构建，而非依赖大语言模型。Glyphh AI创始人Chris Timmerman表示，Ada无需Transformer架构、无需GPU、也无需训练过程，其核心逻辑是“企业的历史决策记录本身就是模型”。目前该产品处于免费测试阶段。
Ada的定位指向企业日常运营中大量重复性决策场景。批准贷款与否、将消息路由至哪个团队、风险评分、欺诈标记、退款设定，这类判断在企业中已被执行过数百次，结果均有记录可查。当前的处理方式通常有两种：交由人工处理，或调用前沿大模型从头推理，后者不仅产生调用成本，且输出结果存在不稳定性。Ada试图提供第三条路径：企业只需一次性描述数据结构并录入已有决策记录，Ada即基于最相似的历史记录对新数据完成分类。
与向量检索不同，Ada将结构化字段与文本内容联合比对，从企业自有记录中学习哪些字段和词汇具有决策权重，输出的是经过校准的概率值以及每种选择的成本，而非相似度分数。Timmerman对此评论称，行业普遍在构建更大的模型来回答已被回答过上千次的问题，而Ada的思路是让历史记录承担模型职能，同一问题始终得到同一答案，并展示所依据的具体记录，在无法判断时明确告知用户。
在自然语言处理层面，Ada通过自建的词库解析工单、备注、理赔描述等记录中的文本，整个流程不引入语言模型，文本数据不会离开本地发送至外部模型，单次运行时间为毫秒级。该架构使Ada在数据隐私和响应延迟方面具备与传统大模型方案不同的特性。
功能层面，单条记录可同时回答多个问题，且支持多种输出类型，包括分类结果（团队、产品、风险等级）、有序评分（如低至严重）、带概率的是否判断、金额数值（退款额或定价）、多标签及各自概率，以及仅在特定答案触发时才提出的条件性问题。
Ada的产品特性还包括：新标注记录录入即时生效，无需重新训练；输出具有确定性，相同输入始终得到相同答案；每个答案附带校准概率及支撑该判断的历史先例；当记录中不存在可参照的先例时，系统会明确标识能力边界。
从行业视角看，Ada代表的是一条与主流大模型路线相异的技术路径。当前企业AI市场的主要资源集中于扩大模型参数与推理能力，而超维计算等轻量化方案试图在特定高重复性决策场景中以更低的算力和成本实现可解释、可审计的输出。对于金融风控、客服工单路由、保险理赔等对确定性和合规性要求较高的领域，此类方案具备一定的适配空间。不过，该类方法的效果高度依赖企业历史决策数据的质量与覆盖度，在缺乏足够标注记录的场景中，其适用性仍有待验证。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
