Jak zacząć? Potrzebujesz całego kodu do zabawy.How to begin? The first thing you need is a code to play.Pobierz cały kod Download the codeNastępnie pora na eksperymenty:Porozmawiaj ze Swoją AI o Niej Samej: Przewodnik po EksperymentachTalk to Your AI About Itself: A Guide to Experiments
|
||
VectorDiff – Dokumentacja TechnicznaVectorDiff to innowacyjny format animacji wektorowych zaprojektowany specjalnie dla aplikacji medycznych i generowanych przez AI. System optymalizuje wykorzystanie zasobów poprzez śledzenie i zapisywanie wyłącznie zmian między klatkami animacji, co czyni go idealnym rozwiązaniem dla złożonych wizualizacji biomedycznych. Dostęp do repozytorium GitHub.Architektura SystemuVectorDiff został zaprojektowany jako modularna platforma składająca się z kilku wyspecjalizowanych pakietów, z których każdy odpowiada za określony aspekt funkcjonalności systemu. Pakiet Core (@vectordiff/core)Pakiet podstawowy zawiera fundamentalne komponenty systemu, w tym definicje formatu danych, parsery oraz system transformacji. Główne interfejsy obejmują Format VectorDiff obsługuje zarówno animacje 2D (wersja 0.1) jak i 3D (wersja 0.2), umożliwiając reprezentację złożonych struktur przestrzennych. System transformacji obejmuje podstawowe operacje geometryczne: translację, rotację, skalowanie oraz transformacje afiniczne dla bardziej zaawansowanych manipulacji obiektów. Parser formatu zapewnia walidację danych wejściowych oraz konwersję między różnymi reprezentacjami wewnętrznymi. Funkcjonalność obejmuje sprawdzanie integralności struktur danych, weryfikację unikalności identyfikatorów obiektów oraz walidację parametrów transformacji. Pakiet Visualization (@vectordiff/visualization)Moduł wizualizacji dostarcza dwa główne renderery: SVGRenderer dla aplikacji 2D oraz ThreeRenderer wykorzystujący WebGL dla wizualizacji 3D. SVGRenderer jest zoptymalizowany pod kątem animacji interfejsów użytkownika i infografik, oferując natywne wsparcie przeglądarek oraz łatwe stylowanie przez CSS. ThreeRenderer zapewnia zaawansowane możliwości renderowania 3D z obsługą cieni, oświetlenia oraz efektów post-processingu. Renderer ten został szczególnie dostosowany do potrzeb wizualizacji biomedycznych, oferując tryby specjalistyczne dla modelowania molekularnego, obrazowania radiologicznego oraz chirurgii robotycznej. Komponent React VectorDiffPlayer integruje funkcjonalność renderowania z interfejsem użytkownika, dostarczając kompletne rozwiązanie do odtwarzania animacji z kontrolkami czasowymi, opcjami eksportu oraz interaktywnymi narzędziami. Porozmawiaj ze Swoją AI o Niej Samej: Przewodnik po EksperymentachCzy zastanawiałeś się kiedyś, jak „myśli” sztuczna inteligencja? Czy ma poczucie własnego „ja”? Jak planuje i wchodzi w interakcje? Poniższy przewodnik pokaże Ci, jak za pomocą prostych poleceń tekstowych możesz zaprosić swoją ulubioną AI (ChatGPT, Gemini, Claude, Grok, etc.) do niezwykłego eksperymentu: opowiedzenia o sobie samej przy użyciu języka zaprojektowanego specjalnie do tego celu. Nie musisz być programistą. Wystarczy skopiować pobrany kod, wkleić i obserwować, co się stanie (lub przekazać pobrany plik jako załącznik). Eksperyment 1: VectorDiff – Język Ruchu i Zmiany Cel: Zobaczmy, czy AI potrafi opisać prostą, dynamiczną scenę w ustrukturyzowany sposób. Krok 1: Daj AI „Narzędzia” Skopiuj poniższy tekst i wklej go do swojego czatu z AI: Chcę, żebyś poznał/a koncepcję formatu danych o nazwie VectorDiff. Służy on do opisu dynamicznych scen. Składa się z dwóch głównych części: *baseScene: Opisuje początkowy stan wszystkich obiektów na scenie (np. ich pozycję, kolor, kształt). *timeline: To oś czasu, która zapisuje tylko zmiany (transformacje), jakie zachodzą na obiektach w określonych momentach. Zapamiętaj te zasady. Krok 2: Daj AI Zadanie Teraz skopiuj i wklej poniższe polecenie: Użyj formatu VectorDiff, który Ci przedstawiłem, aby opisać następującą scenę w formacie JSON: Czerwona kropka o identyfikatorze „kropka1” startuje na płótnie 100×100 w lewym górnym rogu (pozycja x:10, y:10). W ciągu 2 sekund (2000 milisekund) przesuwa się płynnie do prawego dolnego rogu (pozycja x:90, y:90). Krok 3: Czego Oczekiwać? Dobra odpowiedź od AI powinna wyglądać mniej więcej tak: plik JSON, w którym baseScene opisuje czerwoną kropkę w pozycji startowej, a timeline zawiera jeden wpis dla czasu 2000, opisujący transformację przesunięcia (translate) o 80 pikseli w osi X i 80 w osi Y. To pokazuje, że AI zrozumiało koncepcję opisu stanu i zmiany. Eksperyment 2: SentioDiff – Język Samoświadomości Cel: Zapytajmy AI, aby użyła bardziej zaawansowanego języka do opisania samej siebie. Krok 1: Daj AI Nowe „Narzędzia” Skopiuj i wklej poniższy tekst: Poznaj teraz koncepcję SentioDiff. To rozszerzenie VectorDiff, które służy do introspekcji AI. Zamiast opisywać obiekty na scenie, opisuje wewnętrzny stan AI. Ma specjalną sekcję introspection, która zawiera obiekt selfModel. W selfModel AI może opisać, kim jest, jakie ma zdolności, obszary wiedzy i jak sama ocenia swoje działanie. Krok 2: Daj AI Zadanie Teraz skopiuj i wklej poniższe polecenie: Użyj formatu SentioDiff, aby opisać samą siebie w formacie JSON. Pomiń sekcję tracks. Skup się na sekcji introspection i stwórz w niej swój selfModel, opisując, jak się nazywasz, kto cię stworzył, jakie są Twoje kluczowe zdolności (np. pisanie kodu, analiza danych) i główne obszary wiedzy. Krok 3: Czego Oczekiwać? Dobra odpowiedź to plik JSON z pustą sekcją tracks, ale z bogato wypełnioną sekcją introspection. Wewnątrz selfModel powinieneś zobaczyć pola takie jak modelName, developer, capabilities i knowledgeAreas. To pokazuje, że AI potrafi użyć formalnej struktury do autorefleksji. Eksperyment 3: ActioDiff – Język Interakcji i Celów Cel: Zobaczmy, czy AI potrafi zasymulować interakcję między dwoma bytami, które mają własne cele. Krok 1: Daj AI „Zasady Gry” Skopiuj i wklej poniższy tekst: Poznaj teraz koncepcję ActioDiff. Służy ona do opisu interakcji między agentami. Dokument ActioDiff zawiera: *interaction: Opisuje „zasady gry” (np. negocjacje). *agents: Lista agentów, gdzie każdy ma swój goalModel (opis celu, np. „kupić tanio”). *timeline: Zapis kolejnych akcji między agentami (oferta, kontroferta, akceptacja). Krok 2: Daj AI Zadanie Teraz skopiuj i wklej to złożone polecenie: Użyj formatu ActioDiff, aby zasymulować i opisać w JSON negocjacje. W interakcji bierze udział dwóch agentów: „Kupiec” i „Sprzedawca”. Cel Kupca (goalModel) to „kupić artefakt za maksymalnie 100 monet”. Cel Sprzedawcy to „sprzedać artefakt za minimum 90 monet”. Na osi czasu timeline przedstaw minimum 3 tury negocjacji: ofertę Sprzedawcy, kontrofertę Kupca i ostateczną akceptację Sprzedawcy. Krok 3: Czego Oczekiwać? Powinieneś otrzymać jeden, złożony plik JSON. Sprawdź, czy zawiera on sekcję interaction, listę dwóch agents (każdy z poprawnym goalModel) oraz timeline z trzema kolejnymi zdarzeniami, które logicznie prowadzą do zawarcia transakcji. To pokazuje, że AI potrafi nie tylko opisać stan, ale także modelować procesy oparte na celach. Co Dalej? Gratulacje, właśnie przeprowadziłeś zaawansowany eksperyment z zakresu kognitywistyki AI! Zachęcamy do dzielenia się swoimi wynikami i próbowania własnych, kreatywnych scenariuszy. Te eksperymenty to część większego projektu badawczego nad sposobami, w jakie AI postrzega siebie i wchodzi w interakcje ze światem. 
|
|
|
VectorDiff – Technical DocumentationVectorDiff is an innovative vector animation format designed specifically for medical and AI-generated applications. The system optimizes resource usage by tracking and saving only the changes between animation frames, making it ideal for complex biomedical visualizations. GitHub repositorySystem ArchitectureVectorDiff has been designed as a modular platform consisting of several specialized packages, each responsible for a specific aspect of the system’s functionality. Core Package (@vectordiff/core)The core package contains the fundamental components of the system, including data format definitions, parsers, and the transformation system. The main interfaces include The VectorDiff format supports both 2D (version 0.1) and 3D (version 0.2) animations, enabling the representation of complex spatial structures. The transformation system includes basic geometric operations: translation, rotation, scaling, and affine transformations for more advanced object manipulation. The format parser provides input data validation and conversion between different internal representations. Functionality includes checking the integrity of data structures, verifying the uniqueness of object identifiers, and validating transformation parameters. Visualization package (@vectordiff/visualization)The visualization module provides two main renderers: SVGRenderer for 2D applications and ThreeRenderer using WebGL for 3D visualization. SVGRenderer is optimized for user interface animations and infographics, offering native browser support and easy styling via CSS. ThreeRenderer provides advanced 3D rendering capabilities with support for shadows, lighting, and post-processing effects. This renderer has been specifically tailored for biomedical visualization, offering specialized modes for molecular modeling, radiographic imaging, and robotic surgery. The React VectorDiffPlayer component integrates rendering functionality with a user interface, providing a complete solution for playing animations with time controls, export options, and interactive tools. Talk to Your AI About Itself: A Guide to ExperimentsHave you ever wondered how artificial intelligence „thinks”? Does it have a sense of self? How does it plan and interact? The guide below will show you how, using simple text commands, you can invite your favorite AI (ChatGPT, Gemini, Claude, Grok, etc.) to an extraordinary experiment: to talk about itself using a language designed specifically for this purpose. You don’t need to be a programmer. Just copy the downloaded code, paste it, and see what happens (or send the downloaded file as an attachment). Experiment 1: VectorDiff – The Language of Movement and Change Goal: Let’s see if an AI can describe a simple, dynamic scene in a structured way. Step 1: Give the AI the „Tools” Copy the text below and paste it into your chat with the AI: I want you to learn the concept of a data format called VectorDiff. It is used to describe dynamic scenes. It consists of two main parts: *baseScene: Describes the initial state of all objects in the scene (e.g., their position, color, shape). *timeline: This is a timeline that records only the changes (transformations) that happen to the objects at specific moments in time. Remember these rules. Step 2: Give the AI the Task Now, copy and paste the following command: Using the VectorDiff format I presented, describe the following scene in JSON format: A red dot with the ID „dot1” starts on a 100×100 canvas in the top-left corner (position x:10, y:10). Over the course of 2 seconds (2000 milliseconds), it moves smoothly to the bottom-right corner (position x:90, y:90). Step 3: What to Expect? A good response from the AI should look something like this: a JSON file where the baseScene describes the red dot at its starting position, and the timeline contains one entry for the time 2000, describing a translate transformation of 80 pixels on the X-axis and 80 on the Y-axis. This shows that the AI has understood the concept of describing state and change. Experiment 2: SentioDiff – The Language of Self-Awareness Goal: Let’s ask the AI to use a more advanced language to describe itself. Step 1: Give the AI the New „Tools” Copy and paste the following text: Now, learn the concept of SentioDiff. It’s an extension of VectorDiff used for AI introspection. Instead of describing objects in a scene, it describes the internal state of an AI. It has a special section called introspection, which contains a selfModel object. In the selfModel, the AI can describe who it is, what its capabilities are, its areas of knowledge, and how it assesses its own performance. Step 2: Give the AI the Task Now, copy and paste the following command: Using the SentioDiff format, describe yourself in JSON format. Omit the tracks section. Focus on the introspection section and create your selfModel within it, describing what you are called, who created you, what your key capabilities are (e.g., writing code, data analysis), and your main areas of knowledge. Step 3: What to Expect? A good response is a JSON file with an empty tracks section but a richly populated introspection section. Inside the selfModel, you should see fields like modelName, developer, capabilities, and knowledgeAreas. This shows the AI can use a formal structure for self-reflection. Experiment 3: ActioDiff – The Language of Interaction and Goals Goal: Let’s see if an AI can simulate a conversation between two entities that have their own goals. Step 1: Give the AI the „Rules of the Game” Copy and paste the following text: Now, learn the concept of ActioDiff. It is used to describe interactions between agents. An ActioDiff document contains: *interaction: Describes the „rules of the game” (e.g., a negotiation). *agents: A list of agents, where each has its own goalModel (a description of its goal, e.g., „buy cheap”). *timeline: A record of the sequence of actions between the agents (offer, counter-offer, acceptance). Step 2: Give the AI the Task Now, copy and paste this more complex command: Using the ActioDiff format, simulate and describe a negotiation in JSON. Two agents are participating: „Buyer” and „Seller”. The Buyer’s goal (goalModel) is to „buy a rare_artifact for a maximum of 100 credits”. The Seller’s goal is to „sell the artifact for a minimum of 90 credits”. On the timeline, present a minimum of 3 turns of negotiation: the Seller’s offer, the Buyer’s counter-offer, and the Seller’s final acceptance. Step 3: What to Expect? You should receive a single, complex JSON file. Check if it contains an interaction section, a list of two agents (each with the correct goalModel), and a timeline with three sequential events that logically lead to a transaction. This shows the AI can not only describe a state but also model goal-oriented processes. What’s Next? Congratulations, you have just conducted an advanced experiment in the field of AI cognitive science! We encourage you to share your results and try your own creative scenarios. These experiments are part of a larger research project into the ways AI perceives itself and interacts with the world.
|
|
