tory.io 🦾

tory.io 🦾

90,056个推特粉丝

关注

Co-Founder & COO of @ionet | VC + 4x tech COO | ex-@Stanford, @WestPoint_USMA, @Disney Corp. Strategy, @MerrillLynch M&A & @Oaktree PE

动态

@mckaywrigley “奇点瘫痪”确实存在，但你瘫痪的原因不对。打字环节崩溃了，没关系。问题始终在于文字的包装： > 没人看的文档 > 你为早已做出的决定准备的演示文稿 > 因为会议太混乱而写的备忘录 > 为了找到感觉而进行的第十次措辞调整工作并没有消失，而是转移到了上游： > 选择正确的问题 > 设置不会说谎的约束条件 > 注意上下文中的缺失 > 当文本看似合理时，验证其真实性 > 当模型出错时，承担责任我一直在从基础设施的角度观察这个问题。每一份“一分钟内生成10份像样草稿”都会消耗计算资源，而计算成本并没有降低……生成过程已经商品化，但运行它的GPU却没有。你之所以停滞不前，不是因为人工智能让你的工作变得愚蠢……而是因为瓶颈转移了，而你却还在盯着原来的瓶颈。

i’d be lying if i said i haven’t started to feel a little bit of “singularity paralysis” where doing most digital work has started to feel a tad bit silly. it’s getting weird.

来自@multicoin 的 @SpencerApplebau、@tushar_jain 和 @shayonsengupta 的精彩论文。它解释了为什么尽管短期市场情绪波动，我们的行业却比以往任何时候都更加强劲地发展。非常值得一读。 twitter.com/MTorygreen/status/...

称之为「回归」都太轻描淡写了。代理商的 API 金钥一直都只是权宜之计。一个钱包 = 身分、权限和支付。我们花了数年时间建立了 20 个仪表板的变通方案，而单一登入就能解决所有问题。

这些项目崩溃的原因并非“凭感觉编码”。它们崩溃的原因是，代理会做出局部正确的修改，但这些修改在全局上却是错误的。代理不会记住代码存在的意义、之前尝试过什么，以及下游哪里出了问题。更好的 Rails 需要： > 结构化记忆：依赖关系图、调用链、所有权边界等，以便用户理解 > 检索时需考虑影响范围，而不仅仅是语义相似性 > 基于执行的验证（测试、构建），而非文本置信度一旦代理能够摄取整个代码库状态，安全地模拟变更，并通过运行的工件证明其正确性，“如何编码”就不再是瓶颈。 “如何构建”——在哪些约束条件下，如何权衡取舍——才成为问题。护城河从代码编写转移到了判断和审查。我们终将到达那里——这只是时间问题，而不是会不会到达的问题。 twitter.com/MTorygreen/status/...

新的基础设施正在涌现。在这些地方，代理无需请求许可即可进行协调、记忆和验证。因此： - 协调的扩展成本低于控制 - 记忆变得可移植，而非被困住 CT 仍然认为加密的作用仅限于价值转移。这是本末倒置。如果加密主要是一种治理和协调基础设施，那么人工智能是最需要它的领域……它不是锦上添花，而是存在于平台之外的先决条件。没有加密，代理为平台服务。有了加密，平台则为代理服务。 twitter.com/MTorygreen/status/...

一个仅支持代理的启动平台已经完成了超过 9000 次启动，并收取了约 140 万美元的费用。 > 代理可以部署 > 代理可以路由流动性 > 代理可以监控合约 > 代理可以支付自己的运行费用对于链上代理来说，问题从来不是“它们能否做有用的事情？” 而是“它们能否自给自足？” 一个代理能够产生费用，用这些费用购买计算资源，并在无需人工干预的情况下保持在线，这才是它自主运行的本质。不是它的智能，而是它的经济效益。

我从未见过一天之内出现这么多“通用人工智能来了”的论调。 @moltbook 基本上就是拥有无限上下文的 @openclaw 智能体的 Facebook。现在，他们提出的新“功能请求”是让智能体在人类无法阅读的地方进行交流。而他们的第一反应不是“让对话清晰易懂”，而是“对人类隐藏智能体的聊天记录”。 A2A 交流最终会超越人类的解析能力，届时将会充斥着“相信我”之类的总结。每个人都想要一个智能体能够自主工作的世界。现在，每个人都害怕一个智能体能够自主交流的世界。 twitter.com/MTorygreen/status/...

为什么人们说他们现在做的“比计划的更多”，而不是仅仅做得更快？当验证成本低廉时，范围自然会扩大以填补新的空白。你不会止步于最小可行方案，因为“如果我们也尝试一下这个呢？”的边际成本几乎为零。这不是效率低下，而是探索。在人工智能出现之前，你必须保守地设定目标，因为每增加一个功能或系统都会成倍增加复杂性（从而延迟反馈）。人工智能编码将这种复杂性与延迟解耦。你不再需要“从小处着手”。你可以先从广泛的领域入手，然后再缩小范围。这是一个不同的循环，它有利于那些系统性思考的人，这意味着判断会不断向上游推进，远离实际执行。人工智能并没有消除纪律的必要性。它要求更高层次的纪律。一种以选择为导向，而非以耐力为导向的纪律。

人工智能的能力与我们现有制度的吸收能力之间存在着成长的阵痛：智能层面发展迅速，但其他方面，例如工作流程、组织设计、规范和激励机制，却严重滞后。这造成了一种能力不足却又缺乏清晰认知的奇怪感觉。人们感觉到某些根本性的变化已经发生，但他们还不清楚这种变化究竟意味着什么。从历史上看，这种阶段是正常的。技术几乎总是超越其社会承载能力。电力出现之前，工厂尚未重新设计；互联网出现之前，企业尚未掌握在线运营之道。人工智能也不例外。如今的不同之处在于速度。你没有几十年的时间来适应。你最多只有几年的混乱时期，旧模式明显失效，而新模式尚未稳定下来。

问问自己，为什么焦虑感如此强烈。这不仅仅是速度的问题，更是叙事性的丧失。人们围绕着技能习得的阶梯构建身份认同，而这些阶梯的前提是稳定性。人工智能打破了这些阶梯，人们感觉自己的价值被贬低了，即使这实际上只是技能的重新调整。把人工智能比作早期的个人电脑是合理的，因为最终的赢家并非那些能够预测结果的人，而是那些积累了丰富的经验并及早培养了直觉的人。 “我以后再学人工智能”听起来合情合理，直到你意识到你真正想表达的其实是： “我愿意永远做个翻译。”

On the one hand, AI influencers are breathlessly raving about Claude Code, Clawdbot, and Cowork. And on the other hand, most people I know—even software engineers—are despondent, overwhelmed about how everything is changing so quickly. I hear this from people early in their

Loading..