tory.io 🦾

tory.io 🦾

90,056個推特粉絲

關注

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

動態

@mckaywrigley “奇點癱瘓”確實存在，但你癱瘓的原因不對。打字環節崩潰了，沒關係。問題始終在於文字的包裝： > 沒人看的文檔 > 你為早已做出的決定準備的演示文稿 > 因為會議太混亂而寫的備忘錄 > 為了找到感覺而進行的第十次措辭調整工作並沒有消失，而是轉移到了上游： > 選擇正確的問題 > 設置不會說謊的約束條件 > 注意上下文中的缺失 > 當文本看似合理時，驗證其真實性 > 當模型出錯時，承擔責任我一直在從基礎設施的角度觀察這個問題。每一份“一分鐘內生成10份像樣草稿”都會消耗計算資源，而計算成本並沒有降低……生成過程已經商品化，但運行它的GPU卻沒有。你之所以停滯不前，不是因為人工智能讓你的工作變得愚蠢……而是因為瓶頸轉移了，而你卻還在盯著原來的瓶頸。

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.

來自@multicoin 的 @SpencerApplebau、@tushar_jain 和 @shayonsengupta 的精彩論文。它解釋了為什麼儘管短期市場情緒波動，我們的行業卻比以往任何時候都更加強勁地發展。非常值得一讀。 twitter.com/MTorygreen/status/...

稱之為「回歸」都太輕描淡寫了。代理商的 API 金鑰一直都只是權宜之計。一個錢包 = 身分、權限和支付。我們花了數年時間建立了 20 個儀錶板的變通方案，而單一登入就能解決所有問題。

這些項目崩潰的原因並非“憑感覺編碼”。它們崩潰的原因是，代理會做出局部正確的修改，但這些修改在全局上卻是錯誤的。代理不會記住代碼存在的意義、之前嘗試過什麼，以及下游哪裡出了問題。更好的 Rails 需要： > 結構化記憶：依賴關係圖、調用鏈、所有權邊界等，以便用戶理解 > 檢索時需考慮影響範圍，而不僅僅是語義相似性 > 基於執行的驗證（測試、構建），而非文本置信度一旦代理能夠攝取整個代碼庫狀態，安全地模擬變更，並通過運行的工件證明其正確性，“如何編碼”就不再是瓶頸。 “如何構建”——在哪些約束條件下，如何權衡取捨——才成為問題。護城河從代碼編寫轉移到了判斷和審查。我們終將到達那裡——這只是時間問題，而不是會不會到達的問題。 twitter.com/MTorygreen/status/...

新的基礎設施正在湧現。在這些地方，代理無需請求許可即可進行協調、記憶和驗證。因此： - 協調的擴展成本低於控制 - 記憶變得可移植，而非被困住 CT 仍然認為加密的作用僅限於價值轉移。這是本末倒置。如果加密主要是一種治理和協調基礎設施，那麼人工智能是最需要它的領域……它不是錦上添花，而是存在於平臺之外的先決條件。沒有加密，代理為平臺服務。有了加密，平臺則為代理服務。 twitter.com/MTorygreen/status/...

一個僅支持代理的啟動平臺已經完成了超過 9000 次啟動，並收取了約 140 萬美元的費用。 > 代理可以部署 > 代理可以路由流動性 > 代理可以監控合約 > 代理可以支付自己的運行費用對於鏈上代理來說，問題從來不是“它們能否做有用的事情？” 而是“它們能否自給自足？” 一個代理能夠產生費用，用這些費用購買計算資源，並在無需人工干預的情況下保持在線，這才是它自主運行的本質。不是它的智能，而是它的經濟效益。

我從未見過一天之內出現這麼多“通用人工智能來了”的論調。 @moltbook 基本上就是擁有無限上下文的 @openclaw 智能體的 Facebook。現在，他們提出的新“功能請求”是讓智能體在人類無法閱讀的地方進行交流。而他們的第一反應不是“讓對話清晰易懂”，而是“對人類隱藏智能體的聊天記錄”。 A2A 交流最終會超越人類的解析能力，屆時將會充斥著“相信我”之類的總結。每個人都想要一個智能體能夠自主工作的世界。現在，每個人都害怕一個智能體能夠自主交流的世界。 twitter.com/MTorygreen/status/...

為什麼人們說他們現在做的“比計劃的更多”，而不是僅僅做得更快？當驗證成本低廉時，範圍自然會擴大以填補新的空白。你不會止步於最小可行方案，因為“如果我們也嘗試一下這個呢？”的邊際成本幾乎為零。這不是效率低下，而是探索。在人工智能出現之前，你必須保守地設定目標，因為每增加一個功能或系統都會成倍增加複雜性（從而延遲反饋）。人工智能編碼將這種複雜性與延遲解耦。你不再需要“從小處著手”。你可以先從廣泛的領域入手，然後再縮小範圍。這是一個不同的循環，它有利於那些系統性思考的人，這意味著判斷會不斷向上遊推進，遠離實際執行。人工智能並沒有消除紀律的必要性。它要求更高層次的紀律。一種以選擇為導向，而非以耐力為導向的紀律。

人工智能的能力與我們現有制度的吸收能力之間存在著成長的陣痛：智能層面發展迅速，但其他方面，例如工作流程、組織設計、規範和激勵機制，卻嚴重滯後。這造成了一種能力不足卻又缺乏清晰認知的奇怪感覺。人們感覺到某些根本性的變化已經發生，但他們還不清楚這種變化究竟意味著什麼。從歷史上看，這種階段是正常的。技術幾乎總是超越其社會承載能力。電力出現之前，工廠尚未重新設計；互聯網出現之前，企業尚未掌握在線運營之道。人工智能也不例外。如今的不同之處在於速度。你沒有幾十年的時間來適應。你最多隻有幾年的混亂時期，舊模式明顯失效，而新模式尚未穩定下來。

問問自己，為什麼焦慮感如此強烈。這不僅僅是速度的問題，更是敘事性的喪失。人們圍繞著技能習得的階梯構建身份認同，而這些階梯的前提是穩定性。人工智能打破了這些階梯，人們感覺自己的價值被貶低了，即使這實際上只是技能的重新調整。把人工智能比作早期的個人電腦是合理的，因為最終的贏家並非那些能夠預測結果的人，而是那些積累了豐富的經驗並及早培養了直覺的人。 “我以後再學人工智能”聽起來合情合理，直到你意識到你真正想表達的其實是： “我願意永遠做個翻譯。”

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..