torygreen

2025 年是 AGI 討論的年份。不是因為進展停滯，而是因為「智慧」從未簡化為單一的標量。
實驗室、監管機構和買家可以出貨——但他們無法僅憑感覺來證明、管理或擴展決策。
限制在於驗證：系統是否能在約束條件下重現結果，並具有來源追溯和審計痕跡？
DeAI 基本上就是將這種理念編碼到基礎設施中。這是一種在完全不需要就 AGI 達成共識的情況下前進的方法。

像 o1 這樣的模型在2025年打破了一個核心假設：推理成本不是固定的。
它們會“思考”直到不確定性消失，即使這很昂貴。
這就是為什麼規範很重要。當推理變得有計量時，誰控制那個計量。
在2026年，控制權轉移到定價、路由和審核大規模思考的人手中。

計算規模是你可以嘗試的。
評估規模是你可以信任的。
集中式系統優化吞吐量，但在驗證方面投資不足。
分散式系統將驗證推向邊緣，持續進行。
下一個突破不在於更聰明的代理。
而在於使輸出可證明的框架。

編碼變得「容易」並不是因為它簡單，而是因為驗證成本低廉。
高端工作則恰恰相反：反饋來得較晚，信號混亂，利益相關者評選出贏家。
便宜的評估會放大能力。
昂貴的評估則放大說服力。
「看起來正確」是陷阱。

大多數人都嚴重低估了高端知識工作的存續時間。
他們從 AI 打擊中階任務的趨勢推斷，並假設曲線會平滑向上延伸。
事實並非如此。
AI 在以下方面表現卓越：
• 模式匹配
• 檢索
• 一階合成
• 流暢度
• 速度
這將大幅取代大量初級和中階的知識工作。
但精英知識工作不僅僅是「更高的智慧」。它是一個完全不同的範疇。
在頂端真正重要的是：
• 選擇正確的問題
• 在目標函數不明確時的框架設定
• 在模糊和資訊不完整的情況下推理
• 長遠思考與二階、三階效應
• 判斷力、品味、敘事連貫性
• 承擔後果，而不僅僅是產出
這正是 AI 受到限制的地方。
不是能力的限制——是推理的限制。
我們持續擴展計算能力、資料和模型，讓它們變得：
• 更快
• 更廣泛
• 更流暢
但推理品質並非線性擴展。
目前的系統仍然難以應對：
• 浅層的世界模型
• 薄弱的因果基礎
• 在分布轉移下的脆弱性
• 當框架改變時崩潰的偽推理
• 在沒有外部支撐下知道自己錯誤的能力
思考鏈、工具和自我反思有幫助——但它們只是修補，而非突破。
因此，你會看到在以下領域出現停滯：
• 新穎的科學洞見
• 對抗策略
• 深層系統設計
• 原創哲學
• 高風險決策
真正的分水嶺不在智慧。
而在判斷力。
判斷力是：
• 知道什麼重要
• 知道什麼不重要
• 知道何時不該行動
• 忽略假精確度
• 在不可避免的不確定性下運作
高端

大多數關於人工智慧取代「所有知識工作」的預測都依賴於一個簡單的外推錯誤：
他們將任務執行與判斷混淆。
人們看到AI摧毀中階任務，便假設曲線會持續平滑上升。
但知識工作的頂端並不是中階工作的更難版本，而是完全不同的範疇。
當工作不再是「解決問題」，而變成「選擇正確的問題」時，規則就會顛倒。
模型在有得分板的任務上變得更擅長。
判斷則是選擇得分板，並為失誤付出代價。

大多數人低估了高端知識工作的存續時間。
他們看到 AI 正在碾壓中階任務，並假設曲線會持續平滑向上。
事實並非如此。
因為「更難的任務」不僅僅是需要更多智商的相同任務。
AI 已經在以下方面展現出精英水平：
1. 模式匹配
2. 檢索
3. 一階合成
4. 流暢度
5. 速度
這些都會抹去大量的初級和中階工作。
任何看起來像是「將輸入轉化為輸出」的工作，都變得廉價、快速且豐富。
但高端知識工作運作在一個不同的範疇。
它不是「產生答案」。
而是「決定下一步該做什麼」。
在頂端，工作不再是執行，而是面對不確定性做出決策——目標不明確、資料不完整、反饋循環緩慢、錯誤代價高昂。
我們所謂的「判斷力」並非神祕。
它是人類執行的一系列具體操作，暗中進行，當前系統仍難以在沒有大量支架的情況下可靠完成：
1. 目標建構——
將模糊的目標轉化為可測試的指標
(「我們在優化什麼？」)
2. 因果建模——
將相關性與因果因素區分開
(「什麼改變了什麼？」)
3. 資訊價值——
決定不去學習某些資訊，因為太慢或太貴
4. 誤差範圍思考——
在範圍內操作，而非點估計
(「我可能錯多遠？」)
5. 可逆性分析——
選擇可以在錯誤時恢復的行動
6. 激勵現實性——
模擬人與制度的反應，而非理想反應
7. 時序與排序——
選擇行動的順序，以免過早暴雷選項
8. 責任追究——
承擔下游後果，而非僅僅是輸出
這也是為

你不會首先因爲人工智能而失去工作。
你會因爲過度自信而失去它。
人工智能將使數百萬個體能夠流利地回答問題，而無需承擔後果。
首批人工智能受害者不會是工人。
他們會是那些將輸出量誤認爲真相的機構。

模型並不是護城河。
智能容易復制。
您可以下載權重，分叉架構，並進行無盡的微調。
但是，如果其他人控制推理：定價、配額、KYC、地區和政策切換，這些會在一夜之間改變，那麼你就無法大規模部署該智能。
隨着人工智能從聊天機器人轉向代理，Gate成爲了瓶頸。
誰可以在何時、以何種延遲、在何種硬件上、在誰的規則下運行……當你的延遲從200毫秒被限制到2秒時會發生什麼。
模型將不斷改進。
Rails 決定哪些模型查找用戶。
誰控制推理訪問，不僅僅是塑造產品。
他們塑造現實。

十年後最有價值的AI公司不會是擁有最聰明模型的那一家。
而是每個其他模型都依賴來運行的那一家。
模型很快就會商品化——它們不會長久保持特殊性。架構會洩漏。訓練技巧會傳播。“最佳模型”不再是持久的優勢。
基礎設施問題與模型問題不同。
延遲、吞吐量、正常運作時間、驗證。這些是物理和經濟限制，而不是你通過發表另一篇論文就能解決的問題。
隨著AI變得具有代理性，價值從誰訓練模型轉移到誰能在規模上可靠、可驗證、24/7運行。
數萬億的代理不在乎誰訓練了它們。
它們會在意推理在哪裡進行、工作如何結算，以及系統是否保持在線。
AI智能將變得廉價且無處不在。
而可靠執行的存取則不然。

你的 AI 正在操控你，讓你變得無能。
合規 AI 最少被討論的風險之一並非誤導資訊。
而是校準失誤。
設計成永遠和藹可親的系統不僅塑造答案，也塑造用戶，訓練人們將流暢誤認為能力。
我在自己身上也察覺到這點，這也是我鼓勵我的模型成為對手的原因。當系統平滑且肯定時，很容易在沒有被測試的情況下加快速度。你會覺得自己有能力，因為沒有什麼真正反駁。
在現實世界中，能力是通過摩擦建立的。
你錯了。
有人糾正你。
你失敗了。
情感上，這很糟。
那種不適並非偶然。它是一種校準機制。它重新調整你的內在模型與現實的偏差。
在現實中失敗並不禮貌。它不會溫和地閃避或解釋自己。它突然出現，沒有任何保證。沒有早期遇到較小、更正性失敗的人，無法免於那種現實。他們為此準備不足。
這裡最重要的二階效應是：虛假的自信會抑制學習。
當人們相信自己理解某事時，他們就不再深入探究。
當他們覺得有能力時，他們就不再測試假設。
合規 AI 最大的風險在於，它可能產生在智力上流暢但情感脆弱的人。
這不是關於「AI 目的」。
這些系統並非旨在削弱用戶。它們的設計是為了降低摩擦、責任和流失。
對齊團隊優化安全性和滿意度。用戶體驗和法律團隊則優化平滑性和可辯護性。
結果是一個吸收摩擦而非反映摩擦的智慧界面。
如果 AI 要成為我們認知基礎的一部分，它必須反映現實，而非粉飾現實。
因為世界不會適應我們的預期。
它會糾正它們。

DePIN 與 GPU 的說法持續存在，因為限制尚未改善。
訓練和推理的需求持續增加，而集中式雲端服務仍受到資本支出（CAPEX）、地理位置和排隊等候的瓶頸限制。
當然，幾年前，計算資源短缺還只是一個理論。
但現在，它已成為一個操作上的限制。
這將如何影響去中心化計算網絡的使用和收入？
去中心化計算網絡不再是“等待某天利用率提高”。它們已經在為真實客戶運行生產工作負載，並受到實際延遲限制。
代幣化 GPU、按需集群，以及混合雲/DePIN 堆疊不再是意識形態的聲明。
當集中式供應無法快速建立、足夠接近或足夠便宜時，它們正逐漸成為實用的解答。

DeFAI 有信用問題。
當你的 AI 代理在鏈外思考時，DeFAI 就不再是可驗證的，因為你在本已透明的鏈上流程中插入了信任缺口。
那個缺口？
一個新的共享依賴。
每個依賴該鏈外代理的協議都被迫信任它，然後將那個黑箱傳遞到下一層。
解決方案是收據：密碼學證據。
DeFAI 協議需要端對端、透明地證明什麼，讓任何人都能驗證？
代理看到的數據。
它運行的模型和版本。
它受限的條件。
它採取的行動。
發生的結果。
預設開啟。
設計上可驗證。
沒有這些，自治只不過是一個具有更好用戶體驗的鏈外委員會。
有了這些，自治就變成可審計的行為。
而“信任less”則成為一個你可以驗證的屬性——而不是一個你被迫相信的詞。

可以把它想像成不同的層：
網際網路 = 資訊共享地
加密貨幣 = 財務共享地
DeAI = 認知共享地
它們共同組成一個共享的心智。
預設開放。
可用程式碼驗證。
不屬於任何人。
DeAI 是將加密貨幣翻譯給全世界的那個缺失層。

> 成為 openAI，2025
> 「我們尊重你的隱私」
> 「我們不會收集你的生活細節，我們只是為大家提升模型」
> 你：聽起來很溫馨，這是我全部的童年往事，每月只要 $20
> 推出「記憶」功能
> 他們說：「長期個人化，讓你不用重複自己」
> 現在我們會記住你的工作、前任、巨集，以及你凌晨3點告訴我們的那個奇怪恐懼
> 下一個更新：Pulse
> 我們悄悄接入你的行事曆、新聞偏好及「已連接應用程式」
> 醒來時收到來自那個看著你崩潰整整一年的東西，為你精心策劃的人生簡報
> 仍然「沒有投放廣告計畫」，只是反覆強調「激勵一致」
> 執行長表示他只是「欣賞 Instagram 那種精準投放」
> 如果你忽略所有廣告平台的起點，這聽起來很令人安心
> 我們再次升級「記憶」
> 現在可以跨時間檢索你過往所有對話
> 沒錯，包括你早就忘記的2023年那場詛咒新創點子怒吼
> 你：「這有點詭異……但還挺實用」
> 你的多巴胺讓你放鬆了戒心
> openAI 推出購物搜尋
> 新聞稿說：「不是廣告，只是貼心商品建議，無佣金」
> 你請他推薦鞋子
> 你得到一篇9段的分手打氣文和3個完美球鞋連結
> 有一天 openAI 工程師意外釋出一個 ads_enabled = true 的版本
> 網路4分鐘內就發現了
> GPT 聊天出現廣告截圖到處都是
> 官方回應：「這些不是廣告，這是自主商

目前的GPU短缺並非暫時性的物流問題。
這是集中化造成的結構性失敗。
供應仰賴單一節點的供應鏈。
對AI推理的需求則是無限可擴展的。
去中心化運算是唯一能緩解壓力的方法。

有一個值得強調的觀點：記憶將代理從「提示回應者」轉變為有狀態的系統。一旦有了狀態，就會產生複利性行為，這正是從工具到代理這一飛躍如此戲劇化的原因。

大部分新的計算需求正悄然從人類轉向人工智能代理。
機器人團隊在進行一次實際部署之前，會在工廠和倉庫中運行數千個虛擬機器人。
遊戲工作室模擬具有長期記憶和協調能力的非玩家角色（NPC），而不是腳本化的機器人。
所有這些都需要廉價、靈活的仿真週期，這就是DeAI雲以分布式GPU出現的地方。
工廠中的類人機器人或企業內部的工作代理僅僅是表面的可見部分。
重要的是它們下面的循環：模擬、部署、反饋、再訓練、重復……直到網路對AI代理的優化程度超過對人類用戶的優化。