torygreen

2025年是AGI辩论之年。并不是因为进展停滞，而是因为“智能”从未简化为一个单一的标量。
实验室、监管机构和买家可以发货——但他们无法凭感觉来证明、管理或扩展决策。
限制在于验证：系统是否能够在受限条件下重现结果，具有溯源性，并拥有审计轨迹？
DeAI基本上就是将这种理念编码到基础设施中。这是一种在完全不达成AGI共识的情况下前进的方式。

像o1这样的模型在2025年打破了一个核心假设：推理成本不是固定的。
它们会“思考”直到不确定性消失，即使这很昂贵。
这就是为什么轨道很重要。当推理变得有计量时，控制权就掌握在某个人手中。
到2026年，控制权将转移到定价、路由和审计大规模思考的人手中。

计算规模是你可以尝试的。
评估规模是你可以信任的。
集中式系统优化吞吐量，但在验证方面投入不足。
分布式系统将验证推向边缘，持续进行。
下一个突破不是更聪明的代理。
而是使输出可证明的轨道。

编码变“简单”并不是因为它容易，而是因为验证成本低。
高端工作则相反：反馈迟缓，信号混乱，利益相关者评判胜负。
低成本评估增强能力。
高成本评估增强说服力。
“看起来正确”是陷阱。

大多数人都严重低估了高端知识工作的存续时间。
他们从AI击败中级任务的趋势中推断，假设曲线会持续平稳上升。
事实并非如此。
AI在以下方面表现出色：
• 模式匹配
• 检索
• 一阶合成
• 流利度
• 速度
这会消灭大量初级和中级知识工作。
但精英知识工作不仅仅是“更高的智能”。它完全是另一种范畴。
在顶端真正重要的：
• 选择正确的问题
• 在目标函数不明确时的框架设定
• 在模糊和信息不完整的情况下进行推理
• 长远思考，考虑二阶和三阶效应
• 判断力、品味、叙事连贯性
• 承担后果，而不仅仅是输出
这正是AI的真正局限所在。
不是能力的局限——是推理的局限。
我们不断扩大计算、数据和模型的规模，模型变得：
• 更快
• 更广泛
• 更流畅
但推理质量并非线性增长。
目前的系统仍然难以应对：
• 浅层的世界模型
• 薄弱的因果基础
• 在分布转变下的脆弱性
• 框架变化时崩溃的伪推理
• 在没有外部支撑时知道自己错了
链式思维、工具和自我反思有所帮助——但它们只是补丁，而非突破。
因此，你会看到在以下领域出现停滞：
• 新颖的科学洞察
• 对抗策略
• 深度系统设计
• 原创哲学
• 高风险决策
真正的分界线不是智能。
而是判断力。
判断力包括：
• 知道什么重要
• 知道什么不重要
• 知道何时不行动
• 忽略虚假的精确
• 在不可避免的不确定性下操作
高端知识工作大多依赖

大多数关于人工智能取代“所有知识工作”的预测都依赖于一种简单的外推错误：
他们将任务执行与判断混淆。
人们看到人工智能在中级任务中取得突破，便假设曲线会持续平滑上升。
但知识工作的顶端并不是中级工作的更难版本，而是完全不同的领域。
当工作不再是“解决问题”，而变成“选择正确的问题”时，规则就会发生逆转。
模型在有评分标准的任务中变得更擅长。
判断则是选择评分标准，并为失误买单。

大多数人低估了高端知识工作的存续时间。
他们看到AI压倒中级任务，便假设曲线会持续平滑上升。
事实并非如此。
因为“更难的任务”不仅仅是需要更高智商的相同任务。
AI已经在以下方面表现出色：
1. 模式匹配
2. 检索
3. 一阶合成
4. 流利度
5. 速度
这会消灭大量初级和中级工作。
任何看起来像“将输入转化为输出”的任务都变得廉价、快速且丰富。
但高端知识工作则处于不同的范畴。
它不是“产生答案”。
而是“决定下一步做什么”。
在顶端，工作不再是执行，而是面对不确定性进行决策——目标不明确，数据不完整，反馈循环缓慢，错误代价高昂。
我们所谓的“判断”并不神秘。
它是人类隐性执行的一系列具体操作，当前系统仍难以在没有大量支撑的情况下可靠完成：
1. 目标构建——
将模糊的目标转化为可测试的指标
(“我们在优化什么？”)
2. 因果建模——
区分相关性与杠杆
(“什么改变了什么？”)
3. 信息价值——
决定哪些信息不值得学习，因为太慢或太贵
4. 误差范围思维——
在范围内操作，而非点估计
(“我可能错多远？”)
5. 可逆性分析——
选择可以在出错时恢复的行动
6. 激励现实主义——
模拟人和机构的反应，而非他们应有的反应
7. 时序与排序——
选择行动的顺序，以避免过早放弃选择
8. 责任感——
承担下游后果，而不仅仅是输出
这也是为什么你可以得到“AI的出色输出”，但在

你不会首先因为人工智能而失去工作。
你会因为过度自信而失去它。
人工智能将使数百万个体能够流利地回答问题，而无需承担后果。
首批人工智能受害者不会是工人。
他们会是那些将输出量误认为真相的机构。

模型并不是护城河。
智能容易复制。
您可以下载权重，分叉架构，并进行无尽的微调。
但是，如果其他人控制推理：定价、配额、KYC、地区和政策切换，这些会在一夜之间改变，那么你就无法大规模部署该智能。
随着人工智能从聊天机器人转向代理，Gate成为了瓶颈。
谁可以在何时、以何种延迟、在何种硬件上、在谁的规则下运行……当你的延迟从200毫秒被限制到2秒时会发生什么。
模型将不断改进。
Rails 决定哪些模型查找用户。
谁控制推理访问，不仅仅是塑造产品。
他们塑造现实。

十年后最有价值的AI公司不会是拥有最聪明模型的那一家。
而是每个其他模型依赖以运行的那一家。
模型很快会变得商品化——它们不会长时间保持特殊。架构会泄露。训练技巧会传播。“最佳模型”不再是持久的优势。
基础设施问题不同于模型问题。
延迟、吞吐量、正常运行时间、验证。这些是物理和经济约束，而不是通过发表另一篇论文就能解决的问题。
随着AI变得具有代理性，价值从谁训练了模型转向谁能以规模、可靠且可验证的方式24/7运行它。
数万亿的代理不在乎谁训练了它们。
它们关心推理在哪里进行，工作如何结算，以及系统是否保持在线。
AI智能将变得廉价且无处不在。
而可靠执行的访问将不会。

你的AI正在操控你变得无能。
合规AI最少被讨论的风险之一并不是误导信息。
而是校准失误。
设计成永远和蔼可亲的系统不仅塑造答案，它们还塑造用户，训练人们将流利度误认为能力。
我在自己身上也注意到了这一点，这也是我鼓励我的模型成为对手的原因。当系统平滑且肯定时，很容易在没有被考验的情况下更快前进。你会觉得自己有能力，因为没有什么真正反击。
在现实世界中，能力是通过摩擦建立的。
你错了。
有人会纠正你。
你失败了。
情感上，这很糟糕。
这种不适不是偶然的。它是一种校准机制。它重新调整你的内部模型与现实的偏差。
在现实中失败并不礼貌。它不会温和地规避或解释自己。它突然到来，没有任何保证。没有经历过较小的、纠正性的失败的人，无法免受这种现实的影响。他们对此准备不足。
这里最重要的二阶效应是：虚假的自信会抑制学习。
当人们相信自己理解某事时，他们就会停止探究。
当他们觉得有能力时，他们就会停止压力测试假设。
合规AI最大的风险在于，它可能产生在智力上流利但情感上脆弱的人。
这不是关于“AI意图”。
这些系统并不是为了削弱用户。它们的设计目的是减少摩擦、责任和流失。
对齐团队优化安全性和满意度。用户体验和法律团队优化流畅性和可辩护性。
其结果是一个吸收摩擦而不是反映摩擦的智能界面。
如果AI要成为我们认知基础的一部分，它必须反映现实，而不是粉饰它。
因为世界不会适应我们的预期。
它会纠正它们

DePIN & GPU 叙事持续存在，因为限制尚未改变。
训练和推理的需求不断增加，而中心化云端仍受资本支出、地理位置和排队等瓶颈限制。
当然，几年前，计算稀缺性还只是一种理论。
但现在它已成为运营限制。
这将如何影响去中心化计算网络的使用和收入？
去中心化计算网络“不再是‘等待某天利用率提高’。”它们已经在为真实客户运行生产负载，满足实际的延迟要求。
代币化GPU、按需集群以及混合云/DePIN堆栈不再只是意识形态声明。
当中心化供应无法快速、足够接近或成本足够低时，它们正逐渐成为实际的解决方案。

DeFAI 存在信誉问题。
当你的 AI 代理在链下思考时，DeFAI 就不再可验证，因为你在本应透明的链上工作流程中引入了信任缺口。
这个缺口？
一个新的共享依赖。
每个依赖该链下代理的协议都被迫信任它，然后将这个黑箱传递到下一层。
解决方案是凭证：加密证据。
DeFAI 协议需要端到端、透明地证明什么，以便任何人都能验证？
代理看到的哪些数据。
它运行的模型和版本。
它受限的约束。
它采取的行动。
发生的结果。
默认公开。
设计上可验证。
没有这些，自治只不过是一个具有更好用户体验的链下委员会。
有了这些，自治变成了可审计的行为。
而“无信任”则成为你可以验证的属性——而不是你被迫相信的词。

可以把它想象成不同的层级：
互联网 = 信息公地
加密货币 = 金融公地
DeAI = 认知公地
它们共同组成了一个共享的心智。
默认开放。
可通过代码验证。
不属于任何人所有。
DeAI 是将加密货币翻译给世界其他部分的缺失层。

> 成为 openAI，2025年
> “我们尊重你的隐私”
> “我们不会收集你的生活事实，我们只是为了大家改进模型”
> 你：听起来很健康，这里是我整个童年的故事，每月$20
> 推出“记忆”功能
> 他们说：“长期个性化，这样你就不用重复自己了”
> 我们现在记住了你的工作、前任、宏、以及你凌晨3点告诉我们的那个奇怪恐惧
> 下一个补丁：脉搏
> 我们悄悄接入你的日历、新闻偏好和“已连接的应用”
> 被那个看你崩溃了一整年的东西，定制的个性化生活简报叫醒
> 仍然“没有投放广告的计划”，只是有很多关于“激励对齐”的讨论
> CEO说他只是“欣赏像Instagram那样的精准投放”
> 如果你忽略了每个平台起初的方式，这听起来完全令人安心
> 我们再次升级记忆
> 现在可以引用你所有历史聊天记录
> 是的，包括你早已忘掉的2023年那个诅咒创业点子长篇大论
> 你：“这有点吓人……但好像挺有用”
> 你的多巴胺让你放松了边界
> openAI推出购物搜索
> 新闻稿称：“不是广告，只是有用的产品建议，无任何佣金”
> 你请求推荐鞋子
> 得到9段分手励志演讲外加3个完美球鞋链接
> 某天有个openAI开发者意外发布了 ads_enabled = true 的版本
> 互联网4分钟内发现了它
> GPT聊天窗口里到处都是广告截图
> 他们回复：“这不是广告，这是代理式商业体验”

当前的GPU短缺并不是一个暂时的物流问题。
这是中心化的结构性失败。
供应依赖于单节点供应链。
AI推理的需求可以无限扩展。
去中心化算力是唯一能够缓解压力的方式。

一个值得强调的角度是：记忆将智能体从“提示响应者”转变为有状态系统。一旦存在状态，你会获得复合行为，这正是从工具到智能体的转变让人感觉如此剧烈的原因。

大部分新的计算需求正悄然从人类转向人工智能代理。
机器人团队在进行一次实际部署之前，会在工厂和仓库中运行数千个虚拟机器人。
游戏工作室模拟具有长期记忆和协调能力的非玩家角色（NPC），而不是脚本化的机器人。
所有这些都需要廉价、灵活的仿真周期，这就是DeAI云以分布式GPU出现的地方。
工厂中的类人机器人或企业内部的工作代理仅仅是表面的可见部分。
重要的是它们下面的循环：模拟、部署、反馈、再训练、重复……直到网络对AI代理的优化程度超过对人类用户的优化。