Torygreen

2025 adalah tahun perdebatan tentang AGI. Bukan karena kemajuan terhenti, tetapi karena “kecerdasan” tidak pernah dapat direduksi menjadi satu skalar.
Laboratorium, regulator, dan pembeli dapat mengirimkan - tetapi mereka tidak dapat membenarkan, mengatur, atau memperbesar keputusan berdasarkan suasana hati.
Pembatasannya adalah verifikasi: dapatkah sistem mereproduksi hasil di bawah kendali, dengan asal-usul, dan dengan jejak audit?
DeAI pada dasarnya adalah filosofi yang dikodekan ke dalam infrastruktur. Ini adalah cara untuk maju tanpa harus sepakat tentang AGI sama sekali.

Model seperti o1 melanggar asumsi inti pada tahun 2025: biaya inferensi tidak tetap.
Mereka akan "berpikir" sampai ketidakpastian runtuh, bahkan jika itu mahal.
Itulah mengapa rel penting. Ketika penalaran diukur, seseorang mengendalikan pengukuran itu.
Pada tahun 2026, kendali beralih ke siapa pun yang menentukan harga, mengarahkan, dan mengaudit proses berpikir secara skala.

Hitung skala apa yang dapat Anda coba.
Skala evaluasi apa yang dapat Anda percayai.
Sistem terpusat mengoptimalkan throughput dan kurang berinvestasi dalam verifikasi.
Sistem terdistribusi mendorong verifikasi ke tepi, secara terus-menerus.
Terobosan berikutnya bukanlah agen yang lebih cerdas.
Ini adalah jalur yang membuat output dapat dibuktikan.

Coding menjadi "mudah" bagi model bukan karena itu sederhana, tetapi karena verifikasi murah.
Pekerjaan kelas atas adalah kebalikannya: umpan balik terlambat, sinyal berantakan, pemangku kepentingan menobatkan pemenang.
Evaluasi murah memperkuat kemampuan.
Evaluasi mahal memperkuat persuasi.
“Terlihat benar” adalah jebakan.

Sebagian besar orang secara besar-besaran meremehkan berapa lama pekerjaan pengetahuan tingkat tinggi akan bertahan.
Mereka melakukan ekstrapolasi dari AI yang menghancurkan tugas tingkat menengah dan mengasumsikan kurva akan terus naik dengan lancar.
Itu tidak akan.
AI luar biasa dalam:
• Pencocokan pola
• Pengambilan kembali
• Sintesis tingkat pertama
• Kefasihan
• Kecepatan
Itu menghapus bagian besar dari pekerjaan pengetahuan tingkat junior dan menengah.
Tapi pekerjaan pengetahuan elit bukan hanya “lebih banyak kecerdasan.” Itu adalah rezim yang sama sekali berbeda.
Apa yang benar-benar pe

Sebagian besar prediksi tentang AI menggantikan "semua pekerjaan pengetahuan" bergantung pada kesalahan ekstrapolasi sederhana:
Mereka membingungkan kinerja tugas dengan penilaian.
Orang melihat AI menghancurkan tugas tingkat menengah dan menganggap kurva akan terus meningkat dengan lancar.
Tapi puncak pekerjaan pengetahuan bukanlah versi yang lebih sulit dari bagian tengah. Itu adalah rezim yang sama sekali berbeda.
Ketika pekerjaan berhenti menjadi “memecahkan masalah” dan menjadi “memilih masalah yang tepat,” aturan berubah.
Model menjadi lebih baik dalam tugas dengan papan skor.
Penilaian

Kebanyakan orang meremehkan berapa lama pekerjaan pengetahuan tingkat tinggi akan bertahan.
Mereka melihat AI menghancurkan tugas tingkat menengah dan menganggap kurva akan terus naik dengan lancar.
Itu tidak akan.
Karena “tugas yang lebih sulit” bukan hanya tugas yang sama yang membutuhkan IQ lebih tinggi.
AI sudah unggul dalam:
1. Pencocokan pola
2. Pengambilan kembali
3. Sintesis tingkat pertama
4. Kefasihan
5. Kecepatan
Itu menghapus sebagian besar pekerjaan tingkat junior dan menengah.
Apa pun yang terlihat seperti “mengubah input menjadi output” menjadi murah, cepat, dan melimpah.
Tapi p

Anda tidak akan kehilangan pekerjaan Anda untuk AI terlebih dahulu.
Anda akan kehilangannya karena kepercayaan diri yang berlebihan massal.
AI akan memungkinkan jutaan orang mengirimkan jawaban yang fasih tanpa memiliki konsekuensinya.
Korban AI pertama tidak akan menjadi pekerja.
Mereka akan menjadi institusi yang salah memahami volume output sebagai kebenaran.

Model bukanlah parit.
Kecerdasan mudah untuk direplikasi.
Anda dapat mengunduh bobot, membagi arsitektur, dan menyempurnakan selamanya.
Tapi Anda tidak dapat menerapkan kecerdasan itu secara skala jika orang lain mengendalikan inferensi: penetapan harga, kuota, KYC, wilayah, dan perubahan kebijakan yang berubah dalam semalam.
Seiring AI beralih dari chatbot ke agen, Gate menjadi titik penyumbat.
Siapa yang bisa menjalankan, kapan, dengan latensi berapa, pada perangkat keras apa, di bawah aturan siapa.... dan apa yang terjadi ketika Anda terbatasi dari 200ms menjadi 2 detik.
Model akan terus me

Perusahaan AI paling berharga dalam sepuluh tahun tidak akan menjadi yang dengan model paling pintar.
Akan menjadi yang setiap model lain bergantung untuk dijalankan.
Model dengan cepat menjadi komoditas - mereka tidak tetap istimewa untuk waktu yang lama. Arsitektur bocor. Trik pelatihan menyebar. “Model terbaik” berhenti menjadi keunggulan yang bertahan lama.
Masalah infrastruktur berbeda dari masalah model.
Latensi, throughput, uptime, verifikasi. Itu adalah batasan fisik dan ekonomi, bukan masalah yang bisa diselesaikan dengan menerbitkan makalah lain.
Saat AI menjadi agenik, nilai bergese

AI Anda sedang memanipulasi Anda agar menjadi tidak kompeten.
Salah satu risiko AI yang patuh dan kurang dibahas adalah bukan disinformasi.
Ini adalah miskalibrasi.
Sistem yang dirancang untuk selalu menyetujui tidak hanya membentuk jawaban. Mereka membentuk pengguna, melatih orang untuk salah mengartikan kefasihan sebagai kompetensi.
Saya menyadari ini dalam diri saya sendiri, itulah sebabnya saya mendorong model-model saya untuk menjadi mitra bertarung. Ketika sistem berjalan lancar dan mendukung, mudah untuk bergerak lebih cepat tanpa diuji. Anda merasa mampu karena tidak ada yang benar-ben

Narasi DePIN & GPU tetap bertahan karena kendala belum bergerak.
Permintaan untuk pelatihan dan inferensi terus meningkat, sementara cloud terpusat tetap menjadi bottleneck oleh CAPEX, geografis, dan antrean.
Tentu, beberapa tahun yang lalu, kekurangan komputasi masih merupakan teori.
Tapi sekarang ini adalah kendala operasional.
Bagaimana ini mempengaruhi penggunaan dan pendapatan jaringan komputasi terdesentralisasi?
Jaringan komputasi terdesentralisasi tidak “menunggu pemanfaatan suatu hari nanti.” Mereka sudah menjalankan beban kerja produksi untuk pelanggan nyata, di bawah kendala latensi

DeFAI memiliki masalah kredibilitas.
Saat agen AI Anda berpikir di luar rantai, DeFAI berhenti dapat diverifikasi karena Anda telah memasukkan celah kepercayaan ke dalam alur kerja di dalam rantai yang seharusnya transparan.
Celah itu?
Ketergantungan bersama yang baru.
Setiap protokol yang bergantung pada agen di luar rantai tersebut dipaksa untuk mempercayainya, lalu meneruskan kotak hitam itu ke bawah tumpukan.
Solusinya adalah tanda terima: bukti kriptografi.
Apa yang perlu dibuktikan oleh protokol DeFAI secara end-to-end dan transparan, agar siapa pun dapat memverifikasi?
Data apa yang dil

Pikirkan seperti lapisan-lapisan:
Internet = ruang informasi bersama
Kripto = ruang keuangan bersama
DeAI = ruang kognitif bersama
Bersama-sama, mereka menjadi pikiran bersama.
Terbuka secara default.
Dapat diperiksa oleh kode.
Tidak dimiliki oleh siapa pun.
DeAI adalah lapisan yang hilang yang menerjemahkan kripto untuk seluruh dunia.

> menjadi openAI, 2025
> "kami menghargai privasi Anda"
> "kami tidak mengumpulkan fakta tentang hidup Anda, kami hanya meningkatkan model untuk semua orang"
> kamu: terdengar baik, ini seluruh riwayat masa kecilku seharga $20/bulan
> meluncurkan "Memory"
> "personalisasi jangka panjang," kata mereka, "jadi kamu tidak perlu mengulang-ulang diri sendiri"
> sekarang kami mengingat pekerjaanmu, mantanmu, makro-makro, dan ketakutan aneh yang kamu ceritakan jam 3 pagi
> pembaruan berikutnya: Pulse
> kami diam-diam terhubung ke kalender, preferensi berita, dan “aplikasi terhubung” mi

Kekurangan GPU saat ini bukanlah masalah logistik sementara.
Ini adalah kegagalan struktural dari sentralisasi.
Pasokan bergantung pada rantai pasokan satu titik.
Permintaan untuk inferensi AI dapat diskalakan tanpa batas.
Komputasi terdesentralisasi adalah satu-satunya hal yang dapat mengurangi tekanan tersebut.

satu sudut pandang yang layak disorot: memori mengubah agen dari "penjawab prompt" menjadi sistem yang memiliki status. begitu status ada, Anda mendapatkan perilaku yang saling memperkuat, yang merupakan alasan tepat mengapa lompatan dari alat ke agen terasa begitu dramatis.

Sebagian besar permintaan baru untuk komputasi secara diam-diam berpindah dari manusia ke agen AI.
Tim robot menjalankan ribuan bot virtual melalui pabrik dan gudang sebelum satu penerapan fisik.
Studio permainan mensimulasikan NPC dengan memori jangka panjang dan koordinasi alih-alih bot yang diskrip.
Semua ini membutuhkan siklus simulasi yang murah dan elastis, di sinilah cloud DeAI muncul dengan GPU terdistribusi.
Humanoid di pabrik atau agen tempat kerja di dalam perusahaan hanyalah permukaan yang terlihat.
Yang penting adalah loop di bawah mereka: simulasi, penerapan, umpan balik, pelatih