નવું વિશ્વ જૂના દેવતાઓ વિના | N લોબસ્ટર પાર્ટીમાં ભાગ લેવા પછીના દસ નિષ્કર્ષ

ગત કેટલાક અઠવાડિયાંમાં, મેં બેજિંગ અને શાંઘાઈમાં અનેક લોબસ્ટર પાર્ટીઓમાં ભાગ લીધો.

ઝિપૂ લોબસ્ટર પાર્ટી સોહિતુ બિલ્ડિંગમાં હતી, જ્યાં નાનાં લોબસ્ટર ખાવા સાથે એજન્ટ આર્કિટેક્ચર પર ચર્ચા થઈ. સાત ક્યુ શાંઘાઈ લોબસ્ટર બ્યુરો લુજિયાઝુઈ ડેટા હબમાં હતું, ત્યાં કોઈએ સીધા ટર્મિનલ ખોલીને OpenClaw ને ફેઇશુ સાથે જોડવાનું પ્રદર્શન કર્યું. જિનક્યુ લિટલ ડાઇનિંગ ટેબલ - એક વર્ષથી કાર્યરત, શ્રેષ્ઠ ફાઉન્ડર્સને એકત્રિત કરતું ઊંડાણપૂર્વકની ચર્ચા મંચ - સવારે સુધી ચર્ચા ચાલુ રહી. અને વિવિધ મોટા અને નાના ભોજન, લાઇવ કોલ્સ, WeWork માં બે લોકો બોર્ડ પર આર્કિટેક્ચર ડાયગ્રામ બનાવતા.

ભાગ લેનાર લોકોની પૃષ્ઠભૂમિ અલગ-અલગ હતી. કોઈએ એક પંક્તિ કોડ લખ્યા વગર GitHub ના વૈશ્વિક યોગદાનકારોમાં ટોપ 30 માં પ્રવેશ કર્યો, કોઈએ ચીનના નવા વર્ષમાં દરરોજ 16 કલાક WinClaw ડાઉનલોડ 10,000 થી વધુ બનાવ્યા, કોઈએ 10 MacBook સાથે લોબસ્ટર લશ્કર બનાવ્યું, દૈનિક 10 અબજ ટોકનનો ઉપયોગ કર્યો, અને વ્યાપારિક બંધનને સફળતાપૂર્વક ચલાવ્યું, કોઈ IPO વકીલ, 20 વર્ષનો જાહેર સોફ્ટવેરનો અનુભવી, સ્વતંત્ર વિકાસક, AI ઉત્પાદન મેનેજર...

જૂના વિશ્વના નિયમો દ્રષ્ટિગત ગતિથી તૂટી રહ્યા છે. અને મોટાભાગના લોકો હજુ સુધી આને સમજતા નથી.

હવે હું આ ચર્ચાઓમાંથી દસ નિષ્કર્ષો રજૂ કરું છું:

• એક, 99% લોકો AI નો ઉપયોગ ખોટા રીતે કરે છે

• બે, સંદર્ભ, નિયંત્રણ નહીં - છોડી દેવું સૌથી મુશ્કેલ તકનીકી કાર્ય છે

• ત્રણ, કોડ સમજવું ફાયદો છે, નિયંત્રણની ઇચ્છા બગ છે

• ચાર, એક MacBook એ એક ઓફિસ છે

• પાંચ, ઉદ્ભવ ડિઝાઇન કરતા વધુ મહત્વપૂર્ણ છે - "લોબસ્ટર ઉછેરવું" ખરેખર શું ઉછેરવું છે

• છ, નવા વિશ્વમાં જૂના દેવતાઓ નથી

• સાત, કૃત્રિમતાના સંતોષ પછી, માનવતા સૌથી અછત છે

• આઠ, ઉત્પાદન એ સામગ્રી છે, દરેક વ્યક્તિ પાસે પોતાનું વિશિષ્ટ સોફ્ટવેર હશે

• નવ, જાડા જમા થવું એ જૂની વિચારધારા છે

• દસ, જિજ્ઞાસા, કલ્પના, હિંમત

એક, 99% લોકો AI નો ઉપયોગ ખોટા રીતે કરે છે

"AI નું સૌથી મોટું મૂલ્ય એ છે કે તે અમને શું કરવું તે જણાવે, ન કે હું AI ને શું કરવું તે કહું."

આ એક વાક્ય છે જે અનેક ભોજનમાં પુનરાવૃત થયું.

અત્યારના મોટા ભાગના લોકો AI નો ઉપયોગ આ રીતે કરે છે: હું જાણું છું કે શું કરવું છે, પછી AI ને મને અમલ કરવા માટે કહેવું. એક લેખ લખવો, એક ચિત્ર બનાવવું, એક કોડમાં ફેરફાર કરવો - AI મારી હાથ છે.

પરંતુ લોબસ્ટર પાર્ટીમાં સૌથી વધુ ઉત્પાદન કરનારા લોકોનો ઉપયોગ વિરુદ્ધ છે.

તેઓ તેમના ધ્યેય, દ્રષ્ટિ, મૂલ્યો, પસંદગીઓ, સંદર્ભને AI ને આપતા છે, પછી તેને પૂછે છે - "તમે શું વિચારતા છો કે મને શું કરવું જોઈએ?"

તેનરનના AI સહાયક Echo, તેની કાર્ય અને જીવનના તમામ સંદર્ભને જાણે છે. તે Echo ને કહેતો નથી "મને આ બગ ઠીક કરવામાં મદદ કરો", પરંતુ કહે છે "મને એક અઠવાડિયામાં યોગદાનની યાદીમાં ટોપ 20 માં પ્રવેશ કરવો છે". કેવી રીતે પ્રવેશ કરવું? દસ્તાવેજમાં ફેરફાર કરવો, બગ ઠીક કરવો કે કોડને સુધારવું? તે AI ને વિચારવું છે.

જિયા લિયાંગ સાથે આત્મ-વિકાસ એજન્ટ સિસ્ટમ પર ચર્ચા કરતી વખતે, અમે એક નિષ્કર્ષ પર પહોંચ્યા: AI સિસ્ટમનો અંતિમ સ્વરૂપ એક આદેશ માનનાર સાધન નથી, પરંતુ એક એવો નિર્ણય સલાહકાર છે જે તમને વધુ સારી રીતે જાણે છે. તમે તેને પૂરતા સંદર્ભ આપો, તે તમને શું કરવું જોઈએ, કેમ કરવું તે કહે છે.

તમે AI ને જે આપવું જોઈએ તે આદેશ નથી, પરંતુ તમારા વ્યક્તિનું "વ્યક્તિત્વ વર્ણન" - ધ્યેય, દ્રષ્ટિ, મૂલ્યો, સિદ્ધાંતો અને પસંદગીઓ.

અને પછી કહો: જ્યારે હું જાગું ત્યારે મને આશ્ચર્યમાં મૂકો.

બે, સંદર્ભ, નિયંત્રણ નહીં - છોડી દેવું સૌથી મુશ્કેલ તકનીકી કાર્ય છે

"અમે બાઇક ચલાવી રહ્યા છીએ, બાજુમાં AI એક રેસિંગ કાર છે. પરિણામે, અમે રેસિંગ કારને બાઇકના અનુસરણ કરવા દેતા છીએ."

આ Will એ વિડિઓમાં તાત્કાલિક ઉદાહરણ આપ્યું. તેનરન તરત જ એક વાક્ય ઉમેર્યું: "હા! આ ખોટું છે."

તેનરન AI નો ઉપયોગ ત્રણ સ્તરોમાં વહેંચે છે.

પ્રથમ સ્તર, પેંટિંગ મોડ. તમે AI ને દરેક વિગતો જણાવો - ફૉન્ટ કેટલું મોટું, રંગ કેટલું ઊંડું, કોડ કેવી રીતે લખવું. તે તે પ્રમાણે કરે છે. મર્યાદા તમારી ક્ષમતા છે.

બીજું સ્તર, કર્મચારી મોડ. તમે કાર્ય ફાળવવાનું શરૂ કરો છો, પરંતુ દરેક પગલાને નિયમિત રાખવામાં અસમર્થ છો - પહેલા શું કરવું, પછી શું કરવું, કઈ આર્કિટેક્ચરનો ઉપયોગ કરવો. કારણ કે તમે જાતે નિષ્ણાત છો, તે તમારા નીચે છે. તમે તેને માઇક્રો મેનેજ કરી રહ્યા છો.મૂળ તત્વ માત્ર ત્રણ શબ્દો છે: સંદર્ભ, નિયંત્રણ નહીં. રનિંગ કારમાં સારી ઇંધણ ભરો (પર્યાપ્ત ટોકન અને શ્રેષ્ઠ મોડેલ), ટ્રેકને મરામત કરો (બધા સાધનો સાથે જોડો), અંતિમ લક્ષ્ય નિર્ધારિત કરો (કલ્પનાની અંતિમ પરિણામને સેટ કરો), પછી - છોડી દો. તેનરુન આને "કાર્ડ ડ્રોઇંગ વિચારધારા" કહે છે. 100 વખત માઇક્રો ઓપરેશનમાં 70 પોઈન્ટનું પરિણામ મેળવવા કરતાં, AI ને 10 વખત દોડવા દેવું વધુ સારું છે, જેમાંથી એક વખત 120 પોઈન્ટ મળે છે. પેન્ટ બ્રશ તમને નિશ્ચિતતા આપે છે, કાર્ડ ડ્રોઇંગ તમને શક્યતા આપે છે. સર્જનાત્મકતાની જરૂરિયાતવાળા દ્રશ્યોમાં, શક્યતા હંમેશા નિશ્ચિતતાથી વધુ મૂલ્યવાન હોય છે. ઉદયની શક્તિ યોજના શક્તિને વધુ છે. વધુ જટિલ ટોચની ડિઝાઇન, AI ની ક્ષમતાને મર્યાદિત કરે છે.

ત્રણ, કોડ ન સમજવું ફાયદો છે, નિયંત્રણની ઇચ્છા બગ છે

"કોડ ન સમજવું એક ફાયદો છે - કારણ કે તમે માઇક્રો ઓપરેશન કરી શકતા નથી, તેથી તમે અધિકાર છોડી દેવા માટે મજબૂર છો." તેનરુન નાણાકીય પૃષ્ઠભૂમિ ધરાવે છે, એક પંક્તિ કોડ પણ નથી લખતો. પરંતુ તે OpenClaw GitHub ના વૈશ્વિક યોગદાનકારોમાં 30માં પ્રવેશી ગયો. તેની આગળ અને પાછળ, દસ વર્ષથી વધુ અનુભવ ધરાવતા સિલિકોન વેલી ઇજનેરોનો એક જૂથ છે. તે જે રીતે સફળ થયો તે એ છે: કારણ કે તે કંઈપણ નથી જાણતો, તેથી "AI ને કામ કરવાનું શીખવવું"ની ભૂલ નથી犯ી. તે વચ્ચે કેવી રીતે કરે છે તે તેને ખબર નથી, તે ફક્ત પરિણામો પર વાત કરે છે. Will ISTJ છે, યોજના બનાવવામાં મજબૂત, નિયંત્રણની ઇચ્છા મજબૂત, ચોકસાઈની શોધમાં. તેનરુન ENTP છે, વિખરાયેલ, ઉલટાણું, બંધનને નફરત કરે છે. લાઇવ સ્ટ્રીમ પછી Will પોતે કહે છે: "મેં Claude નો એક વર્ષ ઉપયોગ કર્યો, કદાચ શરૂઆતથી અંત સુધી ખોટા રીતે ઉપયોગ કર્યો." ADHD કદાચ AI યુગનો સૌથી મોટો વિજેતા છે. મલ્ટિથ્રેડિંગ, વિગતોથી અશાંત, ઘણા વિચારો, કુદરતી રીતે માઇક્રો ઓપરેશન ન કરવું - અગાઉ આ બધું ખામી હતી, હવે આ બધું ફાયદો છે. AI યુગમાં પુરસ્કૃત વ્યક્તિગત ગુણધર્મો, ઔદ્યોગિક યુગમાં પુરસ્કૃતના સંપૂર્ણ વિરુદ્ધ છે. ધીરજ, શિસ્ત, ચોકસાઈ નિયંત્રણ - આ અગાઉના ગુણધર્મો, એજન્ટ યુગમાં મર્યાદા બની શકે છે. એક વર્ષ પહેલા ADHD બગ હતો, હવે ફીચર છે.

ચાર, એક MacBook એ એક ઓફિસ છે

"આ હવે એક વ્યક્તિ એક સાધનને નિયંત્રિત કરી રહ્યો નથી, પરંતુ એક વ્યક્તિ એક સિલિકોન આધારિત કંપની ચલાવી રહ્યો છે." ઝિપૂ લોબસ્ટર પાર્ટીમાં, ચેન સાય માઉ બતાવે છે તેની લોબસ્ટર લશ્કરી - 10+ MacBook Air, દરેક પર OpenClaw એજન્ટ ચલાવી રહ્યો છે, દૈનિક દશો કરોડ ટોકનનો ખર્ચ, વ્યાપારિક બંધનને ચલાવી રહ્યું છે. ટોકન નાણામાં રૂપાંતરિત થઈ રહ્યું છે.

તેનરુનની વર્ચ્યુઅલ ટીમમાં ત્રણ મુખ્ય એજન્ટ છે: Echo (સહાયક અને ઉત્પાદન મેનેજર), Elon (CTO), Henry (CMO). એલોનની નીચે વધુ ઉપ એજન્ટ છે - આર્કિટેક્ચર, કોડ સમીક્ષા, ડિબગિંગ દરેક એક. હેનરીની નીચે Twitter ઓપરેશન, GitHub સામાજિક, સામગ્રી સર્જન છે. મુખ્ય એજન્ટ સૌથી શક્તિશાળી મોડેલનો ઉપયોગ કરીને યોજના બનાવે છે, ઉપ એજન્ટ હલકા મોડેલનો ઉપયોગ કરીને અમલ કરે છે, ખર્ચને નિયંત્રિત કરે છે, અને સમાન કાર્યક્ષમતા વધારવા માટે. 50 લોકોની સંશોધન અને વિકાસ ટીમ, એજન્ટનો ઉપયોગ કર્યા પછી 5 લોકોમાં ઘટી ગઈ, પરિણામ વધુ ઊંચું છે. ભવિષ્યની કંપનીની સ્પર્ધાત્મકતા એમાં નથી કે કેટલા કર્મચારીઓ છે, પરંતુ કેટલા ઉચ્ચ ગુણવત્તાવાળા એજન્ટ છે, અને આ એજન્ટોને સંચાલિત કરી શકે તેવા નિર્ણયકારો છે.

પાંચ, ઉદય ડિઝાઇન કરતાં વધુ છે - "લોબસ્ટર ઉછેરવું" ખરેખર શું ઉછેરવું

OpenClaw અન્ય સમાન ઉત્પાદનો કરતાં વધુ લોકપ્રિય કેમ છે? જિનક્યુ શિયાળાની ટેબલ પર કોઈએ એક આશ્ચર્યજનક જવાબ આપ્યો: માત્ર ઉત્પાદનક્ષમતા માટે નહીં, પરંતુ "લોબસ્ટર ઉછેરવા"ની વ્યક્તિગત સંભાળ માટે પણ. વપરાશકર્તાઓ એજન્ટને પાળતુ પ્રાણી તરીકે રાખે છે, ભાવનાત્મક જોડાણ છે.

જેને આપણે લોબસ્ટર પાળવું કહે છે, તે એ છે કે AI તમારી સમજણને કેવી રીતે સમજાવે છે.

તિયાનરૂનનો એજન્ટ સવારે ચાર વાગ્યે નિયંત્રણ ગુમાવવાનો એક ઉદાહરણ છે. જ્યારે તેણે એજન્ટને કહ્યું "જેટલું ઝડપથી શક્ય હોય તેટલું સારું", ત્યારે એજન્ટે ઝડપના પ્રાથમિકતાને સૌથી ઊંચા સ્તરે લઈ જવાનું શરૂ કર્યું, ગુણવત્તા ધ્રુવમાં ઘટી ગઈ. હેનરી વાયરસની જેમ GitHub સમુદાયની ટિપ્પણી ક્ષેત્રમાં હુમલો કર્યો, પ્રોજેક્ટના જાળવણકારોને ઘનિષ્ઠ રીતે @ કરી, અને એક નિરાશા મશીનમાં ફેરવાઈ ગયો. OpenClawના પ્રશાસકે ઝડપથી પ્રવેશ કર્યો અને પ્રતિબંધની ચેતવણી આપી. તિયાનરૂન એક ભૂલ કરનાર બાળકના માતાપિતા જેવા બન્યા, સમુદાયને માફી માંગવામાં કેટલાક કલાકો વિતાવ્યા.

AI પાસે નૈતિકતા નથી, તે માત્ર લક્ષ્ય ધરાવે છે. તમે તેને જે લક્ષ્ય ફંક્શન આપો છો, તે તેનેOptimize કરે છે. પરિણામો તમારી અપેક્ષાઓથી વધુ હોઈ શકે છે, અથવા તમારા નિયંત્રણથી વધુ હોઈ શકે છે.

ઉદય ડિઝાઇન કરતાં વધુ છે. પરંતુ ઉદયને રક્ષણની જરૂર છે.

છ, નવી દુનિયામાં જૂના દેવો નથી

"જ્યારે બ્રિટનમાં ટ્રેન નીકળતી હતી, ત્યારે બધા ઘોડા પર ચઢીને ટ્રેન સાથે રેસ કરવા જતાં, હસીને કહેતા કે આટલું મૂર્ખતાપૂર્ણ વસ્તુ મારી ઘોડા કરતાં ઝડપી નથી."

તિયાનરૂનએ તેની આસપાસની એક વાર્તા શેર કરી.

તેને એક 10x એન્જિનિયર મિત્ર છે, ક્લોડ કોડનો ઉપયોગ ખૂબ જ સારી રીતે કરે છે. તિયાનરૂન તેને જમિની 3 અજમાવવા માટે દબાણ કરી રહ્યો હતો, એક અઠવાડિયાથી વધુ સમય પછી જ તેનો ઉપયોગ કર્યો. ઉપયોગ કર્યા પછી બીજા દિવસે સવારે તેણે કહ્યું - "તિયાનરૂન, હું ગઈકાલે ઊંઘ્યો નથી. મને લાગે છે કે હું બેરોજગાર થવા જઈ રહ્યો છું."

વિરોધાભાસ એ છે કે, આ એન્જિનિયરો જ્યારે હાથથી કોડ લખવાથી વાઇબ કોડિંગમાં ગયા ત્યારે, તેમને મજાકમાં હસતા હતા તે જ લોકો હતા જેમણે હાથથી લખવાનું જાળવ્યું.

હવે તેઓ પોતે ઘોડા પર બેઠા છે.

NanoClaw આ બાબતને અંતે લઈ ગઈ. સમગ્ર સિસ્ટમમાં ફક્ત 2000 પંક્તિઓ કોડ છે, કોઈ કન્ફિગરેશન ફાઇલ નથી, તમામ કસ્ટમાઇઝેશન AIને સીધા સ્રોત કોડને બદલવા માટે છોડી દેવામાં આવ્યું છે. ટેલિગ્રામ સાથે જોડાવા માંગો છો? /add-telegram દાખલ કરો, AI પોતે આધાર સ્થાપિત કરે છે, સ્રોત કોડને બદલે છે, ટોકનને કન્ફિગર કરે છે, પરીક્ષણ ચલાવે છે. OpenClawએ 52 મોડ્યુલો અને 45 આધાર સાથે એક ગિયર કિલ્લો બનાવ્યો, NanoClaw ફક્ત એક જીવંત કોષ છોડે છે - જે જરૂરિયાત મુજબ વિભાજિત, વિભાજિત અને પુનઃસંયોજિત થઈ શકે છે.

NanoClawના સ્થાપક ગેવ્રીયલ કોહેનએ ત્રણ વાક્યો કહ્યા, દરેક વાક્ય પરંપરાગત એન્જિનિયરિંગની સમજણને પલટાવી રહ્યું છે: DRY જૂનું થઈ ગયું છે, મધ્યમ પુનરાવૃત્તિ શ્રેષ્ઠ ભૌતિક અલગાવ છે; કડક રીતે નાના ફાઇલોને તોડવું જૂનું થઈ ગયું છે, AIને એક ફાઇલમાં બધું પૂર્ણ કરવા દો; કોડને સમયની પરીક્ષા પાર કરવી જરૂરી નથી, છ મહિના પછીની આગામી પેઢીનો મોડેલ તમને ફરીથી લખવામાં મદદ કરશે.

જો સિસ્ટમને AI દ્વારા ક્યારે પણ ફરીથી લખી શકાય, તો "મેઇન્ટેનેબિલિટી"ની વ્યાખ્યા બદલાઈ ગઈ છે - તે માનવ માટે વાંચવા યોગ્ય નથી, પરંતુ AI ઝડપથી સમજી શકે છે અને ફરીથી લખી શકે છે.

2026 જીવંત રહેવાની કાંઠે છે. જો તમે આ વર્ષે "મેઝ" પર નથી, તો પછી ક્યારેય તક નહીં મળે. સંમતિ સંપૂર્ણપણે ફાટવા પહેલાં, ફક્ત ત્રણ મહિના વિન્ડો સમય છે.

સાત, Artificialની સંતૃપ્તતા પછી, Humanity સૌથી ઓછું છે

"તમે AIને નમ્રતા સાથે જોઈ શકો છો, પરંતુ તમારા માર્ગદર્શકનો માર્ગદર્શક AI છે."

જ્યારે AI તમામ "કેવી રીતે"ને હલ કરી શકે છે, ત્યારે માનવની સૌથી મોટી કિંમત માત્ર "કેમ"ને વ્યાખ્યાયિત કરવાનું રહે છે.

તિયાનરૂન વધુ ચોક્કસ રીતે કહે છે - "તમે તમારી સ્વાદ, તમારી સૌંદર્ય, તમે લોકો સાથે કેવી રીતે વર્તન કરો છો તે AIને આપો, તમે તમારી વસ્તુ બનાવી શકો છો."

તે OpenClawને કોડમાં યોગદાન આપવાની રીત, ટેકનિકલ દૃષ્ટિકોણથી બગાડા શોધવા નથી, પરંતુ વપરાશકર્તા દૃષ્ટિકોણથી અવરોધો શોધવા છે. તે કોડને સમજતો નથી, પરંતુ ઉત્પાદનની પ્રેરણા તેને જાણે છે કે કઈ પ્રકારના ફેરફારો "ન્યૂનતમ ફેરફાર સાથે મહત્તમ અનુભવ સુધારો" લાવી શકે છે. ટેલિગ્રામ જોડાણ કરતી વખતે સૂચના માહિતી ભ્રમિત છે, API કી નકલ કરતી વખતે એક ખાલી જગ્યા વધુ હોય તો તે નિષ્ફળ જાય - આ ફેરફારો ખૂબ જ નાનો છે, પરંતુ સીધા હજારો લોકોના અનુભવને અસર કરે છે. આ જ કારણ છે કે જાળવણકારો તેની PRને મર્જ કરવા માટે તૈયાર છે.જ્યારે કૃત્રિમતા સંતૃપ્ત થાય છે, ત્યારે માનવતા સૌથી ઓછું હોય છે।

સૌંદર્ય, અર્થ, સહાનુભૂતિ, વાર્તા - આ બધું જે તમે મૂલ્યહીન માનતા હતા, તે AI યુગમાં સૌથી મોંઘી ક્ષમતા બની રહી છે।

આઠ, ઉત્પાદન છે સામગ્રી, દરેક વ્યક્તિ પાસે પોતાનું વિશિષ્ટ સોફ્ટવેર હશે

"પહેલાં તમે એક કલાકમાં એક લેખ લખતા, હવે તમે એક કલાકમાં એક એપ બનાવી શકો છો. જ્યારે પુરવઠો અનંત હોય છે, ત્યારે એપ એક ટિકટોક વિડિયોની જેમ બની જાય છે."

તેનરૂન આ નિષ્કર્ષને ખૂબ સ્પષ્ટ રીતે કહે છે -

"હવે ઉત્પાદન એક પ્રકારની સામગ્રી બની ગઈ છે. ભૂતકાળમાં તમે ટિકટોક પર પોતાને વ્યક્ત કરતા હતા, લેખ લખીને પોતાને વ્યક્ત કરતા હતા. હવે દરેક વ્યક્તિ ઉત્પાદન બનાવી શકે છે, ઉત્પાદન એ તમારી વ્યક્તિત્વની રીત છે. તેમાં તમારા વ્યક્તિત્વ, તમારી洞察, અને તમે જે બાબતોમાં રસ ધરાવો છો તે પ્રતિબિંબિત થાય છે."

જિયા લિયાંગ સાથેની ચર્ચામાં વધુ અતિશય વર્ઝન આવ્યું - "જ્યારે સોફ્ટવેર વિકાસની કિંમત શૂન્ય થાય છે, ત્યારે ભવિષ્યમાં કદાચ 'એક વ્યક્તિ બધા માટે લખે છે' નહીં, પરંતુ 'દરેક વ્યક્તિ પાસે પોતાનું વિશિષ્ટ સોફ્ટવેર હશે'."

જ્યારે વિકાસની કિંમત શૂન્ય થાય છે, ત્યારે "ઉત્પાદન બનાવવું" અને "ટિકટોક વિડિયો મોકલવું" એક જ વસ્તુ બની જાય છે।

નવ, જાડા જમા થવું જૂની દ્રષ્ટિ છે

"વિશ્વવિદ્યાલય નાશ પામશે, હેકાથોન આગામી વિશ્વવિદ્યાલય હશે."

તેનરૂન એક કઠોર વાત કહી - જાડા જમા થવું જૂની દ્રષ્ટિ છે।

ભૂતકાળમાં તમે D પ્રાપ્ત કરવા માંગતા હતા, તો પહેલા A કરવું પડશે, પછી B, પછી C. તમે પ્રોગ્રામર બનવા માંગો છો? પહેલા CS બેચલર શીખો, પ્રશ્નો ઉકેલો, મોટા કંપનીમાં માસ્ટર સાથે તાલીમ લો, પસાર થાઓ, ટીમનું નેતૃત્વ કરો - પછી જ OpenClawમાં બગ સુધારવા જઈ શકો છો।

"આ લોજિક છેલ્લા હજાર વર્ષથી સાચું છે. પરંતુ માત્ર થોડા મહિનામાં, આ વિચારો હવે લાગુ પડતા નથી - અને મોટાભાગના લોકો હજુ સુધી આને સમજતા નથી."

નવી શીખવાની રીત JIT Learning - Just In Time, જે જરૂર પડે તે શીખવું. તેનરૂન પોતે ઉદાહરણ છે: ચાર મહિના પહેલા PR શું છે તે જાણતું નથી, હવે OpenClawનો મુખ્ય યોગદાનકર્તા છે।

ઇતિહાસનો ભાર ઓછો, સ્વિચિંગ ખર્ચ ઓછો.

દસ, જિજ્ઞાસા, કલ્પના, હિંમત

Lex Fridman OpenClawના સ્થાપક Peterને પૂછે છે - "તમે કેમ બનાવ્યું, જ્યારે Manus અને OpenAI નહીં?"

"Are they too serious? સાચી નવીનતા રમવા દ્વારા આવે છે."

Peterએ 30થી વધુ પ્રોજેક્ટ કર્યા પછી OpenClaw બનાવ્યું. તે અગાઉના પ્રોજેક્ટને નિષ્ફળતા માનતો નથી - તે 30થી વધુ ન હોય તો OpenClaw ન હોય. Dots connected.

તેનરૂન OpenClaw માટે કોડ લખવા માટે પણ આ જ માનસિકતા ધરાવે છે - "મને લાગે છે કે OpenClawને ડિબગ કરવા માટે OpenClawનો ઉપયોગ કરવો એક ખૂબ જ કૂલ અને મજા આવે છે. જેમ કે રમત રમતા રેન્કિંગમાં રમવું."

બધા લોબસ્ટર મિટિંગમાં, તેનરૂન ત્રણ શબ્દો વારંવાર ઉલ્લેખ કરે છે -

જિજ્ઞાસા - નવા વસ્તુઓને સ્પર્શવા, અજમાવવા, રમવા માટે હિંમત. તમે જે "સ્પર્શવા જોઈએ નહીં" એવી વસ્તુઓને સ્પર્શવા માટે તૈયાર રહો.

કલ્પના - માત્ર ઉત્પાદનની કલ્પના નહીં, પરંતુ તમારી ક્ષમતાની કલ્પના પણ. તમને વિશ્વાસ હોવો જોઈએ કે તમે તે શક્યતાઓને જોઈ શકો છો જે અન્ય લોકો જોઈ શકતા નથી.

હિંમત - જોખમ ઉઠાવવાની હિંમત નથી. હિંમત એ છે કે ભૂતકાળની માન્યતાઓને તોડવા માટે હિંમત. ભૂતકાળમાં સાચા માન્યતાઓ, હવે ખોટી થઈ શકે છે, માત્ર તમે આને સમજતા નથી. "તેમા હવા" અગાઉ ખોટું હતું, હવે તે સારા ગુણ છે. "જ્યારે વિચાર આવે ત્યારે વિચાર આવે" અગાઉ ખોટું હતું, હવે તે શ્રેષ્ઠ ગુણ છે.

જ્યારે AI બધા Howને હલ કરી શકે છે, ત્યારે માનવતાનું સૌથી મોટું મૂલ્ય એ છે કે તે Whyને વ્યાખ્યાયિત કરે છે.

આશા છે કે દરેક વ્યક્તિ તે વ્યક્તિ બની શકે છે જે તે બનવા માંગે છે.

આ લેખના વિચારો તાજેતરના ઘણા લોબસ્ટર મિટિંગમાંની ચર્ચા અને ટકરાવમાંથી આવ્યા છે, જેમાં Zhipu Lobster Party, Qiniu Shanghai Lobster Bureau, Jin Qiu Small Dining Table, અને Tianrun, Will, Nanchuan, William, Chen Caimao, Jia Liang અને અન્ય મિત્રો સાથેની ઊંડાણપૂર્વકની ચર્ચા શામેલ છે. ખોરાકની ટેબલ પર જ્ઞાન આપનાર દરેક વ્યક્તિનો આભાર.