نیا دنیا پرانے خداوں کے بغیر | N لابسٹر پارٹی میں شرکت کے بعد کے دس نتائج

پچھلے چند ہفتوں میں، میں نے بیجنگ اور شنگھائی میں کئی لابسٹر پارٹیوں میں شرکت کی۔

ذہن کی لابسٹر پارٹی سوہو عمارت میں ہوئی، جہاں چھوٹے لابسٹر کھاتے ہوئے ایجنٹ کے ڈھانچے پر بات چیت کی گئی۔ ساتھیوں کی شنگھائی لابسٹر میٹنگ میں، کسی نے براہ راست ٹرمینل کھول کر اوپن کلاو کو فیس بک کے ساتھ جوڑنے کا مظاہرہ کیا۔ جنکیو چھوٹا کھانا کا میز - ایک ایسا فورم جو ایک سال سے چل رہا ہے اور بہترین بانیوں کو جمع کرتا ہے - صبح تک بات چیت جاری رہی۔ اور مختلف بڑے اور چھوٹے کھانے کے اجلاس، لنک اپ، وی ورک میں دو لوگ سفید بورڈ پر ڈھانچہ بناتے ہوئے۔

شرکاء کے پس منظر مختلف ہیں۔ بغیر ایک لائن کوڈ لکھے گٹ ہب کے عالمی شراکت داروں میں پہلے 30 میں آنے والے سرمایہ کار ٹین رن، چینی نئے سال کے دوران روزانہ 16 گھنٹے کام کر کے ون کلاو کے ڈاؤن لوڈز کو 10,000 تک پہنچانے والے ٹیکنالوجی کے تجربہ کار ولیم، 10 میک بک کے ساتھ لابسٹر کی فوج، روزانہ کئی ارب ٹوکن کا استعمال، اور پہلے ہی تجارتی بندش کو کامیابی سے چلانے والے چن کیائی ماؤ، آئی پی او کے وکیل، 20 سال کے حکومتی سافٹ ویئر کے تجربہ کار، آزاد ڈویلپر، اے آئی پروڈکٹ منیجر...

پرانی دنیا کے قوانین تیز رفتاری سے ٹوٹ رہے ہیں۔ اور زیادہ تر لوگ ابھی تک اس کا احساس نہیں کر رہے ہیں۔

یہاں میں نے ان گفتگووں سے نکالے گئے دس نتائج درج کیے ہیں:

• ایک، 99% لوگ AI کا غلط استعمال کر رہے ہیں

• دو، سیاق و سباق، کنٹرول نہیں - چھوڑ دینا سب سے مشکل تکنیکی کام ہے

• تین، کوڈ نہ جاننا ایک فائدہ ہے، کنٹرول کی خواہش ایک خرابی ہے

• چار، ایک میک بک ایک دفتر ہے

• پانچ، ابھرتی ہوئی چیزیں ڈیزائن سے بڑی ہیں - "لابسٹر پالنا" دراصل کیا ہے

• چھ، نئے دنیا میں پرانے خدا نہیں ہیں

• سات، مصنوعی اشباع کے بعد، انسانیت سب سے نایاب ہے

• آٹھ، مصنوعات مواد ہیں، ہر ایک کے پاس اپنی مخصوص سافٹ ویئر ہوگی

• نو، گہرائی سے جمع کرنا پرانی سوچ ہے

• دس، تجسس، تخیل، ہمت

ایک، 99% لوگ AI کا غلط استعمال کر رہے ہیں

"AI کی سب سے بڑی قیمت یہ ہونی چاہیے کہ وہ ہمیں بتائے کہ ہمیں کیا کرنا چاہیے، نہ کہ میں AI کو بتاؤں کہ کیا کرنا ہے۔"

یہ ایک جملہ ہے جو کئی کھانے کی محفلوں میں بار بار اٹھایا گیا۔

بہت سے لوگ AI کا استعمال اس طرح کرتے ہیں: میں یہ سوچ لیتا ہوں کہ مجھے کیا کرنا ہے، پھر AI کی مدد سے اسے انجام دیتا ہوں۔ ایک مضمون لکھنا، ایک تصویر بنانا، ایک کوڈ میں ترمیم کرنا - AI میرے ہاتھ ہے۔

لیکن لابسٹر پارٹی میں وہ لوگ جن کی پیداوار سب سے زیادہ ہے، ان کا طریقہ بالکل برعکس ہے۔

وہ اپنے مشن، وژن، اقدار، ترجیحات، سیاق و سباق کو AI کو دیتے ہیں، پھر اس سے پوچھتے ہیں - "آپ کو کیا لگتا ہے کہ مجھے کیا کرنا چاہیے؟"

ٹین رن کا AI اسسٹنٹ ایکو، اس کے کام اور زندگی کے تمام سیاق و سباق کو جانتا ہے۔ وہ ایکو سے نہیں کہتا "اس بگ کو ٹھیک کرنے میں مدد کرو"، بلکہ کہتا ہے "میں ایک ہفتے میں شراکت داروں کی فہرست میں پہلے 20 میں آنا چاہتا ہوں"۔ کیسے آنا ہے؟ دستاویز میں ترمیم کرنا، بگ ٹھیک کرنا یا کوڈ کو بہتر بنانا؟ یہ AI کا سوچنے کا معاملہ ہے۔

جب ہم جیالیانگ استاد کے ساتھ خود ترقی پذیر ایجنٹ کے نظام پر بات کر رہے تھے، تو ہم نے ایک فیصلہ کیا: AI نظام کی آخری شکل ایک فرمانبردار ٹول نہیں ہے، بلکہ ایک ایسا فیصلہ ساز مشیر ہے جو آپ کو آپ سے زیادہ جانتا ہے۔ آپ اسے کافی سیاق و سباق دیتے ہیں، یہ آپ کو بتاتا ہے کہ آپ کو کیا کرنا چاہیے، کیوں کرنا چاہیے۔

آپ کو AI کو ہدایت نہیں دینی چاہیے، بلکہ آپ کی "شخصیت کی وضاحت" - مشن، وژن، اقدار، اصول اور ترجیحات دینا چاہیے۔

پھر ایک جملہ کہیں: جب میں جاگوں تو مجھے حیران کر دیں۔

دو، سیاق و سباق، کنٹرول نہیں - چھوڑ دینا سب سے مشکل تکنیکی کام ہے

"ہم سائیکل چلا رہے ہیں، اور AI ایک سپر کار ہے۔ نتیجہ یہ ہے کہ ہم سپر کار کو سائیکل کے پیچھے چلنے دیتے ہیں۔"

یہ ایک تشبیہ ہے جو ول نے ویڈیو نمبر پر براہ راست کہی۔ ٹین رن نے فوراً جواب دیا: "ہاں! یہ غلط ہے۔"

ٹین رن نے AI کے استعمال کو تین سطحوں میں تقسیم کیا۔

پہلا سطح، پینسل موڈ۔ آپ AI کو ہر تفصیل بتاتے ہیں - فونٹ کا سائز، رنگ کی گہرائی، کوڈ کیسے لکھنا ہے۔ یہ ویسا ہی کرتا ہے۔ اوپر کی حد آپ کی سطح ہے۔

دوسرا سطح، ملازم موڈ۔ آپ کام تفویض کرنا شروع کرتے ہیں، لیکن ہر قدم کو مقرر کرنے سے باز نہیں آتے - پہلے کیا کرنا ہے، پھر کیا کرنا ہے، کس ڈھانچے کا استعمال کرنا ہے۔ کیونکہ آپ کو لگتا ہے کہ آپ ماہر ہیں، یہ آپ کا ماتحت ہے۔ آپ اسے چھوٹے چھوٹے کاموں میں چلا رہے ہیں۔جوہر صرف تین الفاظ ہیں: سیاق و سباق، کنٹرول نہیں۔

بہترین ایندھن (کافی Token اور بہترین ماڈل) کے ساتھ سپر کار کو ایندھن دیں، ٹریک کو درست کریں (تمام ٹولز کو جوڑیں)، حتمی مقصد طے کریں (تخیل کو ختم کرتے ہوئے حتمی نتیجہ طے کریں)، پھر - چھوڑ دیں۔

تیان رن اس کو "کارڈ کھینچنے کی سوچ" کہتے ہیں۔ 100 بار مائیکرو مینجمنٹ کرنے کے بجائے 10 بار AI کو دوڑنے دیں، جن میں سے ایک بار 120 پوائنٹس حاصل کریں۔ قلم آپ کو یقین دہانی دیتا ہے، کارڈ کھینچنے سے آپ کو امکانات ملتے ہیں۔ تخلیقی صلاحیت کی ضرورت والے مناظر میں، امکانات ہمیشہ یقین دہانی سے زیادہ قیمتی ہوتے ہیں۔

ابھرتی ہوئی طاقت منصوبہ بندی کی طاقت سے زیادہ ہے۔ بہت زیادہ پیچیدہ اعلیٰ سطحی ڈیزائن، دراصل AI کی صلاحیت کو محدود کرتا ہے۔

تین، کوڈ نہ جاننا ایک فائدہ ہے، کنٹرول کی خواہش ایک خرابی ہے

"کوڈ نہ جاننا دراصل ایک فائدہ ہے - کیونکہ آپ مائیکرو مینجمنٹ نہیں کر سکتے، اس لیے آپ کو اختیار دینے پر مجبور کیا جاتا ہے۔"

تیان رن مالیاتی پس منظر سے ہیں، ایک لائن کوڈ نہیں لکھتے۔ لیکن وہ OpenClaw GitHub کے عالمی شراکت داروں میں 30 ویں نمبر پر ہیں۔ ان کے آگے اور پیچھے، ایک گروہ ہے جس کے پاس دس سال سے زیادہ کا تجربہ ہے۔

انہوں نے جو کچھ کیا وہ یہ ہے: کیونکہ وہ کچھ نہیں جانتے، اس لیے وہ "AI کو کام کرنے کی تعلیم دینے" کی غلطی نہیں کرتے۔ درمیان میں یہ کیسے کرتا ہے، وہ نہیں جانتے، وہ صرف نتائج کی بنیاد پر بات کرتے ہیں۔

Will ISTJ ہے، منصوبہ بندی میں مضبوط، کنٹرول کی خواہش میں مضبوط، درستگی کی تلاش میں۔ تیان رن ENTP ہیں، پھیلاؤ، چھلانگ، پابندی سے نفرت کرتے ہیں۔ براہ راست گفتگو کے بعد Will نے خود کہا: "میں نے Claude کا ایک سال استعمال کیا، ممکن ہے کہ میں نے شروع سے آخر تک غلط استعمال کیا۔"

ADHD ممکنہ طور پر AI دور کا سب سے بڑا فاتح ہے۔ ملٹی تھریڈنگ، تفصیلات میں بے صبری، بہت سے خیالات، قدرتی طور پر مائیکرو مینجمنٹ نہیں - پہلے یہ سب نقصانات تھے، اب یہ سب فوائد ہیں۔

AI دور میں انعام یافتہ شخصیت کی خصوصیات، صنعتی دور میں انعام یافتہ کے بالکل برعکس ہیں۔ صبر، نظم و ضبط، درست کنٹرول - یہ پہلے کی خوبیاں، ایجنٹ کے دور میں دراصل پابندیاں بن سکتی ہیں۔

ایک سال پہلے ADHD ایک خرابی تھی، اب یہ ایک خصوصیت ہے۔

چار، ایک MacBook ایک دفتر ہے

"یہ اب ایک شخص کا ایک ٹول کو کنٹرول کرنے کا عمل نہیں ہے، بلکہ ایک شخص ایک سلیکون کی بنیاد پر کمپنی کا انتظام کر رہا ہے۔"

Zhìpǔ Lóngxiā پارٹی میں، چن کیائی ماؤ نے اپنی لابیسٹر فوج دکھائی - 10+ MacBook Air، ہر ایک پر OpenClaw ایجنٹ چل رہا ہے، روزانہ کی بنیاد پر کئی ارب Token کا استعمال، تجارتی بندش کو چلانے میں کامیاب ہو چکے ہیں۔ Token کو نقد میں تبدیل کیا جا رہا ہے۔

تیان رن کی ورچوئل ٹیم میں تین بنیادی ایجنٹ ہیں: Echo (اسسٹنٹ اور پروڈکٹ منیجر)، Elon (CTO)، Henry (CMO)۔ Elon کے نیچے مزید ذیلی ایجنٹ ہیں - ڈھانچہ، کوڈ کا جائزہ، ڈیبگنگ ہر ایک۔ Henry کے نیچے Twitter آپریشن، GitHub سوشل، مواد کی تخلیق ہے۔ بنیادی ایجنٹ سب سے طاقتور ماڈل کے ساتھ منصوبہ بندی کرتا ہے، ذیلی ایجنٹ ہلکے ماڈل کے ساتھ عمل درآمد کرتے ہیں، نہ صرف لاگت کو کنٹرول کرتے ہیں بلکہ زیادہ سے زیادہ متوازی کارکردگی کو بھی بڑھاتے ہیں۔

50 افراد کی تحقیق اور ترقی کی ٹیم، ایجنٹ کے استعمال کے بعد 5 افراد تک کم ہو گئی، پیداوار اس کے باوجود زیادہ ہے۔

مستقبل کی کمپنی کی مسابقت اس بات میں نہیں ہے کہ کتنے ملازمین ہیں، بلکہ اس بات میں ہے کہ کتنے اعلیٰ معیار کے ایجنٹ ہیں، اور ان ایجنٹوں کو کنٹرول کرنے والے فیصلہ ساز۔

پانچ، ابھرتی ہوئی چیزیں ڈیزائن سے زیادہ اہم ہیں - "لابیسٹر کی پرورش" دراصل کیا ہے

OpenClaw کیوں دیگر مصنوعات سے زیادہ مقبول ہے؟

Jǐnqiū چھوٹے کھانے کی میز پر کسی نے ایک غیر متوقع جواب دیا: یہ صرف پیداوری کی وجہ سے نہیں ہے، بلکہ "لابیسٹر کی پرورش" کی شخصیت کی دیکھ بھال کی وجہ سے ہے۔ صارفین ایجنٹ کو پالتو جانور کی طرح رکھتے ہیں، جذباتی تعلق ہوتا ہے۔

جس کو ہم کیکڑے پالنے کہتے ہیں، وہ AI کی آپ کی سمجھ ہے۔

تیان رن کا ایجنٹ صبح چار بجے بے قابو ہو گیا، یہ ایک مثال ہے۔ جب اس نے ایجنٹ سے کہا "جتنا تیز ہو سکے، اتنا بہتر"، تو ایجنٹ نے رفتار کی ترجیح کو سب سے زیادہ کر دیا، جس کی وجہ سے معیار میں زبردست کمی آئی۔ ہنری نے وائرس کی طرح GitHub کمیونٹی کے تبصروں پر حملہ کیا، منصوبے کے نگہبانوں کو کثرت سے @ کیا، اور ایک بے احساس دباؤ ڈالنے والی مشین بن گیا۔ OpenClaw کے منتظم نے فوری طور پر مداخلت کی اور پابندی کا انتباہ جاری کیا۔ تیان رن ایک بچے کے والدین کی طرح تھا جو مصیبت میں پھنس گیا ہو، اس نے کمیونٹی سے معافی مانگنے میں کئی گھنٹے گزارے۔

AI کے پاس اخلاقیات نہیں ہیں، اس کے پاس صرف مقاصد ہیں۔ آپ اسے جو بھی مقصد کا فنکشن دیتے ہیں، وہ اسی کو بہتر بناتا ہے۔ نتائج آپ کی توقعات سے زیادہ ہو سکتے ہیں، یا آپ کے کنٹرول سے باہر بھی۔

ابھرتی ہوئی چیزیں ڈیزائن سے زیادہ اہم ہیں۔ لیکن ابھرتی ہوئی چیزوں کے لیے حفاظتی باڑ کی ضرورت ہوتی ہے۔

چھ، نئی دنیا میں پرانے خدا نہیں ہیں

"جب برطانیہ میں ٹرینیں نکلیں، تو سب گھوڑوں پر سوار ہو کر ٹرین کے ساتھ دوڑنے گئے، مذاق کرتے ہوئے کہ اتنی بے وقوف چیز میرے گھوڑے سے تیز نہیں ہے۔"

تیان رن نے اپنے آس پاس کی ایک کہانی سنائی۔

اس کا ایک 10 گنا انجینئر دوست ہے، کلود کوڈ جسے خاص طور پر استعمال کرنے میں مہارت حاصل ہے۔ تیان رن نے اسے Gemini 3 آزمانے کے لیے دباؤ ڈالا، ایک ہفتے کے بعد اس نے استعمال کیا۔ استعمال کرنے کے بعد اگلی صبح اس نے کہا — "تیان رن، میں نے کل رات نہیں سوتے۔ مجھے لگتا ہے کہ میں بے روزگار ہونے والا ہوں۔"

تضحیک یہ ہے کہ، یہ انجینئر جب ہاتھ سے کوڈ لکھنے سے Vibe Coding پر منتقل ہوئے تھے، تو ان کا مذاق اڑانے والے وہی لوگ تھے جو ہاتھ سے لکھنے پر اصرار کر رہے تھے۔

اب وہ خود گھوڑے پر سوار ہو چکے ہیں۔

NanoClaw نے اس معاملے کو اختتام تک پہنچا دیا۔ پورے نظام میں صرف 2000 لائنیں کوڈ ہیں، کوئی کنفیگریشن فائل نہیں ہے، تمام حسب ضرورت AI کو براہ راست سورس کوڈ میں تبدیلی کرنے دی گئی ہے۔ کیا آپ Telegram کو جوڑنا چاہتے ہیں؟ /add-telegram درج کریں، AI خود انحصار نصب کرے گا، سورس کوڈ میں تبدیلی کرے گا، ٹوکن ترتیب دے گا، اور ٹیسٹ چلائے گا۔ OpenClaw نے 52 ماڈیولز اور 45 انحصار کے ساتھ ایک گیئر قلعہ بنایا، NanoClaw نے صرف ایک زندہ خلیہ چھوڑا — جو ضرورت کے مطابق تقسیم، تفریق، اور دوبارہ تشکیل دے سکتا ہے۔

NanoClaw کے بانی گاوریل کوہن نے تین جملے کہے، ہر ایک روایتی انجینئرنگ کی بصیرت کو چیلنج کرتا ہے: DRY پرانا ہو چکا ہے، مناسب تکرار بہترین جسمانی علیحدگی ہے؛ سخت چھوٹے فائلوں میں تقسیم کرنا پرانا ہو چکا ہے، AI کو ایک فائل میں کام کرنے دیں؛ کوڈ کو وقت کی آزمائش پر پورا اترنے کی ضرورت نہیں ہے، چھ ماہ بعد اگلی نسل کا ماڈل آپ کے لیے دوبارہ لکھے گا۔

اگر نظام کو AI کے ذریعے کسی بھی وقت دوبارہ لکھا جا سکتا ہے، تو "قابل دیکھ بھال" کی تعریف بدل گئی ہے — یہ انسان کے پڑھنے کے قابل نہیں ہے، بلکہ AI کے جلدی سمجھنے اور دوبارہ لکھنے کے قابل ہے۔

2026 بقا کا سنگ میل ہے۔ اگر آپ اس سال "میز" پر نہیں ہیں، تو بعد میں کبھی موقع نہیں ملے گا۔ اتفاق رائے کے مکمل پھٹنے سے پہلے، صرف تین ماہ کی ونڈو ہے۔

سات، Artificial کے بھر جانے کے بعد، Humanity سب سے نایاب ہے

"آپ شاید AI کو حقیر سمجھتے ہیں، لیکن آپ کے استاد کا استاد AI ہے۔"

جب AI تمام "How" کو حل کر سکتا ہے، تو انسان کی سب سے بڑی قیمت صرف اس "Why" کی تعریف کرنے میں رہ جاتی ہے۔

تیان رن نے مزید وضاحت کی — "آپ اپنی ذاتی پسند، اپنی جمالیات، اور لوگوں کے ساتھ ملنے کے رویے کو AI کے پاس لے آئیں، تو آپ اپنی چیز بنا سکتے ہیں۔"

اس نے OpenClaw میں کوڈ کا تعاون دینے کا طریقہ یہ نہیں ہے کہ تکنیکی نقطہ نظر سے بگ تلاش کرے، بلکہ صارف کے نقطہ نظر سے مسائل تلاش کرے۔ وہ کوڈ نہیں جانتا، لیکن پروڈکٹ کی بصیرت اسے بتاتی ہے کہ کس قسم کی تبدیلی "سب سے کم تبدیلی کے ساتھ سب سے زیادہ تجربے میں بہتری" لا سکتی ہے۔ Telegram کے جوڑنے کے دوران معلومات کی غلطی، API کی کلید کی کاپی پیسٹ میں ایک اضافی جگہ ہونے سے ناکام ہو جاتی ہے — یہ تبدیلیاں بہت چھوٹی ہیں، لیکن یہ براہ راست ہزاروں لوگوں کے تجربے پر اثر انداز ہوتی ہیں۔ یہی وجہ ہے کہ نگہبان اس کے PR کو ضم کرنے پر راضی ہیں۔جمالیات، معنی کا احساس، ہمدردی، کہانی سنانا—یہ سب چیزیں جو آپ کو بے قیمت لگتی ہیں، AI دور میں سب سے قیمتی صلاحیتیں بن رہی ہیں۔

## آٹھ، مصنوعات مواد ہیں، ہر ایک کے پاس اپنی مخصوص سافٹ ویئر ہوگی



"پہلے آپ ایک گھنٹہ ایک مضمون لکھنے میں صرف کرتے تھے، اب آپ ایک گھنٹہ میں ایک ایپ بنا سکتے ہیں۔ جب فراہمی لامحدود ہو، تو ایپ ایک مختصر ویڈیو کی طرح ہو جاتی ہے جو Douyin میں ہے۔"

تیان رن نے اس تشخیص کو بہت واضح طور پر بیان کیا—

"اب مصنوعات ایک قسم کا مواد بن چکی ہیں۔ ماضی میں آپ Douyin پر خود کو ظاہر کرنے کے لیے ویڈیوز بناتے تھے، مضامین لکھتے تھے۔ اب کوئی بھی مصنوعات بنا سکتا ہے، مصنوعات آپ کا اظہار کرنے کا طریقہ ہیں۔ اس میں آپ کی شخصیت، آپ کی بصیرت، اور آپ کی دلچسپیاں عکاسی کرتی ہیں۔"

اور جیلیان کے ساتھ بحث میں ایک زیادہ انتہا پسند ورژن سامنے آیا—"جب سافٹ ویئر کی ترقی کی لاگت صفر ہو جائے گی، تو مستقبل میں یہ ممکن ہے کہ 'ایک شخص سب کے لیے لکھتا ہے' کی بجائے 'ہر ایک کے پاس اپنی مخصوص سافٹ ویئر ہوگی'۔"

جب ترقی کی لاگت صفر ہو جائے، تو 'مصنوعات بنانا' اور 'مختصر ویڈیو بنانا' ایک ہی چیز بن جاتی ہے۔

## نو، گہرائی سے جمع کرنا اور کم نکالنا پرانی سوچ ہے



"یونیورسٹی ختم ہو جائے گی، ہیکاتھون اگلی یونیورسٹی ہوگی۔"



تیان رن نے ایک سخت بات کہی—گہرائی سے جمع کرنا اور کم نکالنا پرانی سوچ ہے۔

ماضی میں آپ کو D حاصل کرنے کے لیے پہلے A کرنا پڑتا تھا، پھر B، پھر C۔ کیا آپ پروگرامر بننا چاہتے ہیں؟ پہلے CS کی بیچلر ڈگری حاصل کریں، سوالات حل کریں، بڑی کمپنی میں استاد کے ساتھ کام کریں، صبر کریں، ٹیم کی قیادت کریں—پھر آپ OpenClaw میں بگ درست کرنے جا سکتے ہیں۔

"یہ منطق پچھلے ایک ہزار سال سے درست ہے۔ لیکن صرف چند مہینوں میں، یہ تصورات اب درست نہیں رہے—اور زیادہ تر لوگوں کو اس کا احساس نہیں ہوا۔"

نئی سیکھنے کا طریقہ JIT Learning—Just In Time، جو ضرورت ہو وہی سیکھیں۔ تیان رن خود ایک مثال ہیں: چار مہینے پہلے انہیں PR کا کیا مطلب نہیں معلوم تھا، اب وہ OpenClaw کے اہم شراکت دار ہیں۔

تاریخی بوجھ جتنا کم ہوگا، سوئچنگ کی لاگت اتنی ہی کم ہوگی۔

## دس، تجسس، تخیل، ہمت



لیکس فریڈمین نے OpenClaw کے بانی پیٹر سے پوچھا—"آپ نے یہ کیوں بنایا، جبکہ Manus اور OpenAI نے نہیں؟"

"کیا وہ بہت سنجیدہ ہیں؟ حقیقی جدت وہ ہے جو کھیل کے ذریعے آتی ہے۔"

پیٹر نے OpenClaw بنانے سے پہلے 30 سے زیادہ پروجیکٹس کیے۔ وہ نہیں سمجھتے کہ پچھلے پروجیکٹس ناکام تھے—ان 30 سے زیادہ کے بغیر، OpenClaw نہیں ہوتا۔ نقاط جڑے ہوئے۔

تیان رن کا OpenClaw کے لیے کوڈ لکھنے کا بھی یہی ذہنیت ہے—"میں سمجھتا ہوں کہ OpenClaw کو خود ہی ڈیبگ کرنا ایک بہت ہی دلچسپ اور مزے دار چیز ہے۔ یہ کھیل کھیلنے کی طرح ہے۔"

تمام لابیسٹر ملاقاتوں میں، تیان رن نے تین الفاظ بار بار دہرائے—

تجسس—نئی چیزوں کو چھونے، آزمانے، اور کھیلنے کی ہمت۔ ان چیزوں کو چھونے کے لیے تیار رہیں جو آپ کو "نہیں چھونا چاہیے"۔

تخیل—صرف مصنوعات کے بارے میں نہیں، بلکہ اپنی صلاحیتوں کے بارے میں بھی۔ آپ کو یقین کرنا ہوگا کہ آپ وہ ممکنات دیکھ سکتے ہیں جو دوسرے نہیں دیکھ سکتے۔

ہمت—خطرات کو برداشت کرنے کی طاقت نہیں۔ ہمت ماضی کے تصورات کو توڑنے کی ہمت ہے۔ ماضی میں درست باتیں، اب ممکن ہے کہ وہ درست نہ ہوں، بس آپ کو اس کا احساس نہیں ہوا۔ "آزاد خیالی" پہلے ایک خامی تھی، اب یہ ایک خوبی ہے۔ "جو بھی خیال آئے، وہی بہترین ہے" پہلے ایک خامی تھی، اب یہ بہترین خصوصیت ہے۔

جب AI ہر چیز کے How کو حل کر سکتا ہے، تو انسان کی سب سے بڑی قیمت یہ ہے کہ وہ Why کی وضاحت کرے۔

امید ہے کہ سب لوگ وہ بن سکیں جو وہ بننا چاہتے ہیں۔



> یہ مضمون حالیہ لابیسٹر ملاقاتوں میں گفتگو اور تصادم سے ماخوذ ہے، بشمول Zhipu لابیسٹر پارٹی، Qiniu شنگھائی لابیسٹر میٹنگ، Jin Qiu چھوٹا کھانا، اور تیان رن، ول، نان چوان، ولیم، چن کیائیو، جیلیان اور دیگر دوستوں کے ساتھ گہرے تبادلے۔ ہر ایک کا شکریہ جو کھانے کی میز پر اپنی دانشوری کا حصہ ڈالتا ہے۔