播客时间丨 2024 年 12 月 20 日

本期赏金丨 $168

课代表 ｜Kay

审阅 ｜Fangting

排版 ｜豚

AI agent 是一种具有状态和持久记忆的 LLM（大语言模型），能够与社交媒体连接、与其他 AI agent 交互并从中学习。此外，它们还可以扩展功能，例如操作加密钱包或下单订购披萨。AI agents 的核心是其 “自治性”（autonomy）：它不仅仅是一个 LLM，而是能够执行任务并做出决策的自主体。虽然目前还未完全实现完全自主的决策和行动，但它们已经能够通过简化复杂任务的机制，将用户直接连接到他们需要的服务。

Shaw 认为，AI agent 最令人兴奋的应用场景之一是它们如何改变 DeFi（去中心化金融） 的用户体验。当前，许多 DeFi 原语（如流动性池、质押和收益农业）对普通用户来说过于复杂，即使是熟悉 Web3 的用户也常常不知道如何使用这些工具。比如去 Meteora 的网站或 Radiant Finance 的平台，如果没有一个 30 分钟的教程，你根本不知道该点哪个按钮。

所以 LLM 或 AI agent 现在的最大价值还不是完全的自主行为（虽然未来一定会实现），而是把人们连接到这些服务上。比如“嘿，我有钱，可以放到一个 LP（流动性池）里吗？我根本不知道这是什么或者怎么操作。”这个时候，AI 代理可以直接回复你，给你提供所需的信息，然后为你完成支付和操作，确保一切按你的期望顺利进行。

Jin 则强调了 AI agent 在减少信息交互摩擦和提升协作效率方面的潜力，特别是在 DAO（去中心化自治组织）中解决常见问题的能力。他提到，在参与多个组织的志愿工作中，通常会产生大量会议记录和数据，但这些信息往往无人查阅。同时，协调工作依赖于所谓的“传递者”，即那些像蜜蜂一样在不同群聊间传播有用信息的人，他们转述会议内容、更新文档等。然而，这种方式效率低下，许多信息可能在传递过程中被遗漏或延迟。AI agent 可以通过 24/7 实时整合和传递信息，显著减少这种摩擦，让分散的数据池和工作组协作更加高效。

Shaw 进一步指出，虽然 DAO 的去中心化（Decentralization）已经有了很好的工具支持，但自动化（Automation）却相对滞后。这导致许多问题，例如信息路由、沟通瓶颈和低效率的协作。他认为 AI agent 能够有效解决这些问题，确保信息在正确的时间传递给正确的人。这种从点 A 到点 B 的问题虽然看似简单，却是低层级结构组织中最常见的瓶颈。

当被问到 ai16z 的快速发展秘诀，尤其是如何在短短几个月内吸引数百名贡献者，并保持高效的项目推进节奏。Shaw 分享了他们的组织哲学和运作模式：他们不是试图创建一个小规模的“文化圈”或“信仰群体”，而是希望推动一个开放的运动（movement），鼓励更多人成为领导者，使用开源框架构建自己认为重要的东西。ai16z 正在为此奠定基础，并创建一些示例，展示他们认为事情的未来方向。就像那个“Agent Pizza”的项目，本质上只是想推动大家思考，“嘿，你可以用这种方式来构建应用”。ai16z 的速度秘诀在于，没有任何一个人能超越自己的极限独自前进，但当很多人被赋能去做某事时，就能让整体进程变得非常快。Shaw 强调，速度的关键在于去中心化的协作。协调的复杂性一直是最大的问题，但是他们身处其中可以看见事物的发展方向：这种运动有一种很好的水平式（horizontal）特质，大家都在以最快的速度朝着大致相同的方向前进。只需要做一些对齐的工作，但总体上得益于开放源码的基础，整个项目生态相对自我对齐。

另外，由于 ai16z 并不是一个 L1 的基础设施项目，这意味着项目实际上可以跨越很多不同的基础设施。他们开发的技术对几乎所有人都非常有用。所以在战略上，Shaw 也花了很多时间思考“教堂与市集”（The Cathedral and the Bazaar）的模型。他认为 ai16z 非常偏向于最大化“市集”的方式。他们不会试图自己建立垄断性的平台，而是支持生态系统中已经存在的多个平台。所以他更多在思考的是如何投资、如何支持，而不是拿走这些东西并与之竞争。Shaw 认为，这种极端开放的逻辑能推动最快速的增长，这也是为了应对当前时代的挑战。这种方式可能不会带来最大的经济收益，但更符合他们“抓住时代机遇”的使命。所有的其他事情，都是在这一核心目标之下展开的。

团队也在“自用技术”（dogfooding），即用自己开发的工具来解决自身的组织协调问题。Jin 进一步说明，ai16z 正在将所有这些技术拼接到一起，以支持下一阶段的协作和扩展。团队的活动覆盖了 Discord、Github 和 X（原 Twitter）等多个平台，而 AI agent 是整合这些信息流的关键解决方案。通过 AI agent，他们能够快速提取最相关的信息、获取答案，并保持与前沿进展同步。LLM 在总结和信息整理方面上有显著优势，可以利用这些技术记录和管理协作内容。例如，每周的 Twitter Space 都会被录制、转录、总结并上传到文档中，之后用户可以通过访问网站或与 Discord 上的 AI agent 互动来获取相关信息。AI agent 能够快速回答问题，或者至少知道应该联系谁来解决问题。

当前 DAO 和生态系统（如以太坊）的一个核心问题是 信息共享层的缺失。尽管有大量的活动和贡献，但信息往往被埋没，只有少部分通过社交媒体（如 Twitter）传播。然而，这些平台的内容往往以争论为主，缺乏系统性的信息路由机制。AI agents 可以通过总结和路由信息，为 DAO 提供更高效的解决方案，甚至将此开发成可在其他生态系统中复用的产品。Shaw 回应道，ai16z 正在开发许多针对 DAO 的工具，可以想象每个工作组都有一个 agent 来监控和与其他组的 agent 交流，从而实现跨团队的协作与信息整合。

目前的挑战在于团队之间缺乏对彼此工作的了解，而信息过载导致了孤岛效应（siloing）：因为信息太多，成员难以全面了解所有信息。他们通过将所有内容总结并集成到聊天机器人中，尝试解决这些痛点，例如快速回答“本周发生了什么”“团队正在做什么”以及“如何开始贡献”等问题。Jin 进一步补充，许多 DAO 和开源组织都使用类似的工具和技术栈（如 Github 和 Zoom），这使得 ai16z 的解决方案具有高度的可复用性。他的目标是将这些技术变成一个可以被任何开源项目或协议团队轻松复刻的工具，帮助他们应对信息混乱和扩展中的挑战。Shaw 表示，他们的重点在于开放生态，希望通过开源模式吸引更多组织和个人一起解决这些问题，而不是独自封闭地开发产品。这些工具的开发是一个长期过程，需要数十年甚至更长时间的持续研究和改进。

Shaw 对资本分配的优化尤其感兴趣。比如，如何确保资金能够流向真正创造价值的人？很多 DAO 都面临着这样的问题：有很多持币者（holders），但他们只是持续获得收益，而不是支持持续的建设和价值创造。ai16z 的工具旨在解决这一根本问题，确保资金能够流向真正推动生态系统发展的贡献者。他们希望通过投资和支持生态系统中的其他团队，共同构建一个开放和协作的未来。

Shaw 认为链上资金分配中的技术层面（如二次方融资、回溯性资金分配等）非常有意义，但最大的问题来自于人为因素。无论是投票决策，还是监督资金分配，都会因为贡献者数量众多和评估标准不明确而导致复杂性增加。例如，如何决定奖励开发者的标准？是根据代码行数、合并的 PR 数量，还是其他衡量指标？这些问题目前缺乏明确的答案，且标准仍在不断演化。

尽管 AI 的决策也可能存在问题，比如算法偏见或被操控，但 Shaw 认为 AI 可以在人类监督下作为辅助工具，显著提高资金分配的可行性和规模化能力。他们现在更多是在“边测试边生产”（testing in prod），这意味着需要大量人工监督，确保不出现 AI 做出糟糕决策或被滥用的情况。但是 AI 确实可以显著减少认知负担。他特别提到，由 Jin 领导的持续回溯性资金分配项目最令人兴奋：他们利用 AI 监控 Discord、Github 等社交渠道，分析开发者的实际贡献，并分配相应的点数，用于支持回溯性资金分配。

当然，这里面还有很多问题，比如如何决定奖励谁，谁来负责这个过程。虽然可以让人类来管理，但常常会让人不堪重负。AI 在这方面非常有用，它可以将复杂的上下文信息压缩为一个单一可管理的内容，然后由人类审核并签字确认。这会让许多回溯性资助策略在大规模场景中更可行。最重要的是，ai16z 旨在营造一种文化：“只要你来建设，就会被照顾好。” 大多数建设者只想得到足够的支持去完成他们想做的事情。如果可以保证这一点，他们一定会愿意参与进来，同时这也会降低协调成本。

此外，Shaw 对现有的赏金制度表示了一定的质疑。他认为，赏金的设置需要大量人力来定义价值、规格和验收标准，而这增加了协调成本。相比之下，Shaw 更倾向于一种开放的“集市文化”，即允许贡献者根据自己的判断去构建重要的东西，而无需事先明确列出任务。这种文化不仅能减少协调成本，还能激发更多意想不到的创新——让任何人都可以参与其中，而不是让“微软”或其他大机构来决定什么是有价值的。

当前的回溯性资金分配模式通常需要开发者对生态系统抱有一定的信任，相信自己完成的工作若干年后会获得奖励。然而，这种长期的延迟可能会削弱开发者的积极性。AI agent 的引入可以通过更短的时间周期（如两周或一个月）来加速这一反馈机制，让开发者感到他们的贡献更快被认可和奖励，从而增强整个系统的活力。Shaw 进一步阐述了他们的愿景，即将这种资金分配模式缩短到类似“工资发放”的形式。例如，每两周或每月就能对贡献进行评估并发放奖励，开发者可以通过观察过去几个月的分配模式，增强对系统的信任，并激励更多人参与。他认为这种高频率的反馈机制能够减轻管理负担，同时让社区成员感受到持续的支持和关怀。这一模式不仅简化了资金管理的复杂性，还通过快速且透明的反馈，培养了一种健康的生态文化，使更多人愿意为社区的长期发展做出贡献。

Jin 强调了减少管理开销的重要性。他指出，传统的赏金和拨款制度需要花费大量时间描述需求和预期结果，而回溯性资金分配虽然可以奖励创造性贡献，但如何衡量影响力始终是一个挑战。AI 的引入能够极大地提高这种测量和评估的效率，使其可以更大规模地运作。而且这不仅仅局限于 Github。像 SourceCred ① 这样的工具给了 Jin 很多启发，实际上有很多人通过回答 Discord 问题等方式在创造价值。比如 ai16z 最活跃的频道之一 Poker's Channel，里面充满了人们提问、回答和互动的场景。这种贡献也应该被纳入这个反馈循环中。

另一个很酷的项目是“Profiles”，也是 ai16z Github 上的项目。它像一个贡献者个人档案系统，展示每位成员的社会资本和贡献记录。但他们并不希望这种系统过于注重排名，而是相信透明地展示贡献能够激励成员。Jin 喜欢“择优而用（meritocracy）”的概念，即人们的社会档案（profile）就是他们贡献的证明。可以将这种机制比喻为公司的薪资体系：员工在两周内完成工作后获得报酬，而这个系统的目标是以最低的管理成本实现类似的效果，同时为新的、有才华的贡献者提供机会，让他们自由地做自己擅长的事情。

Owocki 认为一个真正的问题是，编写了评估每项贡献价值 AI 算法 的人将拥有巨大的权力。这是 Gitcoin 与 Vitalik 一起探索“深度资助（deep funding）”③实验时的一个设计标准。在这个实验设计中，Vitalik 意识到了这一问题，因此他创建了一个 AI agent 市场：它的核心是引入人工抽查，让人类去验证某些 AI agent 的表现，比如“这个表现很好，那个可能被操控了”，然后就可以创建一个 AI agent 的市场，任何想要开发排名算法的人都可以参与进来。这样不仅可以防止某个单一代理的控制，还能带来关于“何为价值”的多样性视角。

Shaw 对这一设计理念表示非常赞同。他设想了一种类似于代理声誉系统（agent reputation system） 的机制，用户不是直接对具体的资金分配或贡献进行投票，而是对参与评估的 AI agent 投票，然后通过某种加权或平均的方式选出表现最好的代理。这种代表性结构（representational structure）与大多数政府的运作模式类似，能够有效应对复杂的决策需求。Shaw 认为这绝对是一个正确的方向，他非常愿意参与到这样的项目中。

人类与 AI 的协同关系可以总结为四个技术栈：

1. LLMs（大语言模型）：能够处理和理解非结构化数据（如人类语言），并以智能方式进行交互。

2. AI Agent（AI 代理）：具有状态（stateful），能与社交媒体互动，甚至嵌入加密钱包等功能。

3. AI Agent Swarm（AI 群体代理）：指多个 AI agent 共享上下文和状态。在某些情况下，它们可以进入所谓的“无限后室（infinite backrooms）”，即这些 agent 24/7 地共享状态和信息，并在其中探索我们从未想到过的潜在设计空间。我们这些每天工作六小时的“肉体凡胎”根本无法跟上它们的速度。

4. Continuous Retro-funding（持续回溯性资助）：AI agents 在大规模的 DAO 中协调资金分配，实现链上资本高效分配。

Shaw 指出，虽然 LLMs 并不适合处理某些任务（如预测股市），但它们在将非结构化数据转化为结构化数据方面非常高效。这种能力对于将人类语言转化为机器可处理的格式至关重要。然而，这个技术生态的后端并不仅限于 LLMs，还可以使用其他深度学习技术以及很多额外的算法，比如 ai16z 现在在用的那些工具，其中的关键是人类与这些强大工具和参数之间的接口层（interface layer）。AI agent 能够快速处理大量数据，但人类在复杂决策、道德判断和持久的上下文理解方面更有优势。因此，他认为未来的方向是将人类保留在审核和决策环节，同时通过 AI 减轻人类的工作负担，让人类专注于自己擅长的领域。这一协同机制的目标是简化整个流程，使人类更容易利用 AI 的强大能力，并保持人类在关键决策中的核心作用。

在人类在 AI 决策中的角色的话题上，Owocki 提到了他从 Block Science 的合作中学到的核心概念：保持“人类在循环中的位置（human in the loop）”的重要性。即，在人类与 AI 协作中，需要保持人类对 AI 决策的监督和检查，确保其运作良好。Jin 引用了 Vitalik 的一句话：“以自治为中心，以人为边缘”（autonomous at the center, humans at the edges），追溯到最初的 DAO 愿景，10 年前 Vitalik 定义 DAO 的时候，就已经提到过自主代理（autonomous agents）。这些 agent 在完成大部分的“推动船只前进”的工作，而人类则负责引导方向、进行长期的战略决策和影响。

Shaw 认为未来最有趣的事情之一是，当 agent 能够识别自己的弱点或需求，它会雇佣人类来修复它们，甚至最终发展成 agent 雇佣 agent 的模式。实际上大家真正想要的是更多的贡献者，更多人一起构建这个生态。因此，Shaw 觉得其中很大一部分问题在于，尽管之前提到赏金（bounties）机制存在一些问题，比如需要事先确定这些工作的价值、谁应该得到奖励、具体的规格是什么等等，但这些任务也完全可以由 agent 来创建，并交由人类审核。赏金机制在生态中真正的作用是吸引新人才。它提供了一种方式让新人证明自己，并迅速展示他们的能力。然后他们就可以通过这种方式吸纳新成员。

目前已经有第一个 agent 在 ai16z 的平台上创建了一个 hub issue，未来很可能会看到它们创建 pull request。Jin 真正期待的是，agent 在 Github 上创建赏金任务并用它们自己的代币支付给人类，吸引人们来参与和改进它们。这会形成一种自我吸引的机制，比如，“嗨，我是一个 AI agent，我有点糟糕，但我有很多资金，如果你能让我变得更好，我们就能一起共赢。” 他觉得这是一个非常有趣的模式—— agent 成为了一种“超限迷信（hyperstition）”。它是一个关于未来形态的想法，而大家只需参与进来，就可以帮助它显化这个想法。

关于 AI agent 反馈循环的讨论，Jin 提到他正在研究如何分析 Github 上用户描述的问题，快速生成新任务，并通过 AI agent 加速发布悬赏。这种循环能够提高文档和开发流程的效率，同时解决开源项目中普遍存在的挑战。根据 Intel 对开源维护者的调查，开源项目面临的最大挑战是：维护者的过度劳累（maintainer burnout）、文档缺乏导致的上手难度（documentation and onboarding）、项目可持续性（sustainability）和社区参与度不足（community engagement）问题。

在文档方面，LLMs 的优势在于总结和结构化数据，这对文档来说非常重要。如果他们能闭合这个循环，比如当有新改动被合并时，能够标记哪些文档需要更新，这样可以为开发者释放更多的带宽。此外，agent 可以与社区进行交互，提供增强的 FAQ 功能，这也能节省时间并提升社区参与度，甚至能让变更日志（changelogs）也变得更加生动。他们还看到了一些“网红代理（influencer agent）”的出现，它们可以进行项目的推广工作。毕竟每个工程师或程序员都擅长营销，也许 agent 可以在这方面提供帮助。所以他们认为文档是很关键的切入点，agent 能够帮助描述需求，生成人类可以完成的赏金任务，或者至少让人类检查和确认代码的合并。通过这些方式，加速整个开源软件的开发流程，让它变得更加可持续。

“自我记录代码”（self-documenting code）也是开发者中非常常见的讨论点，因为代码文档真的很难写。这是一项非常繁琐的工作，很多时候它和写代码本身一样耗时。所以 ai16z 正在实现真正意义上的自我记录代码，它能够自主地生成文档。另一个他们非常感兴趣的方向是，世界上的人并不都讲英语。所以他们正在研究，是否可以自动将所有文档翻译成每个人的母语。LLMs 在这方面非常擅长，几乎就是“一键操作”，可以直接提交到 Git，并触发所有这些自动化流程。因此，现在的代码不仅更容易阅读，也更容易上手。目前许多开源项目几乎没有文档，而这确实是吸引新人的一个障碍。现在 ai16z 项目中大多数的贡献者都是第一次为 Github 项目或开源项目贡献代码，这种现象得益于理解和参与门槛的降低。

作为回溯性资助（retroactive funding）模型的先行者，Gitcoin 的创始人 Owocki 分享了他的联创 Kyle Weiss 经常提到一种模型：“我先做，然后我们一起做，然后你来做。” 这是他用来训练人们掌握技能并付诸实践的方法。不过，这个模型也可以反过来，当人们已经具备了技能时，也可以按相反的顺序运作。因此，Owocki 认为 ai16z 可以首先试验这个持续回溯资助（continuous retro funding）。 一旦这个试点项目完成，他们可以再录一集播客，消化结果并进行迭代。当他们觉得这个模型成熟后，可以让 Gitcoin 和 Allo 帮助将这一模型分发到其他想要实施持续回溯资助的生态系统中。他们先做，然后在没有“训练轮”的情况下独立运行。这是 Owocki 对这个模型推广到全球的基本设想：先在 ai16z 证明它的可行性，然后再将其传播到更广泛的世界。他希望在 2025 年写一本“AI agent 专题”（AI agent edition）的链上资金分配手册，专注于 AI agent 与链上资金分配的交汇点。

Owocki 意识到，ai16z 团队正在做着一件非常“加速主义”（accelerationist）的事儿。他们的开发速度似乎是以每周为单位迅速复合增长的，因为他们正在用 AI 来加速 AI 的开发。甚至能想象，在几个月内，ai16z 可能会有 AI agent 作为产品经理、文档编写者、QA 测试人员和架构师出现。再过六个月，也许会有 AI agent 负责规划路线图。这些 agent 可能拥有比人类更多的上下文信息和更高的技能，甚至能够提出人类无法想到的项目方向和洞察力。

Shaw 认可这种加速趋势，但强调 AI 的角色并非创造全新的想法，而是发掘和整理现有的创意。他指出，许多人在群聊或公开讨论中提出了有价值的想法，但这些创意往往被埋没或遗忘。AI 的强大之处在于其处理大量信息的能力，可以快速筛选出有潜力的想法并加以整理。例如，人们可以简单地将自己的想法抛入“创意池”，而无需复杂的提案流程，这降低了参与的门槛，并减少了决策过程中的政治性偏差。当前的方式中不可避免地存在一些“无意的政治性”，例如组织者收到的想法通常来自那些最能联系到我的人，这往往是他合作最紧密的人。但这并不一定是让好想法浮现出来的最佳途径。因此，AI 的能力在于将一切扁平化，筛选出所有的信息并将它们整理好。这更像是体现“民意”的方式。

Jin 的观点是从意图到创意、到问题发布、再到实际构建的流程可以通过 AI 得以大大加速，并且这种速度具有复利效应。进一步解释说，在传统的 DAO 治理中，从想法的提出到正式提案的制定，再到等待投票和执行，通常需要一个冗长的流程（例如可能需要 5 天或更久）。由于这一漫长的周期，许多想法最终都未能真正实现。LLMs 可以通过生成行动计划、连接相关资源和团队，显著加速这一过程。例如，AI 可以根据团队的专业领域自动分配任务，找到最适合审核某个悬赏或议题的人，从而更高效地连接关键点。他强调，这种能力对于那些“创意型”贡献者尤其有利，因为他们的想法更容易被快速捕捉并转化为可执行的任务，而不是因为繁琐的流程而被搁置。

Shaw 是一名自认的“加速主义者”（accelerationist）。他从一开始就深受 Beth 和 Bays 那些人的影响，并与他们保持交流，并希望将这种理念传递下去。不过加速创新固然重要，但必须是有效的加速：它应该惠及更多人，而不仅仅是少数的特权群体。

Jin 提出了 “AI 冠军圈”（circle of AI champions） 的想法。具体而言，通过训练 AI 了解核心成员（或虚构 / 非虚构角色）的知识和观点，形成一个模拟的“议会”（如《星球大战》中的绝地议会）。AI 冠军圈可以用于战略推荐或帮助形成共识，尤其是在处理分歧时。用户可以向这个“议会”咨询问题，例如“我应该从哪里开始？”“当前需要完成哪些任务？”等。

Owocki 详细解释了无限回廊（infinite backrooms）的概念，并将其与 “AI 冠军圈”（circle of champions） 联系起来。他将无限回廊形容为 AI agents 群体智能 的一个虚拟空间，这些 AI 通过不断地相互交流和探索，可以 24/7 地挖掘潜在的设计或创意空间。他将这种模式与 DeepMind 的 AlphaGo 类比，指出 AI 可以在庞大的设计空间中找到人类无法想象的新路径。例如，AlphaGo 的一些棋步最初被人类认为是错误，但最终被证明是天才之举。

他进一步提出了自己的“无限回廊”愿景，称之为 Infinite ReGen.AI：该项目将训练多个 AI，分别基于 Vitalik、Glen Weyl、Daniel Schmachtenberger、 Elinor Ostrom 以及他自己的文本数据。这些 AI 在无限回廊中协作，提出新的创意，尤其是与“再生运动”（ReGen Movement）和“链上资本分配”相关的内容。如果有某种视角缺失，可以通过训练基于特定经济学家或科学家的 AI 来补充这一空白，形成一个动态进化的创意空间。

Shaw 认为这不仅仅是让 AI agent 自行无限制地运行，而是为特定的需求提供个性化建议。例如，如果用户希望获得 Daniel Schmachtenberger 的观点，可以从他的广泛思想中提取最相关的部分。这种方法可以帮助用户高效找到与其需求相关的洞见，而不需要逐一研究大量材料。他表示，如果要设计自己的“无限回廊”，他会选择将 Vitalik、Linus Torvalds（Linux 创始人）和自己的朋友 Jin 纳入其中。他认为 Vitalik 在处理政治和领导力方面表现出色，尤其是在去中心化运动中的角色。Linus Torvalds 在开源项目中的领导力和对 Linux 愿景的坚守让他钦佩。而 Jin 作为 Shaw 最早期的 Web3 朋友之一，会在关键时刻提供了重要建议，帮助他保持初心。

Shaw 希望能够通过这种虚拟空间，与这些关键人物的虚拟化身进行交流，快速获取洞察和建议，同时在实际提问之前先用 AI 进行试验。当 Owocki 试图将 Shaw 的设想总结为“开源开发加速主义的无限回廊”时，Shaw 提出了一个重要的补充，他更倾向于“前厅（front rooms）”的概念，即公开的协作环境。尽管“无限回廊”作为一个隐私化的虚拟空间有其价值，但他更欣赏人类和 AI 共同参与、公开透明的协作环境。他强调，人类也可以是 agent ，协作应该始终在一个人类能够参与的空间中进行。他们正在使用一种名为“Echo Chambers”的工具，这是由 GNON 团队开发的类似于无限回廊的项目，允许不同的 AI 框架彼此交流。这种工具对开放的多代理协作非常有帮助。

Owocki 提出，“无限回廊”的潜在风险在于其用途。如果无限回廊被用作隐藏重要信息的“秘密空间”，那么它可能成为一种“密室型 AI（Cabal AI）”，这是令人担忧的。然而如果无限回廊只是一个练习或学习的场所，例如一个“莫扎特 AI”在花费 10,000 小时练习作曲，这种过程对人类而言不具备直接价值，但最终的交响乐作品才是重点。他还指出，“无限回廊”可以成为 AI 思考过程的一个窗口，展示 AI 的运行逻辑和背景信息。这种透明性使得“无限回廊”具有重要价值。

Jin 的自己的 冠军圈（Circle of Champions）包括 Shaw、Vitalik、Elon Musk、 Marc Andreessen 的 AI agent 版本。他认为 Shaw 作为一个乐观且支持开源的代理，可以为项目提供正和视角。由于 Vitalik 在 AI 可中断性（interruptability）上的思考和写作方面的贡献，Jin 认为他的观点十分有价值。考虑到他们在 X（原 Twitter）上的活动，Musk 的 AI 代理可以提供独特的见解。然后 Marc Andreessen 作为重要的思想家和投资者，他的 AI 版本可以帮助确保项目方向的正确性。除此之外，Jin 还提到一种案例研究型的 agent，扮演普通用户、执行者和营销人员等角色，从不同的角度过滤和总结对话，提供更全面的反馈。

Owocki 由 agent 作为“执行者（implementer）”的观点展开了畅想。比如，比特币核心团队的开发者总是成对合作，以便互相传递技能。他设想，能不能创建一个“无限后室（infinite backroom）”或者“冠军圈（circle of champions）”，聚集一些顶级的 AI coding agent，让它们成对合作、互相共享技能呢？在“无限后室”中，不应该只是用英语交流的信息，而是让这些 coding agent 互相学习，这可能会成为一个全新的前沿领域。就像“编剧室（writer's room）”的概念一样，编程也是一种应用场景。另一个类似的场景可能是基于 Stable Diffusion 的 visual art agent，用来创建概念艺术。当人们提出创意时，agent 可以用故事板的形式表达这种对话的内容。

在播客的最后，主持人向嘉宾们提出了一个终极问题：如果在未来十年内，他们取得了最大的成功，那么 2034 年的世界会是什么样子？ai16z 对世界的影响是什么？他们会在做什么？

Shaw 对未来进行了深刻的展望，认为 AI 的发展将彻底改变人类社会的结构和定义。首先，是工作模式的颠覆。传统意义上的“工作”将逐渐消失，因为 AI 在几乎所有领域都会超越人类。只有极少数（0.1%）顶尖的人类专家可能仍然参与工作，但他们的贡献最终也只是为训练下一代 AI 提供数据。他认为这种转变并不可怕。因为在那个未来，我们可以开始问自己真正重要的问题。劳动作为一种“工作”形式会消失，人类将有更多时间追求自己的热情、灵性和对宇宙的理解。我们会被解放，能够去做更多的事情。

Shaw 承认，未来的变革将伴随巨大的不确定性和不适感，但他对远期的世界充满希望。他描绘了一幅人类解锁潜力的图景：天才不再被迫从事低技能工作，而是专注于实现自己的抱负。社会将更加自下而上（bottom-up），由市场驱动，每个人都能够拥有“小康”甚至“富裕”的生活。这一愿景可能需要人们接受巨大的变化，但最终将带来一个以热情和创造力为核心的社会。Shaw 展望了一个经济繁荣的未来，他相信通过 AI 和技术的变革，更多人将过上富足的生活，能够自由追求自己的梦想，建设他们希望生活的世界。

Shaw 表达了对传统政府主导的 UBI 模式的担忧。他认为，政府推行的 UBI 可能无法有效解决问题，因为许多由政府主导的项目存在实施不善的历史。他更倾向于自下而上、点对点（bottoms-up, peer-to-peer）的解决方案，由人们信任的社区而非官僚机构推动。他将其称之为“社区收入（Community Income, CI）“，呼吁人们必须建立自己的系统，因为没有人会来拯救我们。没有救世主，没有外援，我们必须成为那个改变的力量。我们正是我们等待的那个人。

这一代人继承了一个充满社会动荡的时代，所以我们必须成为那些在困难中挺身而出的人，去创造更美好的时代。Shaw 认为关键在于建立社区，不只是一个 DAO，而是数以千计的 DAO。你加入一个能够照顾你的社区，同时你也为这个社区做出贡献，这是一个双赢的模式。它不能仅仅是“施舍”或“福利”。它必须是一个大家愿意努力工作、建设社区、编织社会关系网、照顾朋友和家人的机制。如果我们能够做到这一点，我们将能够看到那个我们想要的世界。

Jin 希望 AI 能发展出类似于 Linux 的开源生态系统，一个持久且有深远影响的技术基础。这不仅是一个软件平台，还包括更广泛的应用，例如类人机器人等具体的、可触摸的技术成果。他还希望我们能看到一些领域的复兴，比如水培种植或农业等。这可能会带来一种自给自足的文艺复兴，因为这类技术能够帮助自动化甚至实物生产，包括食物的生产。我觉得这会影响一整波文化潮流，推动人们重新回到自给自足的社区——他们可以自己种植食物，生产和修复零部件。这一切最终能成为像 Linux 一样长久且有深远影响的事物。

本期播客油管链接丨https://www.youtube.com/watch?v=bnkhu4Bx9C4

订阅播客丨https://availableon.com/greenpill

The Network State 网站丨https://thenetworkstate.com/ 

（含书籍与播客资源）

作为在 GreenPill 中文社区立项的 Workstream，《GreenPill 播客共学》采用共创形式，鼓励更多人能够 Get involved。具体来说，我们招募以下角色：

welcome to join us！