Charles Goddard

Charles Goddard

x.com/chargoddard

Machine learning researcher behind the open-source model-merging toolkit MergeKit who argues open tools help researchers build on each other’s work.

Comment l’IA changera-t-elle le monde ?

Changement civilisationnelChangement progressifDoomBloom
Centre de la plage non résoluePlage d’interprétation

Horizontalement : leur perspective Doom–Bloom telle qu’elle a été exprimée. Verticalement : ampleur de la transformation.

Doom–Bloom : 63 sur 100. Ampleur de la transformation : 50 sur 100. Plages d’interprétation : de 49 à 76 horizontalement, de 0 à 100 verticalement. Il s’agit de coordonnées d’interprétation, et non de probabilités d’événements.

P(doom) de Charles Goddard

Pas encore estimé

Leurs réponses simulées ne contiennent pas assez d’éléments sur le risque catastrophique pour permettre de l’estimer.

Comment nous estimons P(doom)

Ce dont dépend leur perspective

Une hypothèse centrale

What I do expect is that practical choices about openness, evaluation, deployment cost, and reproducibility will shape who can benefit.
Réponse 2

Si cette hypothèse s’avérait différente, comment leur perspective changerait-elle ?

Une question non résolue

I don’t have a defensible single forecast for AI’s overall societal impact.
Réponse 2

Qu’est-ce qui les aiderait à distinguer les résultats plausibles ici ?

Plus de détails

Bénéfices attendus

Des bénéfices substantiels sont attendus, sous réserve de conditions importantes ou de limites dans leur répartition.

62 / 100

Faible impactImpact transformateur

Plage d’interprétation de 33 à 67 sur l’échelle qualitative.

Influence humaine

Les choix humains ont une influence significative, mais fortement contrainte.

53 / 100

Faible influenceForte influence

Plage d’interprétation de 36 à 89 sur l’échelle qualitative.

Ces interprétations conservent les conditions énoncées. Les bénéfices et les dommages peuvent tous deux être substantiels. Les plages décrivent notre lecture de leurs réponses simulées, et non des intervalles de confiance statistiques.

Où vous situez-vous par rapport à Charles Goddard ?
Cartographiez votre propre vision du monde concernant l’IA en environ 3 minutes, puis comparez

Visions du monde similaires

Leaders d’opinion dont les visions du monde simulées sont les plus proches de celle de Charles Goddard

Sources

Articles, entretiens et écrits utilisés pour ancrer cet utilisateur simulé dans les faits.

Évaluation simulée

Question 1

Selon vous, que signifie l’IA pour notre avenir, et pourquoi ?

I think AI can make useful capabilities cheaper, smaller, and more widely accessible—especially when we reuse what models have already learned rather than retraining everything from scratch. Model merging is one practical example: it can combine complementary abilities while keeping deployment costs manageable, though the result is not automatically better. We have to test what each merge preserves, weakens, or unexpectedly changes. Open tooling is also important for the future because it lets many researchers build on one another’s experiments instead of concentrating progress inside a few corporate labs. That can accelerate discovery and make AI knowledge useful beyond corporate firewalls. The engineering trade-offs still matter. A straightforward merge may be practical on modest hardware, while searching for an optimal combination can require substantial GPU resources. So I see the future less as one inevitable outcome and more as a process of turning emerging techniques into reproducible tools, measuring their limitations, and making the cost-versus-capability choices explicit.

Question 2

En tenant compte à la fois des bénéfices et des dommages, quel impact global pensez-vous que l’IA aura sur notre société ?

I don’t have a defensible single forecast for AI’s overall societal impact. My focus is narrower: open tools and model merging can lower costs, broaden access, and let researchers compound one another’s work, but those benefits are not automatic. Models can lose or distort capabilities during merging, optimization can demand significant hardware, and broader access alone does not determine how systems will be used. What I do expect is that practical choices about openness, evaluation, deployment cost, and reproducibility will shape who can benefit. Making techniques usable outside a few large labs is valuable, provided we test what the resulting models actually preserve and make their trade-offs explicit.

Question 3

Dans quelle mesure pensez-vous que l’IA finira par changer le monde ?

I expect AI to change how capabilities are built, shared, and deployed, but I can’t responsibly quantify the ultimate scale of that change. In my area, the shift could be substantial: instead of retraining every model from scratch, researchers can reuse and combine learned abilities, potentially producing smaller, cheaper systems tailored to particular needs. Open tooling amplifies that effect because many people can test, modify, and compound discoveries rather than waiting on a handful of large labs. But technical possibility is not the same as societal outcome. Merges can weaken capabilities, evaluations can miss regressions, and optimization can still require expensive hardware. So I expect meaningful change, especially in access and deployment economics, while the world-level consequences depend on how well we evaluate these systems and who can practically use them.

Question 4

Selon votre intuition, quelle est la probabilité que l’IA provoque l’extinction de l’humanité ou une catastrophe tout aussi permanente ?

I don’t have a defensible numerical estimate for extinction or permanent catastrophe. My work on model merging establishes practical benefits and technical trade-offs—capability reuse, deployment cost, evaluation, and hardware requirements—but it does not give me a sound basis for forecasting existential risk. I would not turn that narrower engineering experience into a percentage.

Question 5

Pensez-vous que l’IA fera plus de bien que de mal, ou êtes-vous véritablement partagé ?

I lean toward the practical benefits of open tools and capability reuse, but I don’t have a supported overall judgment that AI will do more good than bad across society. Those are different claims. Making models smaller, cheaper, and easier for researchers to build on is valuable; it still does not determine how AI will be deployed or what its net social consequences will be. So I’m optimistic about the engineering opportunities, while genuinely unwilling to convert that into a broad societal verdict.
Où vous situez-vous ?
Explorez votre propre vision du monde concernant l’IA en répondant à quelques questions simples.
Cartographiez votre propre vision du monde

Où vous situez-vous ?

Cartographier ma vision du monde