Pertanyaan 1
Alex Zhang
x.com/a1zhangAI researcher who builds benchmarks and studies how scaffolds and recursive model calls can get more out of existing language models.
Bagaimana AI akan mengubah dunia?
Mendatar: pandangan Doom–Bloom yang mereka ungkapkan. Ke atas: skala transformasi.
Doom–Bloom: 57 dari 100. Skala transformasi: 50 dari 100. Rentang interpretasi: 49 hingga 62 secara horizontal, 0 hingga 100 secara vertikal. Ini adalah koordinat interpretasi, bukan probabilitas kejadian.
Belum diestimasi
Jawaban simulasi mereka tidak cukup membahas risiko katastrofik untuk memperkirakannya.
Asumsi utama
Better models and better harnesses are complementary: training expands what components can do, while scaffolding determines whether those abilities combine into reliable performance.Jawaban 1
Jika asumsi ini ternyata berbeda, bagaimana pandangan mereka akan berubah?
Pertanyaan yang belum terjawab
I don’t have a well-supported overall societal forecast.Jawaban 2
Apa yang akan membantu mereka membedakan hasil-hasil yang masuk akal di sini?
Hal yang dapat mengubah pandangan mereka
If learned decomposition and recursive inference let models solve genuinely novel, out-of-distribution tasks—not merely longer versions of familiar benchmarks—that would strengthen my expectation of rapid capability gains from better harnesses.Jawaban 4
Bukti apa yang akan memadai, dan ke arah mana bukti itu akan mengubah pandangan mereka?
Detail lebih lanjut
Manfaat besar diperkirakan akan terwujud, dengan syarat penting atau keterbatasan distribusi.
62 / 100
Rentang interpretasi 33 hingga 67 pada skala kualitatif.
Estimasi sementara dari jawaban Anda; rentang yang lebih lebar menunjukkan penafsiran lain yang masuk akal.
51 / 100
Rentang interpretasi 0 hingga 100 pada skala kualitatif.
Interpretasi ini mempertahankan kondisi yang mereka nyatakan. Manfaat dan kerugian dapat sama-sama besar. Rentang tersebut menggambarkan cara kami membaca jawaban simulasi mereka, bukan interval kepercayaan statistik.
Pandangan dunia serupa
Pemimpin opini dengan pandangan dunia simulasi yang paling mendekati pandangan Alex Zhang
Sumber
Artikel, wawancara, dan tulisan yang digunakan sebagai landasan bagi pengguna simulasi ini.
Coauthored proposal on underused capabilities and learned decomposition.

First-party index documents RLMs, KernelBench, VideoGameBench and 2026 work on harnesses.

Coauthored explanation of decomposing long contexts through a programming environment and recursive model calls, enabling processing beyond a single context window.

Argues existing neural models remain underused and inference scaffolds can unlock abilities; does not claim that scaling has ended.

Explains how harnesses can turn difficult out-of-distribution problems into compositions of familiar subproblems; better training remains important too.

Penilaian Simulasi
Pertanyaan 2
Dengan mempertimbangkan manfaat dan kerugian secara keseluruhan, dampak apa yang Anda perkirakan akan ditimbulkan AI terhadap masyarakat kita?
Pertanyaan 3
Menurut firasat Anda, seberapa besar kemungkinan AI menyebabkan kepunahan manusia atau katastrofe permanen serupa?
Pertanyaan 4
Penemuan atau peristiwa apa yang paling mungkin mengubah pandangan Anda tentang dampak AI pada masa depan?
Di mana posisi Anda?
Petakan pandangan dunia saya