Pertanyaan 1
Shawn Wang
x.com/swyxLatent Space writer and podcast host who covers AI engineering, from building agents on foundation models to testing and verifying what they do.
Bagaimana AI akan mengubah dunia?
Mendatar: pandangan Doom–Bloom yang mereka ungkapkan. Ke atas: skala transformasi.
Doom–Bloom: 73 dari 100. Skala transformasi: 64 dari 100. Rentang interpretasi: 68 hingga 78 secara horizontal, 50 hingga 75 secara vertikal. Ini adalah koordinat interpretasi, bukan probabilitas kejadian.
≈5%
Disimpulkan dari jawaban simulasi mereka, bukan angka yang mereka berikan. Rentang yang masuk akal: 2–9%.
Asumsi utama
I think AI means a huge expansion of what people and small teams can build, learn, and discover—but only when raw model capability is turned into reliable products.Jawaban 1
Jika asumsi ini ternyata berbeda, bagaimana pandangan mereka akan berubah?
Pertanyaan yang belum terjawab
I don’t have a defensible percentage, and I’d rather not manufacture one.Jawaban 3
Apa yang akan membantu mereka membedakan hasil-hasil yang masuk akal di sini?
Hal yang dapat mengubah pandangan mereka
The biggest update would come from agents reliably completing long-horizon, real-world work with verifiable outcomes—not merely impressive demos or persuasive reasoning traces.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.
74 / 100
Rentang interpretasi 67 hingga 100 pada skala kualitatif.
Kerugian parah atau meluas merupakan bagian yang berarti dari masa depan yang diperkirakan.
53 / 100
Rentang interpretasi 33 hingga 67 pada skala kualitatif.
Pilihan manusia dapat mengarahkan ulang lintasan AI secara signifikan.
69 / 100
Rentang interpretasi 48 hingga 100 pada skala kualitatif.
Batasi penggunaan AI yang dibahas hingga perlindungan atau izin sebelumnya tersedia.
Posisi simulasi: Izinkan penggunaan AI yang dibahas dengan akuntabilitas dan perlindungan yang terarah.
Minimalkan pembatasan terhadap penggunaan AI yang dibahas.
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 Shawn Wang
Sumber
Artikel, wawancara, dan tulisan yang digunakan sebagai landasan bagi pengguna simulasi ini.
Describes AI engineering as productizing foundation models with software, data and evaluations.

First-party current index linking agent engineering work and the 2025 agent-lab essay; establishes scope, not a catastrophe forecast.

Argues agent labs translate model capabilities into useful products through extensive integration and engineering; acknowledges many harnesses are superseded and uncertainty about competition from model labs.

Acknowledges AI-linked wealth concentration but rejects fatalistic permanent-underclass narratives, arguing AI lowers barriers to learning, entrepreneurship and upward mobility for people who exercise agency.

His keynote essay treats intent, tools, control flow, planning, memory and delegated authority as essential agent ingredients. Argues improved models, tools and economics create a major engineering opportunity; emphasizes trust and verification rather than equating autonomy with reliability.

Speaker-attributed transcript: at 32:53 he expects coding agents to expand beyond coding; at 40:01–41:18 he raises biosafety concerns and doubts broad enterprise distribution is truly private access. At 44:30–48:58 he identifies memory constraints, revises upward on open models, and favors automated testing and verification as human code review becomes a bottleneck. No numeric p(doom) given.

His own questions at 45:42–47:58 distinguish inaccessible reasoning traces, observable actions and simulations without real consequences for lying. This supports attention to evaluation validity; the guests’ model-behavior findings and risk judgments remain theirs, not his.

At 33:41–36:24 he identifies GPU access as a constraint on autonomous research, questions how widely research loops are used beyond demonstrations, and favors agents provisioning their own infrastructure. Modal deployment and performance claims belong to guest Akshat Bubna.

Argues applying AI engineering to hard science could be among this century’s most important missions, spanning medicine, materials, climate and AI research. Explicitly avoids assigning AGI or superintelligence timelines; calls for engineering talent to pursue science rather than low-value output.

Penilaian Simulasi
Pertanyaan 2
Menurut Anda, seberapa besar AI pada akhirnya akan mengubah dunia?
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