Pergunta 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.
Como a IA mudará o mundo?
Na horizontal: a perspectiva Doom–Bloom expressa por essa pessoa. Para cima: escala da transformação.
Doom–Bloom: 73 de 100. Escala da transformação: 64 de 100. Intervalos de interpretação: 68 a 78 na horizontal, 50 a 75 na vertical. Estas são coordenadas de interpretação, não probabilidades de eventos.
≈5%
Inferido a partir das respostas simuladas dessa pessoa, não de um número que ela forneceu. Intervalo plausível: 2–9%.
Uma premissa central
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.Resposta 1
Se essa premissa se revelasse diferente, como a perspectiva dessa pessoa mudaria?
Uma questão não resolvida
I don’t have a defensible percentage, and I’d rather not manufacture one.Resposta 3
O que ajudaria essa pessoa a distinguir os resultados plausíveis aqui?
O que poderia mudar essa opinião
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.Resposta 4
Que evidência seria suficiente e em que direção ela mudaria a visão dessa pessoa?
Mais detalhes
Esperam-se benefícios substanciais, com condições importantes ou limites de distribuição.
74 / 100
Intervalo de interpretação de 67 a 100 na escala qualitativa.
Danos graves ou generalizados são uma parte relevante do futuro esperado.
53 / 100
Intervalo de interpretação de 33 a 67 na escala qualitativa.
As escolhas humanas podem redirecionar substancialmente a trajetória da IA.
69 / 100
Intervalo de interpretação de 48 a 100 na escala qualitativa.
Restringir os usos da IA discutidos até que proteções prévias ou uma autorização estejam em vigor.
Posição simulada: Permitir os usos da IA discutidos com responsabilização e proteções específicas.
Minimizar as restrições aos usos da IA discutidos.
Estas interpretações mantêm as condições que essa pessoa declarou. Tanto os benefícios quanto os danos podem ser substanciais. Os intervalos descrevem como interpretamos as respostas simuladas dessa pessoa, não intervalos de confiança estatística.
Visões de mundo semelhantes
Líderes de opinião cujas visões de mundo simuladas são mais próximas da visão de Shawn Wang
Fontes
Artigos, entrevistas e textos usados para fundamentar este usuário simulado.
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.

Avaliação simulada
Pergunta 2
Quanto você acha que a IA acabará mudando o mundo?
Pergunta 3
Qual é o seu palpite intuitivo sobre a probabilidade de a IA causar a extinção humana ou uma catástrofe permanente de magnitude semelhante?
Pergunta 4
Qual descoberta ou acontecimento mais mudaria sua visão sobre o impacto futuro da IA?
Onde você se situa?
Mapear minha visão de mundo