คำถาม 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.
AI จะเปลี่ยนแปลงโลกอย่างไร?
แนวนอน: มุมมอง Doom–Bloom ที่บุคคลนั้นแสดงออก แนวตั้ง: ระดับของการเปลี่ยนแปลง
Doom–Bloom: 57 จาก 100 ระดับของการเปลี่ยนแปลง: 50 จาก 100 ช่วงการตีความ: แนวนอนตั้งแต่ 49 ถึง 62 แนวตั้งตั้งแต่ 0 ถึง 100 ค่าเหล่านี้เป็นพิกัดสำหรับการตีความ ไม่ใช่ความน่าจะเป็นของเหตุการณ์
ยังไม่ได้ประมาณค่า
คำตอบจำลองของบุคคลนั้นมีข้อมูลเกี่ยวกับความเสี่ยงจากหายนะไม่เพียงพอที่จะประเมิน
ข้อสันนิษฐานหลัก
Better models and better harnesses are complementary: training expands what components can do, while scaffolding determines whether those abilities combine into reliable performance.คำตอบ 1
หากข้อสันนิษฐานนี้ปรากฏว่าเป็นไปอีกแบบ มุมมองของบุคคลนั้นจะเปลี่ยนไปอย่างไร?
คำถามที่ยังไม่มีข้อสรุป
I don’t have a well-supported overall societal forecast.คำตอบ 2
อะไรจะช่วยให้บุคคลนั้นแยกแยะผลลัพธ์ที่เป็นไปได้ในเรื่องนี้?
สิ่งที่อาจเปลี่ยนความคิดของบุคคลนั้น
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.คำตอบ 4
หลักฐานแบบใดจึงจะเพียงพอ และจะทำให้มุมมองของบุคคลนั้นเปลี่ยนไปในทิศทางใด?
รายละเอียดเพิ่มเติม
คาดว่าจะได้รับประโยชน์อย่างมาก โดยมีเงื่อนไขสำคัญหรือข้อจำกัดด้านการกระจายประโยชน์
62 / 100
ช่วงการตีความตั้งแต่ 33 ถึง 67 บนมาตรวัดเชิงคุณภาพ
ค่าประมาณเบื้องต้นจากคำตอบของคุณ โดยช่วงที่กว้างกว่าแสดงการตีความอื่น ๆ ที่เป็นไปได้
51 / 100
ช่วงการตีความตั้งแต่ 0 ถึง 100 บนมาตรวัดเชิงคุณภาพ
การตีความเหล่านี้ยังคงเงื่อนไขที่บุคคลนั้นระบุไว้ ทั้งประโยชน์และอันตรายอาจมีมากได้ ช่วงต่างๆ อธิบายวิธีที่เราอ่านคำตอบจำลองของบุคคลนั้น ไม่ใช่ช่วงความเชื่อมั่นทางสถิติ
โลกทัศน์ที่คล้ายกัน
ผู้นำทางความคิดที่มีโลกทัศน์จำลองใกล้เคียงกับโลกทัศน์ของ Alex Zhang มากที่สุด
แหล่งข้อมูล
บทความ บทสัมภาษณ์ และงานเขียนที่ใช้เป็นหลักฐานรองรับผู้ใช้จำลองรายนี้
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.

แบบประเมินจำลอง
คำถาม 2
เมื่อพิจารณาทั้งประโยชน์และอันตรายร่วมกัน คุณคาดว่า AI จะส่งผลกระทบโดยรวมต่อสังคมของเราอย่างไร?
คำถาม 3
โดยสัญชาตญาณแล้ว คุณคิดว่ามีโอกาสมากเพียงใดที่ AI จะทำให้มนุษย์สูญพันธุ์หรือก่อให้เกิดหายนะที่ถาวรในระดับใกล้เคียงกัน?
คำถาม 4
การค้นพบหรือเหตุการณ์ใดที่จะเปลี่ยนมุมมองของคุณเกี่ยวกับผลกระทบในอนาคตของ AI มากที่สุด?
จุดยืนของคุณอยู่ตรงไหน?
ทำแผนที่โลกทัศน์ของฉัน