Perché l'AI ha bisogno di fiducia, energia e agenti nativi della crypto In questo episodio di DROPS, mi siedo con Ben Frigon per discutere del motivo per cui l'AI potrebbe presto automatizzare enormi parti della tua vita, ma solo se risolviamo tre problemi difficili contemporaneamente: fiducia, energia e infrastruttura. Dalla potenza nucleare e dalla proprietà dei dati agli agenti AI che muovono denaro mentre dormi, @ben_frigon delinea un futuro che sembra ambizioso ma stranamente pratico. Dalla DeFi Summer a @TalusNetwork La storia di Ben inizia alla Brown University durante la DeFi summer, quando Ethereum e le prime app DeFi stavano esplodendo. È diventato presidente del club blockchain e ha co-progettato quello che chiama "il primo corso con credito su NFT in qualsiasi college ovunque", insegnato proprio all'apice della mania degli NFT. Dopo la laurea, è entrato a far parte del VC crypto Distributed Global, trascorrendo le sue giornate "ricercando ogni area della crypto che puoi immaginare." Quella abitudine di curiosità ossessiva è uno dei pochi tratti che pensa che i buoni fondatori e i buoni investitori condividano davvero. Il punto di svolta è arrivato quando ha incontrato il suo co-fondatore Mike, che era incubato da Polychain. @polychain e @SuiNetwork hanno successivamente sostenuto Talus Network, e Ben ha attraversato il confine da investitore a operatore. Come fondatore, dice, "devi essere davvero, davvero ottimista, quasi ingenuamente, stupidamente ottimista," mentre il compito di un VC è immaginare ogni modo in cui qualcosa potrebbe fallire. Vivere entrambi i ruoli lo aiuta a costruire in modo ambizioso, ma con un senso realistico del rischio. C'è una bolla dell'AI? Quando gli è stato chiesto se siamo in una bolla dell'AI, Ben ha detto: "Non penso che ci sia una bolla dell'AI. Penso che i multipli potrebbero scendere, ma una bolla implicherebbe che l'investimento è uno spreco. Non penso che sia uno spreco rispetto all'opportunità che abbiamo." Il vero problema, dice, è che l'AI non si adatta all'economia classica del venture. Addestrare modelli competitivi significa enormi spese hardware fin dal primo giorno, il che è l'opposto della storia "due persone in un garage" per cui il VC è stato progettato per finanziare. Ecco perché gran parte dei progressi avviene all'interno di grandi aziende tecnologiche con bilanci solidi. Per Ben, il giusto inquadramento supera i finanziamenti. "La quantità di bene che questo può fare per il mondo è senza precedenti." Se facciamo le cose per bene, l'AI cambia il modo in cui lavoriamo, apprendiamo, prendiamo decisioni e persino ci relazioniamo tra di noi. Ma quel potenziale conta solo se affrontiamo due grandi rischi di petto. Grandi rischi: modelli sbagliati e non abbastanza energia Il primo rischio è il design del modello. I modelli di linguaggio di grandi dimensioni di oggi sono impressionanti ma ristretti: ottimi nel lavorare su testo, deboli nel ragionamento su serie temporali e in compiti incarnati come il trading o la robotica. Ben crede che alla fine avremo bisogno di "modelli del mondo" che apprendano più come gli esseri umani se vogliamo agenti in grado di gestire la complessità del mondo reale. Se rimaniamo bloccati nell'attuale paradigma LLM, le dimostrazioni appariscenti potrebbero plateau molto prima di raggiungere i casi d'uso che le persone sognano. Il secondo rischio è l'energia. Addestrare e gestire modelli all'avanguardia è brutalmente affamato di energia, e le reti sono già sotto stress dove si concentrano i data center. Ben è diretto qui: gli Stati Uniti hanno bisogno di un "nuovo accordo nucleare." I moderni reattori modulari piccoli sono più sicuri e più economici, ma il combustibile, la catena di approvvigionamento e l'expertise attorno a essi sono svaniti. Ricostruire ciò, sostiene, dovrebbe essere una priorità domestica: "Non c'è altra opzione se non l'energia nucleare" se l'America è seria nel realizzare il pieno potenziale dell'AI. Perché AI e Blockchain si adattano realmente È facile liquidare "AI + crypto" come marketing, ma Ben suddivide l'intersezione in tre strati chiari: calcolo, dati e agenti. ...