Карпаччі 4/30 на Sequoia Ascent представив найкорисніше пояснення AI цього року, зводячи його до трьох аргументів. Після прочитання ваш погляд на AI зміниться.

1. AI — це не просто "швидше", а нова парадигма
За минулі 2 роки всі говорили, що AI робить речі швидшими.
Карпаччі каже, що це неправильне сприйняття.
Наведіть 3 приклади, як AI переосмислює завдання:
- menugen: зображення в зображення, без традиційного коду, весь додаток поглинає LLM
- .md навички: встановлювати софт не через .sh скрипти, а написати китайською/англійською інструкцію, щоб LLM сам зрозумів ваше середовище і встановив
- LLM база знань: те, що не може зробити традиційний код — перетворити будь-який неструктурований текст у обчислювальні знання
Перша категорія — "зменшення коду", друга — "англійська як код",
третя — "традиційний код і так не може".
2. Jagged Edge — чому AI одночасно всебічний і дурний
Найважливіший аргумент.
Чому один і той самий AI може рефакторити 100 тисяч рядків коду,
а радити вам йти мити машину? Це не через збій моделі.
Карпаччі цитує:
"You're either on the rails of the RL circuits and flying,
or off-roading in the jungle with a machete."
Або ви летите всередині колії RL,
або рубаєте у джунглях мачете.
Два фактори, що визначають, які завдання потрапляють у тренувальний розподіл:
верифікабельність (можливість перевірити результат) + економіка (варто чи вкладати гроші — frontier labs RL)
Математичні змагання / програмування / доведення теорем:
висока верифікабельність + високий TAM → потрапляє у колію → під час використання ви летите
Щоденні поради / рідкісні мови та література / довгий хвіст завдань:
низький TAM → не потрапляє у RL → ви рубаєте у джунглях мачете
Це не лінійна історія "AI стає сильнішим".
Це нерівномірні межі, і ви маєте знати, де ви стоїте.
3. Економіка, орієнтована на агентів
Останній аргумент: майбутнє софту — це розбиття на
sensor (вхід) + actuator (виконання) + logic (логіка)
логічний рівень повністю працює на LLM,
sensor / actuator — за допомогою традиційного коду як допоміжних компонентів.
Значення: зробити інформацію максимально зручною для сприйняття LLM,
це основне обмеження майбутнього дизайну софту.
---
Три аргументи — це цілісна структура:
нова парадигма дозволяє побачити, що AI може робити, чого раніше не міг,
jagged edge допомагає визначити, де AI ще не справляється,
agent-native показує, як обгорнути решту задач для AI.
Це не "AI стає сильнішим".
Це "які завдання у колії, а які у джунглях".