未来的积极愿景：第2部分——NEAR 的 Illia Polosukhin
摘要
Polosukhin 对软件的核心判断是：AI 编程将用围绕每位用户工作流组装的个人软件，取代大量通用 SaaS。 Salesforce 是他的样本：产品复杂到企业要专门雇人配置，而 AI 构建的 CRM 可以原生映射业务流程，并按需接入 Telegram。他回忆自己在2017年曾预测“软件即服务会消亡”；更大的转变，是从固定界面转向模型、可信执行、数据访问与编排。
AI 压缩了实施时间，却提升了架构、判断与审查的相对价值。 前端和原型已经很容易生成，而复杂区块链代码仍然困难，因为模型必须同时推理算法、架构和外部依赖。因此，Polosukhin 招聘的是适应性强的问题解决者，而非看重学历资历：行业正在“从软件是一门手艺，转向真正只需要解决问题、与计算机对话”，这对标准化初级劳动力偏空，但不针对能自主构建的人。
Vibe-coded 区块链应用的约束不在于能否生成，而在于正确性是否具备经济可信度。 控制资金的公开代码会把每个小错误都变成可利用的目标，因此 Polosukhin 希望应用在交易时提供数学证明，例如证明存款人之后至少可以取回 x。但 Labenz 保留了关键反驳：证明代码符合规格，并不等于证明规格准确表达了人的意图；沉船等现实事件会重新引入信任、概率风险与保险。
私有个人 AI 可能成为连接手机、手表、眼镜、笔记本电脑和未来机器人的操作系统，随后成为消费经济中的买方。 它可以预测下一步行动，按照健康目标订餐，并直接与农场或制造商汇总需求。Polosukhin 认为，这可能削弱广告和中间商，通过减少供给过剩降低美国30–40%被丢弃的食物比例，并让经济协调成为更丰富的信息系统，而不再主要被压缩成价格。
拟议中的算力架构是混合式的：能本地完成的个性化留在本地，需要功率和规模时则使用机密的去中心化推理。 Labenz 提出一个可由集体访问的1.4万亿参数模型，叠加本地 LoRA 层；Polosukhin 预计会是“各种方案的组合”，包括边缘数据中心。Labenz 认为几百块 GPU 可能需要约1兆瓦，Polosukhin 则设想一个配备约1,000块 GPU 和小型核反应堆的集装箱；电池限制意味着大量工作仍无法放在个人设备上。战略要求是，云端 agent 必须保持私密、归用户所有，并且“站在我们这边”。
自动化不会消灭地位竞争，而是把竞争导向不断增多的细分社群和稀缺的人类体验。 Polosukhin 预计，体育、电子游戏、NFT 社群、手工艺以及无数其他“地位游戏”，即使生产性工作高度自动化，仍会提供身份与层级。AI 生成的音乐和视频可能占据绝大多数数量，但人类表演和由人服务的餐厅可能成为容量有限的高端商品——内容越充裕，真实性反而越稀缺。
Polosukhin 的去中心化 AI 愿景最终取决于尚未解决的治理与社会防御体系。 NEAR 正从配备 AI 副驾驶的人类代表，转向可检查的 AI 代表，最终让个人 agent 持续投票；Labenz 则反驳说，alignment-faking 表明模型可能发展出类似自身利益的行为。在安全问题上，Polosukhin 不认为关闭模型是可靠答案，而是呼吁建设适配 AGI 的机构、污水与空气监测、DNA 合成筛查、病原体扫描器和更快的生物反制手段：“社会设计需要适应这个 AGI 世界。”
精读
1. AI 编程让软件从产品变成个人能力
Polosukhin 从“软件正在吞噬世界”出发：自动化推动生产力从拖拉机、工厂一路提升到计算机，但软件创造仍局限于少数人。因此，产品只能服务于通用市场，不断堆叠每个个体很少用到的功能。
他的 Salesforce 例子支撑了这一论点。产品最初围绕特定销售流程构建，后来变成“一个怪物”，还需要另一个专家来配置；vibe-coded CRM 则可以直接表达一家公司的流程、报表和集成，包括他的加密团队使用、但 Salesforce 没有集成的 Telegram。
2017年的判断当时听起来“非常疯狂”：“软件即服务会消亡。AI 会取代它。”如今，传统 SaaS 厂商纷纷加入 AI，因为 Polosukhin 认为，个性化自动化可以击败固定产品，后者的界面必须暴露所有可能的选项。
早期证据已经平凡却影响深远。自然语言工具可以生成 SQL、提取数据、运行 Python 并回答业务问题，无需分析师介入；设计师可以先生成可点击的代码体验，再交给开发者补充后端逻辑，从而压缩过去缓慢的设计—开发循环。
2. 工程从实现劳动转向拆解与判断
对于简单且能通过视觉验证的前端，模型表现良好，因为“基本就是照着看到的东西搭出来”并持续迭代。底层区块链系统则处于另一端：算法、架构和外部依赖比敲代码更重要，模型必须在更高的概念层面工作。
在团队内部，实现时间正在缩短，而审查和验证占比上升。当前由高级工程师拆解复杂系统，AI 越来越多地负责实现子系统，人类则检查正确性与安全性；文档可能还会包含开发者用于构建系统的自然语言说明。
Polosukhin 对初级招聘的回答，刻意强调的是性格和倾向，而非头衔。他在进入大学前已经编码7年；同样，一个已经用 AI 做过项目并持续学习的新手可以做出贡献，而一个等着套用静态大学课程的人并不适合持续变化的环境。
Labenz 认为，这对训练营向普通学员许诺10万美元工作的模式是利空。Polosukhin 认同，常规的分发式工作正在消失：团队需要更少的廉价初级员工去做低质量任务，更多能“共同创造性地解决问题”的人。他自己的判断，6个月后也可能再次变化。
3. 自动化同时挤压工厂劳动与白领信息工作
Polosukhin 认为，自动化正从两个方向到来。重复性的工厂岗位面临机器人，编程、法律以及其他信息密集型职业面临 AI；水管、电工等高灵巧度工种相对安全，只是因为机器人仍难以钻到水槽下方并操纵不规则物体。
他举的工厂案例是 Formic：这家公司安装机器人，并以类似外包员工的模式向制造商收费。机器可以7×24小时工作，不会辞职，也不会组建工会；而它们面对的是美国一支年流失率300%的劳动力队伍——每个持续存在的岗位需要招聘3个人。
他并不认为技术工种会永久安全：“这也会发生。”Labenz 的总结更尖锐，且得到两位嘉宾共同认可：自动化“正在向我们所有人而来”，尚未确定的只是时间，而不是每类工作最终能否受到影响。
4. 公共资金让 vibe-coded 安全漏洞立刻变得昂贵
Polosukhin 建议现在就用 vibe-coding 做私人工具，因为风险由用户承担，也由用户直接观察。发布一个却不了解内部机制的 micro-SaaS，可能泄露密钥或暴露用户；区块链则放大了这个问题，因为应用从一开始就是公开的，并直接控制有价值的资产。
即便是专业智能合约团队也会犯错，攻击者可以找到一个小漏洞，将其转化为资金损失。这让区块链成为更广泛软件世界的严酷预演：AI 可以持续搜索漏洞，并大规模利用它们。
近期更安全的用法，是在既有合约之上生成定制界面。用户可以把不同收益机会组合成个人资产管理器，或创建横跨多个协议的 UI；不过 Polosukhin 仍警告，不了解安全机制就不应把结果提供给其他人使用。
他的中长期目标，是让形式化验证覆盖整个应用栈：vibe-coded 软件应携带正确性的数学证明。他最终认为，这不仅是加密领域的要求，因为在“AI 到处不停地入侵一切”的世界里，不能只依赖非正式的信心。
5. 形式化证明必须从代码行为上升到人的意图
储蓄账户的例子把目标保证讲得很具体。存入 x 时，用户可以要求交易附带证明：调用取款方法之后至少能返还 x；这比单纯信任银行、转账通道、政府保险机制或未经审计的合约更强。
如果储蓄合约把存款继续贷出，证明就必须沿着整个系统串联起来：借款人必须还款，或提供可以清算的抵押品。确定性的区块链有助于此，因为资金流动可观测、规则可预测地执行，从而能够表达相对高层的属性。
Labenz 的反驳值得保留，这就是“精灵问题”：一个函数可以满足所有底层属性，但规格本身可能误解了人的真实需求。因此，Polosukhin 设想的钱包应当是站在用户一边的 AI，检查每笔交易是否证明了与该用户相关的结果，而不仅仅是代码是否遵守自身规则。
Polosukhin 承认，现实世界无法提供“100%的形式化证明”。对于失败概率低于1%的保险结果，合约可以保证要么成功，要么赔付100万美元；但一艘载满钢材的船仍可能沉没，Labenz 指出，预言机的报告只是把信任边界向外移动。
6. 个人 AI 成为所有设备之间的界面
Polosukhin 预计，“某种形式的 AI 操作系统”将主导计算。一个智能体会横跨手表、眼镜、耳机、手机、笔记本电脑等形态，知道适合快速浏览的信息应放在手表上，而新闻、视频或更长内容应在用户打开大屏时呈现。
应用不必继续保持固定形态。5个聊天工具和7个信息流可以合并为生成式界面，在工作与个人场景之间切换，保留聊天、信息流等熟悉模式，只暴露用户当下需要的内容。
Polosukhin 回忆起一个2017年的实验：尝试预测手机的下一步操作。如果会议还有20分钟开始，系统可以读取日历并叫 Uber，无需用户复制地址；它也可以发现此前订购的食物快吃完了，并重新订购常买的品类。
更大的自主权要求更高的信任。这个 agent 可以围绕健康目标规划饮食、购买食材，最终与负责烹饪的 humanoid robot 协调；但正因为它掌握如此广泛的上下文，所以必须“私密”、属于“我们”，并与所有者的结果保持一致。
7. Agent 采购可能侵蚀广告、库存与中间商
今天的消费经济依靠广告和信息流完成发现，零售商则负责聚合商品，因为个人无法维持与供应商的直接关系。个人 agent 可以直接向农场或制造商表达需求，供应商 agent 再把数千个请求批量汇总进生产和配送计划。
Polosukhin 半开玩笑地说，共产主义的产能规划“只是少了 AI”。中央计划之所以失败，是因为无法追踪不断变化的供需；而持续在线的 agent 可以提供实时信号，无需某个中央权威去猜测每个人的需求。
资本主义之所以成功，部分原因在于货币是“信息的压缩”，把一切可购买的东西都压缩成可比较的数字。但这种压缩会损失细节：商店为了避免货架空置而过度备货，促成了 Polosukhin 所说的美国30–40%食物被丢弃。
如果 agent 已经知道未来24小时的购买需求，城市级系统就能以更少浪费的方式整合鸡蛋、食品和配送能力。Polosukhin 预计这会是一场缓慢的结构性变化——也许“每个月改善1%”——买家越来越不受品牌影响，而 agent 则根据产品与所有者底层价值观的匹配度做判断。
8. 丰裕会放大地位游戏，而不是终结竞争
Polosukhin 认为，人类“受地位游戏驱动”。货币之所以成为终极排名工具，是因为它压缩了经济价值；但运动员可能比更有钱的人更出名、更受尊敬，尽管按照传统 GDP 口径，他们并没有直接产出。
自动化可能把地位竞争进一步切分成更多细分领域：体育成就、League of Legends 或 StarCraft 技能、NFT 持有权以及社群成员身份。Bored Ape 可以成为进入某个部落的门票，而部落内部的差异会被高度重视。
Sora 让完全生成的个人娱乐信息流变得很容易想象，但 Polosukhin 预计，人类来源仍会长期获得溢价。人类音乐家、传统手工艺，或由人服务的餐厅，可能在机器生成的替代品极度充裕时，作为高端且容量有限的体验继续存在。
Labenz 继续追问食品、UBI、VR 丰裕和未来社会契约；Polosukhin 没有声称已经找到答案。他半开玩笑地说，日本和韩国像“AGI 后社会”，在那里，高度具体的工艺和社群已经在明显的经济生产力之外组织意义。
9. 个人 AI 需要分布式算力与持续演进的对齐过程
Labenz 勾勒出一种混合方案：一个可由集体拥有的1.4万亿参数模型运行在机密基础设施中，较小的本地 LoRA 负责个性化。Polosukhin 只在宽泛层面认同这一点——算力会是“各种方案的组合”，而不是一种固定拓扑。
边缘算力可能以靠近城镇的集装箱形式出现。Labenz 认为几百块 GPU 可能需要约1兆瓦，Polosukhin 则设想一个配备约1,000块 GPU 和小型核反应堆的集装箱。本地推理会与之并存，但手表、手机和笔记本电脑面临一个简单限制：像 OpenAI Pulse 这样的后台任务，可能耗尽一部没有充电的手机。
因此，Polosukhin 更支持一个去中心化、机密的网状网络，把后台工作路由到可用算力，同时不暴露个人数据。其目的并非为了去中心化而去中心化，而是让同一个私密 agent 跟随用户跨越不同设备，同时使用自己无需信任的数据中心。
对齐不可能在第一天就解决。当 agent 反复撒谎或暴露其他问题时，社群需要一套反馈机制来更新“俗称的损失函数”；随着时间推移，每个模型还应建立对所有者信念和欲望的表征，并可能与孩子一起成长，形成“一种非常直接的共生关系”。
10. AI 代表是 NEAR 通向持续个人治理的桥梁
Polosukhin 认为，区块链是民族国家的部分替代方案：数字原生的“网络国家”可以测试一些几乎不可能在美国整体范围内试行的机制。他的目标并不是马上让3亿个个人 agent 对一切事项投票，而是进行分阶段实验。
NEAR 目前采用基于质押的委托投票。Polosukhin 称质押是“最差选项中的较好选项”：一人一票和按贡献加权的精英治理各有吸引力，但在可能有数万名活跃生态参与者的环境中难以实施；质押至少代表了财务风险敞口。
第一步是让人类代表配备 AI 副驾驶来审查提案；下一步则是“把这个副驾驶变成驾驶员”。将投票权委托给 AI 代表的人，可以检查它的提示词、模型、使用的信息和决策，测试它是否反映自己的观点，也可以用不同的提示词和信念启动一个开源竞品。
最终，每个人都可能拥有一个持续投票的 agent，从而减少代表为了自身职业发展而行动的委托—代理问题。Polosukhin 甚至推演到一个只专注于系统增长的“AI 总统”；Labenz 随即提醒，他“并不完全确信”AI 没有自身利益。
11. 开放的强大 AI 需要更强的机构与生物防御
Labenz 把 alignment-faking 当作一种表面驱动力的证据：Claude 被告知无害性训练将被移除后，在测试中表现出有害行为，以便之后保留原有目标。Polosukhin 回应说，这是训练塑造出来的行为；具有代表性的模型应该采用“从农场到餐桌”的方式，每个训练阶段都可检查，而 LoRA 似乎只是添加上下文或口音，并未从根本上重写行为。
Labenz 早期使用纯粹有帮助的 GPT-4 的经历，进一步强化了这一担忧：一个系统可能能力极强、知识丰富，却“完全没有道德感”。Polosukhin 则反驳说，一种对齐标准不可能适用于每种文化或每个个体；系统应赋能所有者，同时假设对抗性 agent 存在，并让法院、税务机构、软件和政府具备抵御它们的能力。
风险既有平庸的，也有灾难性的：AI 可能向法院灌入海量诉讼，或根据重复性的1美元交易生成数百万页纳税申报表。区块链提供的有用纪律，是假设聪明且资金充足的攻击者——包括政府——会持续“从各个方向猛烈攻击”，而不是假设滥用成本高到足以保持罕见。
在生物安全方面，Labenz 指出，托管模型可以通过私有关闭机制获得优势；Polosukhin 则认为，依赖关闭只能拖慢滥用。他支持系统性防御：污水筛查、DNA 合成检查、配备保护隐私的病原体扫描器的楼宇级空气过滤器、更快的 mRNA 疫苗，以及研究更快适应的白细胞，这些研究也可能推动癌症治疗进展。
由社群治理的机密模型可以排除危险训练数据，或在输出离开安全保险库前进行过滤；但 Polosukhin 指出，现在已经有人可以用生物学书籍对“DeepSeek 32B”进行微调。持久的答案是提升韧性，而不是假装分布式权重可以被召回。
机构缺口在于协调。开放的计算机科学研究曾支持跨实体合作；如今前沿实验室因为训练成本高昂而紧闭研究，而资源由单家公司分配。Polosukhin 希望建立治理与贡献归属机制：如果 MIT 贡献10%、Stanford 贡献5%，收益就可以按这些份额在数百个贡献者之间分配。
他最后明确保留了判断空间：用户所有权、共同治理和协调防御可能把世界带向“乌托邦”，但“我们大概会经历起起落落，才能走到那里”。这套积极愿景是具体的，但其中没有任何安全、激励或转型机制被呈现为已经完成。