用 Vibe-Coding 打造注意力防火墙：The Curve 创始人 Steve Newman

摘要

• Steve Newman 最具杠杆的 AI 用法，是打造约15个用于夺回注意力的个人应用，而不是最大化 Agent 产出。 他每天会收到约50份 newsletter、博客文章及其他长篇信息，另有几百封邮件和消息；摘要帮他判断哪些内容值得阅读，“注意力防火墙”则决定哪些事情值得打断他。这个系统的运行准则很直接：“Agent 不重要，我才重要。”

• 代码成本足够低后，高度个人化的界面变得经济可行，价值也从通用工作流转向围绕单一用户塑造的软件。 Newman 的日历会直接展示他需要的会议链接和文档，Agent 面板把终端状态转成一眼可见的颜色，Chrome 扩展则通过点击5个常规 Google Meet 按钮，替他节省15秒。Labenz 的收束判断是：Agent 处理“动词”，定制应用则补上 AI 长期被忽略的“名词侧”。

• Newman 通过控制故障半径、保留权威数据源，并让每一次失败都可观测，实现了快速迭代。 他没有 staging 环境，直接部署到生产环境，因为 Gmail、Slack 和 WhatsApp 仍然是事实上的数据源；即使自建界面崩溃，底层消息也不会消失。后端、浏览器前端和 Android 组件全部写入同一个日志服务，Claude 因而可以基于证据调查，而不是凭空猜测：“务必记录错误。”

• 最难、也可能最具防御性的部分是集成，而不是模型提示词或界面搭建。 一行代码就能把消息交给 LLM 做紧急程度分类，但要实现实时接入，仍需分别处理 Gmail、Calendar、Slack、Twitter、Signal、SMS，以及 WhatsApp 未公开的本地 SQLite 数据库。由此形成一场战略博弈：用户想要跨服务表现最好的 Agent，SaaS 厂商则希望把用户留在自家界面内。

• 软件产出可以激增，而每单位产出所需的劳动却大幅下降，就业结果因此仍然没有定论。 Newman 现在会同时运行0到5个 Agent，也听说过去需要一个团队完成的工作，越来越可能落到一个人头上；他甚至设想“全栈产品经理”取代传统工程岗位的一部分。但他认为，Jevons 式需求增长完全可能、甚至很可能创造更多软件岗位，直到 AI 在几乎所有非物理工作上都变得更强。

• AI 进步是一个乘法式的生态系统现象，仅看模型基准会低估采用速度，也会低估不确定性。 Newman 在 Second Thoughts 框架中列出8个相互作用的因素：预训练、后训练、推理算力扩展、Agent 脚手架、应用设计、用户能力、工作流重构和采用；Labenz 则认为，真正的阈值来自整个系统。即便如此，Newman 的立场仍是：“模型令人惊叹，我们距离 AGI 还很远。”而这个“远”，现在可能只意味着5年。

• 递归式自我改进是可能的，但尚未得到证明，因为自动化编程并不显然等同于自动化全部 AI 研究。 Newman 想知道，模型是否具备用于设计有价值 RL 环境、管理专家反馈、选择实验，以及穿越隐蔽研究瓶颈所需的品味。一套系统可能在1年内实现 AI 研发自动化，也可能需要明显更长时间才能获得这些高阶能力；他拒绝把这种不确定性压缩成单一的奇点预测。

• 物理世界的可靠性和能源需求，是纯数字加速论最清晰的两大复杂变量。 对 Newman 而言，Waymo 已经是真实存在的可行性证明，但家用机器人无法容忍50%甚至80%的任务成功率，经过打磨的演示也可能掩盖脚本化动作与稳定触觉控制之间的差距。他还承认，AI 电力需求的增长速度超出了预期，但仍认为长期工业效率提升和清洁能源发电可能压过短期化石燃料使用：AI 将“把整个世界押上赌桌”，气候问题也会随之被带入。

精读

1. 15个微型应用，成了 Newman 对抗数字过载的答案

• Newman 至少从1985年起就开始编程。如今，他在 Golden Gate Institute 的工作之外，利用晚间和周末打造约15个项目。大多数都是个人生产力工具，起因是 AI 新闻和数字通信不断膨胀，让他有种被信息“淹没”的感觉。

• 他的每日信息摄入包括约50篇 Substack 文章、newsletter、博客文章及其他长篇内容，外加 Twitter 和多个 WhatsApp 群组。在能够完成归纳、更不用说把信息转化成有用工作之前，他光是读完所有内容就要耗费数小时。

• 这套应用组合最终围绕两个需求成形：先把信息流压缩到足以筛选出值得关注的内容，再通过只放行真正有时效性的消息，重新找回不受打扰的时间。目标是改变生活，而不是“为了优化 Agent 配置本身而优化 Agent 配置”。

• 在意识到自己正在打造“注意力防火墙”之前，Newman 的消息系统已经完成了约四分之三。他对更大趋势的概括是软件领域正在发生一场“寒武纪大爆发”：人们都在摸索适合自己的定制化实践，而其真正用途往往要到事后，甚至“半空中”才会变得清晰。

2. 一个刻意不带上下文的阅读器，已经足以筛出重要内容

• Labenz 原本预计，这套阅读系统会建模 Newman 的兴趣，记住他过去读过什么，并识别不同来源中的真正新观点。Newman 给出的答案出人意料：“不会。”系统把每篇完整文章或逐字稿交给 LLM，使用固定的摘要提示词，不提供任何个人上下文。

• 第一版摘要足够短，约10秒即可扫完，用来判断一条内容是否值得继续读。第二版则是一页纸的概览，提炼新观点和重要证据；当短摘要看起来有用、但原文又不值得投入时间时，它就是一种“80/20 替代方案”。

• 新颖性是相对于模型的训练内容和第一性原理预期来判断的，而不是相对于 Newman 的阅读历史。Newman 曾设想过一个知道他读过所有内容的系统，但最终没有做，因为“我知道自己已经读过什么”；人的记忆加上快速浏览，已经足够高效。

• 界面提供原文、归档控制，以及一个可以打开 Claude 会话并自动带入文章上下文的按钮。但 Newman 已经忘了这个功能存在，因为他很少使用。低成本实现还让他顺手加入了 D2 备份、可读的备份查看器，以及一个能提取原本无法访问的 Substack 订阅内容的 bookmarklet。

3. Radar 把每天查看30次收件箱，变成一个可信赖的入口

• 在 Radar 出现之前，Newman 每当大脑“喘过气来”，就会查看约5个通信应用，每天可能重复30次。每天涌入的几百封邮件和消息中，只有一小部分需要立即处理，但每次查看都可能让他被那些其实可以等一等的事情带偏。

• 系统分别接入 Gmail、Slack、Signal、WhatsApp 和其他渠道，然后用“一行代码”询问 LLM 每条消息是否紧急。真正的行为规范不是复杂的个性化记忆系统，而是一页纸的规则，经过一次次“例外”逐步积累而成。

• 在做了约40年工程之后，Newman 第一次买了第二块显示器，用来持续显示未来3小时的日历和优先级消息流。系统把事项分进紧急、午间等类别，而这些分类经常保持为空，恰恰是因为界面让清空它们变得很容易。

• Radar 的日历并不完整，而是按照 Newman 的个人习惯筛选。已知的周期性会议会直接显示 Google Meet 按钮、Newman 的私人笔记和团队共享文档；消息工具栏也提供一键操作，例如把账户通知转发给妻子并归档。

4. 更强的 Agent，让安全从抽象概念变成照护责任

• Newman 还没有让 Agent 广泛代他回复邮件或操控数字生活。这个功能的吸引力足够强，他预计自己最终会加入那个“池子”，但系统的复杂性和安全含义，与他不愿使用任何自己无法理解和信任的东西相冲突。

• Newman 而不是 Labenz，把自己过去的计算机安全态度形容为“接近疏忽”。随后他解释说，20年的 Gmail 使用改变了这笔账：一个能够读取他所有书写内容的 AI，也会读取其他人托付给他的全部信息，而那些信息的发送者不可能预见这种用途。

• 两人都看到了一个尚未解决的矛盾：Agent 系统被广泛描述为从根本上不安全，但现实中涉及提示词注入、数据库删除或邮件抹除的公开灾难却出奇地少。模型和工具开发者可能正通过分类器等手段保持领先，但 Newman 仍采取《夺宝奇兵》式的态度：“毒蛇，很危险。你先来。”

• Newman 的 Tylenol 类比体现了他的困惑：低门槛的有害行为可能几个世纪都无人使用，而一台暴露在互联网上、未打补丁的 Windows 设备，过去可能在约5分钟内就被攻破。也许恶意行为者采用得很慢，也许具备 AI 钓鱼能力的人目前能更轻松地赚合法收入。

5. 低风险、权威数据源和 Cloudflare，让大胆上线变得理性

• Newman 让 Gemini、ChatGPT 和 Claude 分别推荐托管、编程语言、前端、后端和 CSS 方案，再把每个答案交给另外两个模型批评。最终胜出的是 Cloudflare，原因在于它同时提供服务器托管、定时任务、队列、数据库和简单运维；在小规模成本上，也比 AWS 更划算。

• 他没有 staging 环境，而是持续推送到生产环境，信任 Claude 声称已经编写并运行的测试。这种做法之所以行得通，是因为 Gmail、WhatsApp 和 Slack 仍然保留着权威数据；即使 Agent 删除了他的自建数据库，他损失的也只是便利的界面，而不是消息本身。

• 备份策略与风险价值相匹配。大多数应用把数据导出到 D2 文件存储；待办应用则在每次变更后每5分钟备份一次，并同步到 GitHub。即使在线服务故障，仍然会留下一份静态、可浏览的任务清单。

6. 实现成本下降，把被忽视的小麻烦变成定制产品

• 有一个工具会读取 Hacker News 文章及其完整讨论，识别主题，分别总结原文和评论串，并把评论归入一个或多个主题。这样，Newman 可以跳过观点混杂的分支，只查看长篇讨论中真正相关的部分。

• 他的 Chrome 扩展可以把当前页面发送到待办应用、阅读器，或 Notion 树中列入白名单的区域。把一篇 Hacker News 讨论丢进阅读器后，系统会自动调用评论串分析流程，把一个微小的收集动作变成跨多个应用的工作流。

• 其他窄用途工具还包括按有用属性排序的 Gmail 垃圾邮件视图，让误发到 aol.com 的邮件可以直接跳过；以及一个去重转推、自动展开帖子的 Twitter 阅读器。这些并非新的产品品类，而是针对单一用户优化的细节和完成度。

7. 颜色编码的面板，让5个编程 Agent 一眼可见

• Newman 管理 Agent 的完整界面，就是一排彩色项目按钮。蓝色表示 Agent 已完成；红色表示没有 Agent 在运行，但该项目的待办数据库里还有任务；其他状态则表示正在工作，或有问题需要 Newman 处理。

• Claude Code 的 hooks 会把状态报告给云端 API，再由 API 将实时更新推送到网页。AppleScript、Chrome 扩展和 Hammerspoon——一个 Claude 建议他安装的晦涩 macOS 自动化工具——把点击或键盘快捷键连接到对应的终端标签页。

• hooks 提供的信息不足以建立完美的状态模型，但“够用了”。Newman 的大脑已经内化了这些颜色，因此不再巡查终端窗口；这个面板本质上又是一道注意力防火墙，而不是用来最大化 Agent 利用率的系统。

• 约15个应用分别存放在独立的 GitHub 仓库中，各自拥有数据库和 Cloudflare 项目。Newman 选择类似微服务的隔离架构，让 Agent 上下文保持精简——在“远古的1月”可能尤其重要——同时允许相邻项目调用彼此的 API。

8. 共享 Docker 邻域，让相互隔离的项目获得选择性上下文

• 所有仓库都并排放在一个 Docker 容器内，Newman 在其中以跳过权限检查的危险模式运行 Claude Code。Agent 可以检查相邻项目的代码，更新某个 API 的生产端，再修改其消费端，无需 Newman 在不同会话之间手动转述指令。

• 尽管彼此可见，这些应用在运营上仍然相互独立。Newman 的 GitHub 仓库存放代码，应用数据则位于 Cloudflare 数据库中；这套拓扑结构试图在保持上下文可控、故障隔离的同时，不阻止跨项目协作。

• Labenz 介绍了一个用于个人材料的私有 monorepo，以及另一种本地 SQLite 方案。Newman 积累了约5年的上下文导出文件，总量约1GB，存放在 GitHub 上——用他不太确定的说法，就是“Git LFS 还是叫什么来着”。

• 当播客制作项目需要共享时，Labenz 的指针设置是有意不对称的：从私有仓库启动的 Claude 可以看到协作项目，但共享项目不会被明确指向个人历史。Labenz 强调，这是一种隔离和卫生措施，并非稳健的安全机制。

9. 实时集成是整套技术栈最大的成本中心

• Newman 的 Mirror 服务接入 Google Contacts、Calendar、Gmail、WhatsApp、Slack、Twitter、Google Docs、Signal 和手机 SMS，形成一个内容丰富、可搜索的数据库。不过到目前为止，他主要用这些累积上下文驱动实时收件箱，还没有用来实现复杂的个人信息检索。

• Google 和 Slack 都提供 API，复杂度则交给 Claude 处理。WhatsApp 采用了更安全的绕行方案：macOS 桌面客户端会把消息同步进一个未加密的本地 SQLite 数据库，Newman 以只读方式读取，每约1分钟通过 cron 运行一次。

• 这种只读搭便车的方式避开了那些曾被报告可能导致账户封禁的非官方 WhatsApp API，但 Claude 仍需在未公开的数据库结构中“考古”，分辨回复、原始消息、标识符和用户名。因此，各个组件分布在 Mac、Docker、云端和手机上运行。

• Twitter 是最薄弱的环节：一个质量存疑的第三方服务要逐个轮询约80个关注账户，大约每小时轮完一遍，之后 API 成本就会开始变得明显。Labenz 提到了一种按用量计费的新官方 API，Newman 表示，等当前集成下次出问题时，他可能会切换过去。

10. 统一日志，让 Agent 调试从猜测变成调查

• 每个后端、浏览器前端、JavaScript 组件和 Android 应用，都会写入同一个简单的日志服务，底层由 Cloudflare 上的 SQLite 支撑。Newman 的 CLAUDE.md 写有非常明确的审查规则：记录错误，记录每一次数据库修改，并保留足够证据以还原故障。

• 当日历事件消失或摘要停止生成时，Newman 会调用 Jesse Vincent 的 Superpowers 软件包中的“系统化调试”技能，只提供一句话描述症状。Claude 知道应该先检查日志，而不是编造原因；这一方法“接近100%的时候都非常有效”。

• 他最强烈的实践建议，是对所有运动部件进行集中式可观测性建设，包括前端。每天的 cron 报告会汇总日志，但更深层的价值在于为 Agent 提供证据：“要反复提醒 Claude，它不必猜发生了什么，直接去查就行。”

11. Newman 优化的是自己的认知，而不是 Agent 的 Token 利用率

• 在开发最密集的阶段，Newman 每周花15–20小时在这些项目上；现在平均每天大约半小时。根据待办清单的情况，他会并行运行0到5个 Agent，通常每个活跃项目对应一个终端标签页。

• 小任务会被赋予一个端到端技能：理解需求、实现、部署、提交，并推送到 GitHub，除非确有必要，否则不提问。规模更大或含义不清的改动，则使用另一种技能，先暂停下来讨论设计，再继续执行。

• Newman 最初接受了“让 Agent 保持有活可干”和最大化 Token 消耗的理念，但当一个 Agent 成为瓶颈时，这变得令人紧张。多个相互独立的项目消除了大部分等待，也让目标发生倒转：“Agent 不重要，我才重要。”只有当 Claude 的工作节奏符合 Newman 的思维流程时，他才会发出下一条提示。

• 他的编程开支似乎可以控制在200美元 Claude 套餐内，此外还会自动购买30美元的 API 额度，最近每周出现两三次，部分原因是他连简单摘要也肆意使用 Opus。他还支付200美元购买 ChatGPT Pro；一次糟糕的 Codex 试用只带来了“0.002的贝叶斯更新”。

12. 工具栈出奇地朴素，开发方法却发生了反转

• 除了 Claude Code 和 Superpowers，Newman 直接使用的工具基本只有 macOS 自带的 Terminal。Claude 可能会在后台调用 Hammerspoon 等工具，但 Newman 尚未发现足够多的未满足需求，来证明安装一大堆时髦编排产品是合理的。

• Newman 的安全策略是让 Claude 调查某个热门工具，提炼其中有用的想法，再推荐哪些适合自己的配置。通常，他会把核心理念吸收到自己的“果冻塔”里，而不是整包安装，目标是获得约90%的收益。

• 长期存在的难点，是摆脱“工作流必须适应静态软件”的假设。Newman 仍未为每个 newsletter 建立独立过滤器——例如保留选定的 San Francisco Chronicle 文章，同时过滤广告、美食和大多数体育内容——因为他想要的是可信赖的通用框架，而不是50个脆弱的功能。

• 他过去的工程本能是“量两次，裁一次”：因为实现和调试成本高，所以要先把问题定义得极其清楚。现在他认为，这种方法不适合个人 AI 软件；更好的做法是直接下场，做错了就丢掉，再重建，尽管这仍然违背他的天性。

13. 更强的模型让回滚变得罕见，但人类判断仍在掌舵架构

• Labenz 回忆说，6个月前他还会建议用户在 Agent 陷入循环后回滚，再从上一个正常状态出发，用更好的提示词重试。Newman 几乎从不回滚，这让他自己都感到意外，但他并不认为这是某条已经确立的普遍规律。

• 他的使用经历从 Opus 4.5 开始，很快转向4.6；Superpowers 则会在实现之前强制把重大决策交给用户。Newman 从不阅读 TypeScript 代码本身，但会思考高层次选择，并在错误路径固化之前将其纠正。

• 最近的工作也主要是增量功能，而不是重大的架构重写，因此发生灾难性反复试错的机会较少。模型、脚手架、人类审查和任务形态都在发挥作用；他没有把功劳归因于其中某一个因素。

14. 语音保留步行时的思考时间，定制界面则处理微小动作

• Newman 不接受“散步应该用来多发5条编程提示”的前提。散步是为了身体健康、精神空间和更深入的思考；只有当一个已经在脑中“酝酿”的想法值得记录时，工作才会介入。

• 他刻意采用非常普通的移动端流程：打开 Gmail 撰写邮件，收件人填自己的地址，再点击手机键盘上的听写按钮。他会把功能、设计决策和问题一股脑说出来，然后让 LLM 把内容“整理一下”变成 Claude Code 提示词，执行前往往甚至不会阅读整理后的版本。

• Labenz 也意识到自己的播客系统缺了一层：AI 让他产出了更多歌曲、插画和宣传片，但他仍要在文件系统和旧终端输出中翻找结果。即使 Agent 本身已经能完成工作，一个定制生产界面仍可能改善导航。

• Newman 的表述解释了这个缺口：命令驱动的 Agent 擅长处理大型“动词”，例如写一个应用或重新格式化800份 PDF，但面对微小、重复的动作效率很低。应用则是“名词侧”，是一个持久存在的界面；有时点击一次，比再次用自然语言委托更快。

15. AI 可以先调查、后实施，彻底改变企业迁移

• Newman 的上一家公司在2021年被收购，随后参与了一个项目：把原公司的存储和查询引擎替换为收购方生产核心中的对应系统。该系统每天处理确定以十亿计、可能以万亿计的安全事件，为数百万终端提供服务，支持一家准备 IPO 的公司——显然不是今天可以用 vibe-coding 直接编写生产实现的场景。

• 昂贵的不确定性集中在现有系统及其工作负载上：双方都没有完全掌握客户数据形态、查询复杂度、时间范围或由此产生的 AWS 成本。资深工程师各自掌握一部分关键信息，却没有时间整合，团队只能手动获取权限、检查日志、运行查询，重新拼出现实情况。

• 如果放到今天，Newman 会让 Agent 提出100个问题，再让它构建100个调查工具，生成并提炼100份报告，筛出哪些值得人类阅读，最后给出一份可审计的成本估算。由于这些工具只用于辅助判断、不触碰生产环境，实验可以足够广泛，而部署仍然保持谨慎。

16. 软件就业市场和 SaaS 价值链，都在进入拉锯战

• Newman 尚未解开的方程是：每行代码所需的工程师数量正在骤降，但代码行数却在飙升。Jevons 悖论可能维持甚至推高就业，不过工作本身可能像交通工具从马匹转向汽车那样发生剧变，最终出现大量“全栈产品经理”。

• 招聘应优先考虑那些适应“无地图导航”的人，因为几十年来形成的既有模式已经无法覆盖新的机会。沟通能力也可能变得更重要：如果一个由 Agent 加持的人替代了一个团队，那么这个人也要承接过去由整个团队负责的对外协调工作。

• Labenz 从投资人的角度给出判断：GPU、Anthropic，也许还有 Cloudflare 都偏利好，而广义应用软件可能承压。Newman 对此作了限定：他仍在使用 Gmail、Slack 和 WhatsApp，但越来越把它们当作后端服务，其界面和功能集的重要性正在下降。

• 因此，厂商面临战略选择。限制 API 可以迫使用户留在自家应用内，但也可能把用户推向那些允许最佳外部 Agent 接入的竞争对手；与此同时，S3、Google Spanner 和数据库底座等深层基础设施仍然难以替代，除非用户最终真的拥有“命令行上的 Jeff Dean”。

17. 在接近完整 AGI 之前，生态系统阈值就可能先行加速

• Newman 在 Second Thoughts 中提出的框架，把8个动态因素相乘：预训练、后训练、推理算力扩展、Agent 脚手架、应用设计、用户能力、工作流重构和采用。Labenz 认为，人们实际体验到的是这个复合系统及其二阶、三阶、四阶效应，而不是某条孤立的能力曲线。

• ChatGPT 的发布之所以成为一个阈值，是因为能力过剩与特定的产品形态和采用机制相遇。Labenz 把它类比为新冠病毒的有效再生数从0.9升到1.1：发生相变的原因，是传播在一个不断演化的系统中展开，而不是某个单独宿主内部发生了什么。

• 12月 Opus 4.5 的编码热潮同样是多重因素叠加的结果：模型质量、假期时间，以及其他用户传出“值得一试”的反馈。实践随后迅速扩散、变形并过时，社会采用因此成为经济意义上能力的一部分。

• 尽管据称 Mythos 发现了数量惊人的安全漏洞，Newman 仍坚持：“模型令人惊叹，我们距离 AGI 还很远。”在他的打分比喻中，一项重大能力可能拿到300分；但要做到“在所有事情上都聪明”，也就是同时具备 Jeff Dean、Terence Tao 等人的能力，可能需要约50,000分。

18. 递归式改进取决于研究品味、广泛迁移和物理可靠性

• Newman 承认，为自己的怀疑立场辩护正“变得越来越难”。“长期时间表已经不是过去的样子”；一个能够匹敌人类专家深度、辨识力、判断力和覆盖面的系统，可能仍然“相当遥远”，但这句话如今有可能只意味着5年。

• 他的第一个不确定性，是自动化 AI 研发真正需要哪些能力。编程和数学是看得见的能力，但设计高产的 RL 环境可能需要资深研究者的品味；改进模型也可能依赖实验选择、数据整理、管理10,000名人类专家，或一些无法归结为更强软件生成的隐蔽技能。

• 即使 Agent 在客观评分工作上超越人类，也不能保证能力会迁移到营销、商业战略、管理、教学、产品设计和机械工程等领域。Newman 认为，AI 研发在1年内被自动化，以及隐藏瓶颈让这一进程明显延后，这两种叙事都自洽。

• 机器人带来另一项考验。Newman 接受 Waymo 是一个比人类更安全的现实可行性证明，但家务任务无法容忍50%或80%的成功率；汽车大致只有“快—慢、左—右”这样的自由度，而且可以靠边停车，双手则需要触觉反馈，还要在不可控的杂乱环境中反复完成动作。

19. Newman 修正了对气候的判断，但没有把一切都归结为能源

• Newman 表示，自己低估数据中心扩张速度，因此此前淡化 AI 排放影响的判断“有一点错”。他也没想到，在争夺数据中心容量的过程中，按他的理解——他强调自己掌握得并不清楚——超大规模云厂商可能会放松气候承诺。他提到，xAI 的一个数据中心正在运入最快、效率最低的燃气轮机，并认为其他超大规模云厂商可能也在做类似的事。

• 短期结论并不乐观：AI 用电量正在呈指数增长，新增电力中有一部分来自化石燃料，而且每一年的增量都可能看起来更加惊人。由于气候已经不再是他的主要研究方向，他对当前细节的把握也没有那么确定。

• 长期影响仍可能是正面的，前提是 AI 能够改善电池、材料、电化学工业、化肥投放、机器人农业，以及更广泛工业体系的效率。即使假设电力行业排放上升20%，其他领域20%的效率提升也可能抵消这一增量；而太瓦级发电规模在经济上可能更有利于清洁技术。

• 他最终的判断，比排放预测更宽泛：AI 将“把整个世界押上赌桌”。无论接下来发生怎样的转型，气候都会被裹挟其中，即使眼前新增的数据中心烧的是更多化石燃料。

20. Golden Gate 正在连接 AI 知识碎片化的各个口袋

• Golden Gate Institute for AI 是一家非营利机构，致力于帮助消费者、企业、政策制定者和公民社会共同理解快速变化。它的前提是，AI 横跨机器学习、经济学、网络安全、生物安全、劳动力、政治和教育，但没有任何个人或群体掌握完整图景。

• 其旗舰活动 Curve 大会会邀请来自不同领域、政治立场和地域社群的约350人。Newman 认为，面对面接触能把 Twitter 上互相敌视的人或陌生人重新变成有血有肉、理由可理解的人，有时还会促成项目、工作关系和持久互动。

• 下一届 Curve 计划于10月2日至4日举行。Golden Gate 希望次年将大会举办频率提高一倍——这也引出了“频率必须每年翻倍”的玩笑——并特别希望加强美国以外的联系，包括与中国的联系，同时覆盖机器人等代表性不足的领域。