A divisão da IA segundo Karpathy: de que lado você está?

Autoria: Rob Shocks · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Karpathy’s AI Divide: Which Side Are You On? · Canal: Rob Shocks · 09:49 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, Engenharia de software com IA

Resumo

O vídeo apresenta a divisão descrita por Andrej Karpathy entre quem usa IA de forma casual e quem trabalha profissionalmente com modelos de ponta, além de um funil que vai de bilhões de pessoas a poucos milhares com acesso aos sistemas mais avançados. O apresentador explica que essa diferença depende de acesso, das capacidades irregulares dos modelos e, sobretudo, da ambição dos projetos. Ele reconhece que vinha usando modelos avançados para criar versões de produtos já existentes e defende projetos mais ambiciosos, como uma fábrica de software que aprende sozinha. Ao final, recomenda experimentar com projetos interessantes e de baixo risco, sem se prender a expectativas antigas sobre as capacidades dos modelos e dos harnesses.

Pontos-chave

Karpathy descreve uma lacuna crescente entre usuários casuais de chatbots e profissionais que usam modelos de ponta para resolver problemas complexos.
O funil proposto vai de bilhões de pessoas que quase não tiveram contato com modelos a cerca de 5 mil pessoas com acesso interno aos sistemas mais avançados.
A diferença entre os grupos se explica, em parte, pelo nível de acesso e pela variação de desempenho dos modelos entre áreas.
Tarefas digitais e verificáveis, como programação e matemática, tendem a permitir ciclos de feedback que favorecem o desempenho da IA.
O impacto aumenta com a ambição: perguntas simples geram resultados limitados, enquanto projetos grandes e de longo prazo podem aproveitar melhor os modelos.
O apresentador percebeu que muitos de seus projetos apenas recriavam aplicativos existentes, em vez de explorar problemas mais ambiciosos.
Ele está construindo uma fábrica de software que aprende sozinha e argumenta que projetos antes inviáveis para uma pessoa agora podem estar ao alcance de mais gente.
A prática constante e a experimentação fazem o aprendizado se acumular; o apresentador recomenda começar por um projeto ambicioso, mas de baixo risco.
Desenvolvedores podem estar limitando os modelos ao manter expectativas e hábitos formados quando os modelos e harnesses eram menos capazes.

Capítulos

Início	Capítulo	Resumo
00:00	A lacuna entre os usuários de IA	O apresentador introduz a observação de Karpathy sobre a diferença entre quem usa chatbots casualmente e quem trabalha com agentes de ponta.
02:33	O funil de adoção e capacidade	O vídeo percorre as quatro camadas do funil e apresenta acesso, capacidades irregulares e ambição como razões para essa diferença.
05:09	A ambição muda o impacto	O apresentador defende projetos maiores e reflete sobre como vinha usando modelos avançados para recriar produtos existentes.
07:43	Como avançar na prática	O vídeo recomenda experimentar com projetos ambiciosos e de baixo risco, além de rever expectativas antigas sobre as capacidades dos modelos.

Citações

A maioria de nós não está sendo nem de longe ambiciosa o bastante com esses modelos. — 00:31

As interfaces estão ficando mais simples, mas as capacidades por trás delas estão muito mais poderosas. — 02:02

O impacto aumenta com a ambição. — 05:09

Fique curioso e depois seja ridiculamente ambicioso. — 08:15

Conceitos e entidades

Andrej Karpathy (pessoa): Pesquisador e desenvolvedor de IA cuja análise sobre a diferença entre usuários de IA é o tema central do vídeo.
Codex (ferramenta): Agente de programação citado como exemplo de ferramenta de ponta usada profissionalmente.
Claude Code (ferramenta): Ferramenta de programação citada como exemplo de agente de ponta.
OpenClaw (repo): Projeto apresentado como precursor de ferramentas mais maduras e integradas.
Harness (conceito): Infraestrutura que acompanha os modelos e que, segundo o apresentador, avançou bastante e ampliou o que eles podem fazer.
REA (ferramenta): Ferramenta mencionada como exemplo de uso de agentes de programação para fazer engenharia reversa de aplicativos.

Tradução completa (pt-BR)

00:00 Ontem, em uma publicação no X, Andrej Karpathy apontou um fenômeno que muitos de nós, que construímos IA e desenvolvemos software, temos percebido. Bem, eu certamente tenho. Se você passa algum tempo online ou até conversando num churrasco, parece haver uma diferença crescente na compreensão das capacidades e do potencial da IA. Como alguém que está profundamente envolvido na construção de agents há 4 anos, é fácil ficar confuso sobre por que todo mundo não usa essas ferramentas em todo o seu potencial, todos os dias. Tenho muitas ideias sobre o motivo disso, mas, primeiro, aqui vai uma explicação do que Andrej

00:31 está dizendo, com alguns gráficos para ajudar a ilustrar. E, depois de passar por essa explicação, minha conclusão será que a maioria de nós não está sendo nem de longe ambiciosa o bastante com esses modelos. Isso inclui a mim, e vou mostrar onde errei. Mas, primeiro, vamos ver de onde veio tudo isso. Em abril, Karpathy publicou que estava percebendo essa diferença crescente na forma como as pessoas entendem e usam a IA. De um lado, há pessoas que talvez tenham experimentado a versão gratuita do ChatGPT e que, em geral, usam a ferramenta como uma versão avançada do Google. Elas já viram algumas alucinações, algumas peculiaridades, a história do morango — quantas horas há em um morango —, a história do lava-rápido, e acabam descartando a ferramenta um pouco. Do outro lado, há pessoas que se aprofundaram nisso. Pessoas que pagam por agents de ponta, como Codex, Cloud Code, e os usam profissionalmente para programação, matemática e pesquisa. E para construir seus negócios. Então, ele diz que esse segundo grupo, e eu me incluiria nele, é o que apresenta o maior nível de psicose de IA. Porque as melhorias têm sido, como ele diz, nada menos que impressionantes. E eu definitivamente senti isso em alguns momentos. Em dezembro,

01:02 tivemos um grande salto, em que os modelos simplesmente faziam tudo o que eu queria corretamente, com pouquíssimos problemas. Estou sentindo isso de novo nas últimas semanas, à medida que meus objetivos se tornaram muito mais ambiciosos e tenho exigido mais dos modelos. E não acho que isso seja necessariamente uma melhoria nos modelos que estamos vendo. É toda a infraestrutura e o harness que acompanha os modelos que melhorou enormemente. Agora dá para fazer muita coisa. Ferramentas como GrokBot, Dots, Muse etc. são a evolução do OpenClaw, uma

01:32 versão mais madura da promessa que o OpenClaw nos fez, com muito mais sistemas conectados e segurança incorporada. Estamos vendo esse fenômeno em que as interfaces ficam mais simples, mas os recursos por trás delas se tornam muito mais poderosos. Em resumo, o que Karpathy diz sobre esse ponto é que temos dois grupos diferentes que não conseguem se entender. Vejo isso toda semana em conversas na vida real. Converso com alguém que usa a IA como um Google um pouco melhor e, depois, com alguém cujos agents constroem um sistema inteiro num fim de semana. Ambos estão dizendo a verdade sobre o que viram, mas é

02:02 diferente. Então, acho que Andrej vem pensando nessa divisão, como todo mundo, e fez uns cálculos de guardanapo para destrinchar a questão. E ela se parece menos com uma divisão e mais com um funil. Na camada um, há cerca de 6 bilhões de pessoas, aproximadamente 3/4 da população do planeta. Elas mal tiveram contato com esses modelos. É muita gente. Certo, na camada dois há de 1 a 2 bilhões de usuários casuais desses chatbots gratuitos. Nas palavras dele, eles veem chatbots “bobões”. Usam-nos como um Google melhor ou, basicamente, como uma simples ajuda para escrever, talvez para fazer um relatório rápido ou terminar o dever de casa

02:33 feito. E isso não inclui apenas pessoas comuns. Executivos e profissionais também estão nessa faixa. Os executivos, por exemplo, e qualquer pessoa cujo trabalho consista principalmente em conversar com outras pessoas. Eles entendem a ideia intelectualmente, mas, para eles, ainda é algo de segunda mão. A camada três tem cerca de 20 milhões de pessoas, aproximadamente 0,2% da população. Elas usam modelos de ponta profissionalmente em matemática e programação e resolvem grandes problemas empresariais. São as pessoas que veem projetos que antes levavam 2 semanas ou meses serem concluídos por um agent com um único prompt.

03:04 Elas estão criando aplicativos, traduzindo aplicativos e até descompilando e fazendo engenharia reversa de aplicativos a partir de binários. Confira meu vídeo sobre REA, de 2 dias atrás. O próprio Karpathy admite que, há menos de um ano, ainda escrevia código à mão, talvez usando preenchimento automático, mas ainda fazia isso linha por linha. A camada quatro tem cerca de 5.000 pessoas com acesso a sistemas de ponta dentro dos grandes laboratórios. Elas veem enxames de milhares de agents trabalhando juntos por semanas em megaprojetos, encontrando vulnerabilidades de dia zero, descobrindo novas áreas da ciência e ampliando as fronteiras da matemática, como vimos

03:36 recentemente com a OpenAI. Muitas vezes vemos citações surpreendentes de pessoas como Boris Chen ou de gente que trabalha nos grandes laboratórios. Elas têm acesso a quantidades ilimitadas de capacidade computacional e podem realizar experimentos em grande escala. Também têm acesso à versão líder dos modelos antes de todo mundo. É muito interessante ver o tipo de coisa de que falam para ter uma ideia do que vem por aí. Certo, então por que esse funil existe? Ele dá três motivos. O primeiro é o acesso: ou você está no plano gratuito, ou em um plano pago, ou trabalhando internamente em um desses laboratórios. Esse é o motivo óbvio

04:07 . O segundo ponto é o que ele chama de irregularidade. Esses modelos não funcionam da mesma forma em todos os domínios de problemas. Eles não são igualmente poderosos. Por exemplo, quando o trabalho é digital e fácil de verificar, como matemática, programação e ciência, a IA é perfeita para isso. Basicamente, há um teste que ela pode passar; ela pode fazer aprendizado por reforço com base nisso, há um ciclo de feedback, e isso realmente faz a IA brilhar. Se você tentar aplicá-la a outras áreas menos determinísticas, talvez não seja uma vantagem tão grande. Então, se você está reclamando que sua IA não é

04:38 boa para escrever um bom e-mail, é porque é muito mais difícil avaliar isso. Por isso, os avanços na escrita de e-mails são mais lentos. O argumento dele é que o mesmo modelo pode refatorar uma base de código com cem mil linhas, mas também pode dizer para você ir a pé ao lava-rápido em vez de ir de carro. O terceiro ponto é aquele em que não consigo parar de pensar e no qual estou realmente me concentrando. O impacto cresce com a ambição. Nas palavras dele, uma pergunta cuja resposta tem um parágrafo mal exige esforço do sistema. Se você usa o ChatGPT em conversas avulsas

05:09 para fazer perguntas simples, pesquisar no Google, talvez comparar algumas opções de compras ou escrever relatórios simples, mal está exigindo algo do sistema. Você precisa começar a pensar em projetos com grandes objetivos e horizontes mais longos. E, se forem baseados em código ou verificáveis, melhor ainda. Todos nós temos grandes problemas na vida. Todos temos questões à nossa volta que percebemos. Você precisa criar um repertório desses problemas grandes e difíceis que quer resolver e realmente começar a trabalhar neles usando esses agents. Não estamos sendo nem de longe ambiciosos o bastante em relação ao que podemos resolver

05:41 e ao que podemos fazer com esses modelos. Então, pagar por acesso de primeira linha ou 200 dólares por mês pelo Cloud Code não faz você avançar no funil por si só. Você ainda pode fazer uma pergunta do tamanho de um parágrafo a um modelo de ponta e obter uma resposta do tamanho de um parágrafo. É como tentar apontar um lápis com uma motosserra. E é aqui que preciso ser um pouco sincero comigo mesmo. Pessoalmente, eu realmente achava que estava na camada três. Quer dizer, trabalho com esses agents há 4 anos. Tenho acesso antecipado a ferramentas e modelos dos laboratórios. Construo coisas com essas ferramentas todos os dias. Mas, quando olhei para trás e vi o que de fato tinha construído, percebi que boa parte eram apenas

06:11 cópias de aplicativos que já existiam. Eu só estava substituindo os serviços SaaS que usava. Construía um rastreador de recibos um pouco diferente ou outro sistema de painéis. Não me entendam mal, eles são úteis, mas, essencialmente, eu estava usando a inteligência de um modelo de ponta para construir coisas que poderia ter construído 5 anos atrás, só que mais rápido. Então, foi só nos últimos meses que comecei a ser realmente ambicioso. Por exemplo, neste momento, estou construindo minha própria fábrica de software com aprendizado contínuo no Harness. Estou gostando do que as grandes empresas estão lançando nessa área, mas, inevitavelmente, isso é importante demais para eu não ter controle. Basicamente, estou

06:42 cópias de aplicativos que já existiam. Eu estava apenas substituindo serviços SaaS que usava. Eu criava um rastreador de recibos um pouco diferente ou um sistema de painel diferente. Não me entendam mal, eles são úteis, mas, essencialmente, eu estava usando a inteligência de um modelo de fronteira para criar coisas que poderia ter criado há cinco anos, só que mais rápido. Então, foi só nos últimos meses que comecei a ser realmente ambicioso. Por exemplo, neste momento, estou criando minha própria fábrica de software que aprende sozinha no Harness. Estou gostando do que as grandes empresas estão lançando nessa área, mas, inevitavelmente, isso é importante demais para eu não ter controle sobre. Basicamente, estou

07:12 ficando frustrado com o que está disponível. Cada ferramenta é construída em torno da maneira como outra pessoa trabalha, e agora temos a oportunidade de criar algo feito sob medida para a forma como nós mesmos trabalhamos. E, há um ano, eu nem teria considerado isso um projeto para uma pessoa só, mas agora é, e acho que isso é possível para quase todo mundo que está assistindo a este vídeo. Então, quando penso nas pessoas que conheço que estão totalmente mergulhadas em IA e vendo o que ela pode fazer, elas têm algo em comum. Usam IA o tempo todo. A cada hora, todos os dias, estão experimentando. Tendem a ser curiosas e técnicas, o tipo de

07:43 pessoa que gosta de construir, hackear e criar coisas. E, para ser sincero, se você é neurodivergente de alguma forma, está numa situação ideal para trabalhar com agents. E todo esse aprendizado vai se acumulando. Tenho visto isso na minha própria comunidade, onde as pessoas chegam com muito pouco conhecimento técnico. Elas ficam por ali por um ano ou mais, e o que estão construindo agora está me deixando impressionado. Se você só diz que está usando IA, se usa pouco, se só usa para conversas básicas, está perdendo esse efeito cumulativo. E você precisa lembrar que a distância entre esses níveis está aumentando. Algumas pessoas e algumas empresas que entrarem no próprio ciclo virtuoso vão avançar muito mais. Sei que, se você assiste a este canal,

08:15 se é inscrito, você já comprou a ideia da IA. Não preciso exatamente convencer você. Mas o que estou dizendo é que talvez seja hora de subir um nível. Fique curioso e depois seja absurdamente ambicioso. Por que não? Então, na prática, o que você faz aqui, especialmente se é um desenvolvedor que só começou a usar isso de leve? Eu diria para escolher um projeto divertido e ambicioso pelo qual você tenha muito interesse. Talvez comece com algo que não ofereça nenhum risco. Nada no trabalho, nada crítico de que outra pessoa dependa numa fase inicial, nada que vá fazer diferença se der errado. Agora, mesmo que você já use agents há alguns anos, o que precisa fazer em seguida é ir

08:46 com tudo e depressa. Deixe de lado boa parte da validação e da verificação, abandone muitas das regras que você tinha sobre a velocidade com que gosta de trabalhar e simplesmente veja do que os modelos são capazes agora, ao longo de alguns projetos. Uma desvantagem que vejo em muitos desenvolvedores que usam isso há bastante tempo é que ainda estão com uma mentalidade de 2024, até de 2025, quando os modelos e os harnesses não eram tão bons quanto são agora. Acho que você vai se surpreender com o quanto os limites avançaram. Se quiser fazer isso ao lado de outras pessoas que estão se dedicando com a mesma intensidade, é para isso que existem o curso e a comunidade Switch Dimension.

09:17 O link está na descrição. A lista de espera está aberta. Vamos anunciar a nova turma nas próximas duas semanas. Adoraríamos ver você por lá. Então, adoraria saber nos comentários: qual é a coisa mais ambiciosa que você tem tentado construir com IA? E onde deu certo e, mais importante, onde deu errado? Se quiser ver um exemplo real da camada 3, assista em seguida ao meu vídeo sobre REA. Ele permite que seus coding agents façam engenharia reversa de apps, que é a parte de descompilação mencionada por Karpathy na camada três. Publiquei esse vídeo há uns três ou quatro dias. Já estou vendo muitos casos de uso de pessoas usando isso de maneiras inteligentes. Uma das áreas mais interessantes

09:49 é, na verdade, a reutilização de hardware antigo. As pessoas estão usando isso para burlar as proteções de impressoras, fazendo com que aceitem qualquer cartucho. Muitas coisas diferentes desse tipo que eu não tinha previsto. Confira esse vídeo em seguida. Se isso foi útil para você, inscreva-se e nos vemos naquele vídeo.

Transcrição original

[00:00] Yesterday, in a post on X, Andrej Karpathy put his finger on a phenomenon a lot of us AI builders and developers have been feeling. Well, me for sure anyway. If you spend any time online or even chatting at a barbecue, there feels like there is this growing gap in understanding of AI capabilities and potential. As someone who has been deep in building agents for the last 4 years, it’s easy to get confused as to why everyone is not using these tools to their full advantage every single day. I have many thoughts on why this is, but first, here’s a breakdown of what Andrej

[00:31] is saying with some graphics to help illustrate. And after going through this breakdown, my takeaway is going to be most of us aren’t anywhere near as ambitious enough with these models. That includes me, and I’m going to show you where I got it wrong. But first, let’s look at where this all came from. So, back in April, Karpathy posted that he was seeing this growing gap in how people understand and use AI. On one side, people who tried maybe the free version of ChatGPT, they’re kind of just using it as an advanced version of Google for the most part. They’ve seen some hallucinations, some quirks, the

[01:02] strawberry thing, how many hours are in a strawberry, the car wash thing, and they kind of write it off a little bit. On the other side, you have people that went deep on this. People that are paying for frontier agents like Codex, Cloud Code, and using them professionally for coding, maths, and research. And for building their businesses. So, he’s saying that second group, and I would count myself as in that second group, has the highest amount of AI psychosis. Because the improvements have been, as he quotes, nothing short of staggering. And I definitely have felt that myself at particular points. Back

[01:32] in December, we had a huge jump where the models were just getting everything I wanted done correctly with very little issues. I’m feeling that again recently in the last couple of weeks as my as my goals have become a lot more ambitious and I’m pushing the models further. And I don’t think this is necessarily an improvement in the models we’re seeing. It’s all the infrastructure and harness that comes with the models that have improved hugely. You can get a lot done now. Tools like GrokBot, Dots, Muse, etc. are the evolution of OpenClaw, a

[02:02] more mature version of the promise that OpenClaw gave us with a lot more connected systems and security baked in. We’re seeing this phenomenon where the interfaces are getting simpler, but the capabilities behind the interface is getting a whole lot more powerful. Karpathy’s summary basically on this point is we have these two different groups that are speaking past each other. I’ll see this every week in real life conversations. I’ll talk to somebody who uses it like a slightly better Google, and then someone who has agents building a whole system over a weekend. They’re both telling the truth about what they’ve seen, but it’s

[02:33] different. So, I guess Andrej has been thinking on this divide like everybody else, and he did some napkin math to to break it down. And it’s less like a divide and more like a funnel. So, in layer one, there’s about 6 billion people, roughly 3/4 of the planet. They have barely come into contact with these models at all. That is a lot. Okay, so layer two is 1 to 2 billion casual users of these free chatbots. And in his words, they see “derpy” chatbots. They use it as a better Google or basically just a simple writing aid, maybe just to do a quick report or get their homework

[03:04] done. And this isn’t just lay people. These are executives and professionals sitting in this zone, too. Execs, for example, and anyone whose job is mostly talking to other people. They get it intellectually, but it’s still second-hand to them. So, layer three is around 20 million people, about 0.2% of the population. And they’re using frontier models professionally in math and coding and getting big business problems solved. These are the people watching projects that used to take 2 weeks or months get done by an agent in a one-shot prompt.

[03:36] They’re building apps, translating apps, even decompiling and reverse engineering apps from binaries. Check out my video 2 days ago on REA. Karpathy himself admits that even just less than a year ago, he was still writing code by hand, maybe using auto complete, but he was still doing it line by line. So, layer four is about 5,000 people with access to frontier systems inside the big labs. They’re seeing swarms of thousands of agents working together for weeks on mega projects, finding zero-day issues, discovering new science, and pushing the frontier of maths, as we’ve seen

[04:07] recently with OpenAI. We often see these wild quotes from the likes of Boris Chen or people who are within the large labs. They have access to endless amounts of compute and can run grand scale experiments. They also have the leading version of models before everyone else gets there. It’s really interesting to see the kind of things they’re talking about to get a sense of what’s coming next. Okay, so why does this funnel exist? And he gives three reasons. So, the first is access, meaning you’re either on a free tier, you’re on a paid tier, or you’re working internally in one of these labs. That’s the obvious

[04:38] one. So, the second part is what he calls jaggedness. So, these models don’t work the same for all problem domains. They’re not equally as powerful. So, for example, when the work is digital, uh it’s easy to verify like maths, coding, science, AI is perfect for that. Basically, it has a test that it can pass, it can do reinforce learning on top of that, there’s a feedback loop, and that really makes AI shine. If you’re trying to apply it into other areas that are less deterministic, it might not be uh as much of a win. So, if you’re complaining that your AI isn’t

[05:09] great at writing a good email, that’s because it’s much harder to score that. So, email writing improving is slower. His point here is the exact same model can go and refactor a hundred thousand line code base, but it can also tell you to walk to a car wash instead of driving your car. So, his third point is the one I can’t stop thinking about and the one I’m really focusing on. It’s impact scales with ambition. So, in his words, a question with a paragraph answer barely stresses the system. If you’re using ChatGPT in these one-off threads

[05:41] to ask simple questions, do Google search, maybe do a little bit of shopping comparison, or write simple reports, you’re barely stressing the system. You need to start thinking about projects in big goals over longer horizons. And if they’re code-based or verifiable, even better. We all have big problems in our life. We all have these issues that we see around them. You need to build up a reservoir of these big difficult problems that you want to solve and actually start to work on them using these agents. We’re not being half ambitious enough about what we can solve

[06:11] and what we can do with these models. So, paying for a top-tier access or $200 a month to cloud code doesn’t move you down the funnel itself. You can still ask a frontier model for a paragraph-sized question and get paragraph-sized results. It’s kind of like trying to use a chainsaw to sharpen a pencil. And here’s where I have to be kind of honest with myself. So, personally, I really thought I was in layer three. I mean, I’ve been working with these agents for 4 years. I get early access to tools and models from the labs. I build with these tools every day. But, when I’ve looked back at what I’d actually built, a lot of it was just

[06:42] copies of apps that already existed. I was just replacing SaaS that I was using. I’d build a slightly different receipts tracker or a different dashboard system. Don’t get me wrong, they’re useful, but I was essentially using the intelligence of a frontier model to build things I could have built 5 years ago, just faster. So, it’s only in the last few months that I’ve started being properly ambitious. Like right now, I’m building my own self-learning software factory in Harness. I’m enjoying what the big companies are putting out in this area, but inevitably, this is too important for me not to have control of. I’m basically

[07:12] getting frustrated with what’s on offer. Every tool is built around how someone else works, and we have this opportunity now to build something bespoke to how we work ourselves. And a year ago, I would not have even considered that as a one-person project, but now it is, and I think it’s possible for almost everyone watching this video. So, when I look at the people I know who are all in on AI and seeing what it can do, they’ve got something in common. They’re using it constantly. Every hour of every day, they’re experimenting. They tend to be curious and technical, the kind of

[07:43] people who are drawn to building, hacking, and making things. And to be honest, if you’re neurodivergent in any way, you’re hitting a sweet spot with agents. And all of this learning is compounding. I’ve seen this in my own community where people step in with very little technical knowledge. They’ve hung around for a year or so, and what they’re building now is blowing me away. If you’re only paying lip service, if you’re using it lightly, if you’re just using it for basic chat, you’re missing out on that compounding. And you have to remember that the gap between these layers is widening. Some people and some companies who fall into their own flywheel are going to move a lot further ahead. I know if you watch this channel,

[08:15] if you’re subscribed, you’re already AI pilled. I don’t really need to convince you. But what I’m saying is maybe it’s time to go up a notch. Get curious and then get ridiculously ambitious. Why not? So what do you do practically here, especially if you’re a developer that is only just starting to use this lightly? I would say pick a fun ambitious project that you’re really interested in. Something maybe start with that has zero risk. Nothing at work, nothing critical that anyone else is dependent on at an early point, nothing that’s going to matter if it breaks. Now, even if you’re using agents for the last couple of years, what you want to do next is go

[08:46] hard and fast. Throw out a lot of the validation, the verification, throw out a lot of the rules that you previously had about the speed that you like to move at and just see what the models are capable of doing now over a couple of projects. One disadvantage I see with a lot of developers who have been using this for quite some time, they’re still using a mindset from 2024, even 2025, where the models and harnesses weren’t as good as they are now. I think you’ll be surprised about how far the edges have moved. If you want to do this alongside other people who are pushing it just as hard, that’s what the Switch Dimension course and community is for.

[09:17] The link is in the description. The waitlist is open. We’re announcing the new cohort in the next 2 weeks. We’d love to see you in there. So I’d love to know in the comments, what’s the most ambitious thing that you’ve been trying to build with AI? And where was it successful and more importantly, where did it break? If you want to see a real layer 3 example, watch my video on REA next. It lets your coding agents reverse engineer apps, which is the decompiling thing Karpathy mentioned in layer three. I launched that video maybe three or four days ago. Already, I’m seeing loads of use cases of people using it in clever ways. One of the most interesting

[09:49] areas is actually the recycling of old hardware. People are using it to jailbreak printers so that it’ll accept any cartridges. Lots of different things like that that I hadn’t anticipated. Check out that video next. If you found this useful, subscribe and I’ll see you in that video.