Pare de alugar a memória da sua IA — Dylan Couzon, Qdrant

Autoria: AI Engineer · 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: Stop Renting Your AI’s Memory — Dylan Couzon, Qdrant · Canal: AI Engineer · 14:47 · Assistir no YouTube

Tópicos: Agentes de IA, Engenharia de prompts e contexto, Modelos locais e open source, Privacidade e proteção de dados, RAG, busca e recuperação de informação

Resumo

Dylan Couzon defende que, para a IA se tornar verdadeiramente pessoal, sua memória precisa pertencer ao usuário, em vez de ficar presa a serviços de terceiros. Ele diferencia a autonomia de executar modelos localmente da continuidade proporcionada por uma memória persistente, que pode registrar, recuperar e esquecer informações. Em uma demonstração, mostra um drone que identifica objetos e consulta suas memórias localmente, sem conexão de rede. A palestra conclui que memórias devem começar no dispositivo do usuário e só ser compartilhadas com consentimento.

Pontos-chave

Modelos executados em hardware próprio oferecem mais controle, mas a memória persistente é o que permite à IA aprender sobre o usuário ao longo do tempo.
Uma memória útil precisa escrever, recuperar e esquecer informações; simplesmente armazenar tudo em arquivos não garante que a informação certa seja encontrada.
A busca semântica permite filtrar memórias e recuperá-las conforme sua relevância, sem sobrecarregar o prompt com todo o histórico.
O palestrante compara o modelo à CPU, o context window à RAM e a memória persistente ao disco.
A demonstração com um drone usa YOLO para identificar objetos e criar memórias consultáveis localmente, sem conexão de rede.
Uma memória local pode acompanhar o usuário entre dispositivos, mesmo que ele troque o modelo de raciocínio ou o hardware.
A sincronização na nuvem pode conectar memórias de vários dispositivos, mas o compartilhamento deve ser opcional e feito com consentimento.
O palestrante alerta que sistemas de IA já constroem índices sobre a vida dos usuários; a questão é quem controla esses dados.

Capítulos

Início	Capítulo	Resumo
00:12	Quem deve ser dono da inteligência?	O palestrante apresenta a ideia de trazer a inteligência e a memória da IA para o controle do usuário.
03:21	O custo de alugar modelos e memória	Ele aborda os riscos de depender de modelos alugados e distingue autonomia de continuidade.
06:29	Memória local e busca vetorial	A memória persistente é comparada ao disco, e o palestrante explica uma abordagem de armazenamento vetorial local.
08:01	Demonstração: um drone que se lembra	O drone identifica objetos com YOLO e recupera memórias semanticamente sem conexão de rede.
10:37	Memórias pessoais e compartilhamento	O palestrante expande a proposta para assistentes e dispositivos pessoais e defende que o compartilhamento seja consentido.
13:13	A quem pertencerá a superinteligência?	A conclusão enfatiza que usuários devem controlar sua continuidade e suas memórias.

Citações

A questão real é: a quem ela pertence? — 00:43

Ter a inferência dá autonomia. Ter a memória dá continuidade. — 04:25

É um sistema com três verbos: escrever, recuperar e esquecer. — 05:27

Compartilhar deve sempre ser opcional, nunca o padrão. — 13:45

Conceitos e entidades

Dylan Couzon (pessoa): Engenheiro de relações com desenvolvedores da Qdrant e palestrante do vídeo.
Qdrant (empresa): Empresa associada à tecnologia de busca vetorial apresentada na palestra.
memória persistente (conceito): Armazenamento duradouro de informações sobre o usuário, recuperável entre sessões.
busca vetorial (conceito): Técnica que permite encontrar informações semelhantes em um espaço de vetores.
HNSW (conceito): Método de busca aproximada em grafos mencionado como parte da infraestrutura de recuperação de informação.
YOLO (modelo): Modelo de detecção de objetos usado na demonstração com o vídeo de um drone.
Karpathy (pessoa): Pessoa citada pelo palestrante por uma analogia entre modelo, context window e memória.

Tradução completa (pt-BR)

00:12 Olá, pessoal. Obrigado por se juntarem a mim hoje. Espero que todos estejam aproveitando muito a conferência até agora. Meu nome é Dylan Couzon. Sou engenheiro de relações com desenvolvedores na Qdrant, e o título da minha palestra de hoje é “A fronteira está chegando em casa”. O que quero dizer com isso? Em algum momento dos próximos anos, vai existir algo mais inteligente do que todos nós. Passamos anos perguntando quando, mas acho que “quando” é uma pergunta meio entediante. Acho que a pergunta de verdade é a quem ela

00:43 pertence. Porque existem duas versões disso. Em uma, a superinteligência fica no data center de outra pessoa, e você paga por token. Na outra, ela é sua. Aprende com a sua vida, seu contexto permanece privado, e ninguém pode desligá-la, limitar sua capacidade ou tirá-la de você. É sobre essa segunda versão que quero falar hoje. É isso que significa a fronteira chegar em casa. Um rápido exercício de imaginação. O que você criaria se seu assistente realmente

01:15 se lembrasse de tudo que você já ensinou a ele? Cada preferência, cada correção, cada caminho sem saída, ao longo de anos. Isso já não é um chatbot. É uma segunda mente. Mas o assistente que você está usando agora esquece tudo isso assim que a conversa termina. Cada sessão começa do zero. Chamamos essas coisas de inteligência, e elas são inteligentes. São apenas gênios sem memória de longo prazo. Esta palestra é sobre resolver isso. Não com

01:46 um prompt maior, mas com memória de verdade. Esse gênio costuma existir por trás da API de alguém, em um data center que você nunca vê. Não, ele roda em um hardware que a maioria de nós possui. Não é a fronteira absoluta, vou ser sincero, mas está surpreendentemente perto. Hoje, uma máquina por menos de US$ 2.500 consegue rodar algo que era basicamente a fronteira do ano passado. E os modelos de pesos abertos estão se aproximando rapidamente. A diferença diminui a cada

02:17 trimestre. Você esperaria que isso parecesse um marco: a fronteira na sua mesa pelo preço de um laptop. E, ainda assim, não chega a causar esse impacto. Porque, sozinho, um modelo é apenas um estranho brilhante. É poderoso. Mas não é seu. O que o torna seu é tudo o que sabe sobre você. E essa parte ainda não chegou em casa. Então, hoje você já pode rodar um modelo de classe de fronteira no seu próprio hardware. E, ainda assim,

02:49 olhe para a pilha de IA que a maioria de nós usa hoje. O poder computacional é alugado. O modelo é alugado. O harness é alugado. E as partes que deveriam se tornar você, aquilo que deveria se acumular ao longo dos anos, também são alugadas. Se não resolvermos isso, a tecnologia mais poderosa que qualquer um de nós jamais vai usar acabará pertencendo a quem detém o contrato de aluguel, e não às pessoas para quem ela foi criada. Então, vamos ver quanto custa, de fato, alugar hoje.

03:21 Comecemos por onde o modelo leva. Porque, quando você o aluga, não tem controle de verdade. Isso aparece de três formas diferentes. No mês passado, uma ordem do governo retirou o acesso a dois modelos de ponta, Fable e Mythos 5, de todos os clientes. Agora, compare isso com os pesos que você já tem na sua mesa. Ninguém pode entrar na sua máquina e desligá-los. Mesmo quando o modelo continua disponível,

03:51 ele não fica igual. Os provedores aposentam versões e limitam o que resta quando a situação econômica aperta. O modelo em que você confia pode piorar silenciosamente ou desaparecer. Os pesos que você possui nunca mudam, a menos que você os altere. As pessoas também já não escrevem prompts. Eles ficam em agents ou loops por horas, e uma única tarefa pode consumir milhares de vezes mais tokens do que uma mensagem de chat. Alguns desenvolvedores gastam mais de US$ 5.000 por mês em poder computacional em um plano de US$ 200.

04:25 Isso é um subsídio, e esses subsídios acabarão desaparecendo. Se você possui o computador e os pesos, o controle volta para você, mas isso ainda resolve apenas metade do problema. Aqui está a questão mais profunda. Possuir a inference dá autonomia. Ninguém pode tirar o modelo de você. Mas possuir a memória dá continuidade. E continuidade é exatamente o que todos os grandes laboratórios estão tentando empacotar e vender de volta para você. Veja o ano passado: todos os laboratórios de ponta lançaram um recurso de memória. Não porque

04:57 os modelos ficaram mais inteligentes, mas porque não levam nada de uma sessão para outra. Essa lacuna é o produto de verdade. Um sistema que começa simples e continua aprendendo sobre você sempre vai parecer mais inteligente do que um que começa brilhante, mas esquece tudo sobre você. É aí que a inteligência começa a parecer pessoal. Então, o que é memória, de fato? Não é um prompt maior. É um sistema com três verbos: gravar, recuperar e

05:27 esquecer. São as mesmas três coisas que seu cérebro realmente faz. E sabe, há uma objeção óbvia. Por que não colocar tudo em uma grande pasta de arquivos Markdown? Porque recuperar a memória certa é melhor do que despejar tudo e torcer para que o modelo encontre o que precisa. A recuperação oferece algo que um prompt não consegue: controle. Você pode filtrar por tópico. Pode fazer as informações perderem relevância com o passar do tempo e conforme a frequência de uso. Pode deixar a relevância mudar ao longo do

05:58 tempo, da maneira como a memória humana realmente funciona. E a infraestrutura está pronta há anos. HNSW em 2016; embeddings são executados localmente desde 2019, muito antes de qualquer modelo conseguir usá-los de verdade em escala. A parte da memória da superinteligência nunca foi o problema difícil. Só precisávamos direcioná-la para nós mesmos. Então, hoje, a memória que realmente conhece você acaba em um de dois lugares.

06:29 Ou fica presa em um arquivo sem indexação que você não consegue consultar direito, ou está na nuvem de outra pessoa. Basta uma alteração nos termos de serviço para que ela seja reformulada ou transferida. Karpathy descreveu isso de um jeito que ficou mesmo comigo: o modelo é a CPU, o contexto da memória é a RAM, e a memória é o disco. A RAM é rápida, mas esquece no momento em que a sessão termina. O disco é o que se lembra de você em todas as conversas.

07:01 E, neste momento, em quase todos os sistemas de IA do planeta, o disco fica no data center de outra pessoa. Então, hoje, não vou discutir qual arquitetura de memória vence ou é a melhor. Isso com certeza é assunto para outra palestra. Mas o disco, a parte que guarda o registro de quem você é, deveria ser totalmente seu e para sempre. Então, esta é a parte em que trabalho, e é apenas uma maneira de fazer isso. Eu

07:31 trabalho em um mecanismo de busca vetorial que se integra diretamente ao seu app. Ele abre um armazenamento local dentro do seu processo. Você grava embeddings com payloads e depois consulta offline em questão de milissegundos. A mesma pontuação bruta que na Qdrant na nuvem, só que executando onde você está. Com quantização, um milhão de memórias cabe em menos de um gigabyte. Pequeno o bastante para ficar em um celular ou até em um Raspberry Pi. Feche o app, volte um ano depois: a memória continua intacta.

08:01 Cada app recebe seu próprio armazenamento isolado, e essa pasta é o que realmente acompanha você. Então, vou fazer uma demonstração rápida ao vivo. Agora tenho uma gravação de vídeo de um drone sobrevoando uma casa. Basicamente, é a primeira vez que esse drone está começando. É a primeira vez que sai pelo mundo. Ele não sabe nada. E isso está sendo executado ao vivo, agora mesmo, totalmente offline, no meu

08:32 laptop. Estou usando o YOLO, que é um modelo de detecção de objetos. Ele detecta os objetos e cria um rótulo para cada item que vê aqui. Depois pegamos a imagem, pegamos o rótulo e transformamos isso em embeddings para criar uma memória ao vivo e em tempo real para o drone. E, assim, o drone consegue se lembrar de tudo o que já viu.

09:02 E aqui vocês podem ver uma representação 2D desse espaço vetorial com todas as memórias dentro. Memórias semelhantes ficam mais próximas umas das outras. Aqui vocês podem ver que já reconhecemos 92 objetos diferentes e temos mais de 300 vetores. Ou seja, são 300 representações diferentes desses 90 objetos. E dá para ver que a memória inteira e a área ocupada pelo mecanismo da Qdrant

09:33 são de apenas 15 megabytes. E o que podemos fazer com essa memória? Bem, habilitamos a busca semântica nessas memórias. Então, se eu clicar aqui na mesa de centro, vocês podem ver que, em menos de 1 milissegundo, consegui encontrar todas as mesas de centro que esse drone já viu. E temos aqui a imagem. Temos o horário do primeiro registro. Temos o

10:06 o horário da última vez em que foi visto. Temos uma definição dessa mesa de centro. E também podemos ver quantas vezes essa mesa foi vista. Então, tudo isso é executado e processado localmente. Não há nenhuma conexão de rede. Mas também temos a capacidade de sincronizar com a nuvem. Por exemplo, se você tiver um enxame de drones ou robôs navegando pelo mundo, eles podem ter uma mente coletiva na nuvem, onde

10:37 um sistema aprende algo e todos os outros também podem aprender. Esse era um exemplo com um drone, mas você pode aplicar isso a tudo. Um chatbot, um agent com quem você conversa, um assistente de código. E, sabe, se você criar essas memórias por apenas algumas semanas, o estranho simplesmente desaparece. Ele se lembra das suas correções, das suas preferências, dos becos sem saída em que você só precisou entrar uma vez,

11:10 e um modelo que é apenas bom, mas nunca se esquece de você e continua acumulando conhecimento ao longo dos anos, começa a parecer sobre-humano na prática. Não porque o modelo mudou, mas porque nunca parou de aprender sobre você. E é portátil. Troque o modelo de raciocínio, mude o hardware: nada disso importa. Tudo vai com você. Se você mantiver o mesmo modelo de embedding, essa pasta se torna permanente. Uma vida inteira de contexto, totalmente sua, passando

11:40 de um dispositivo para outro. Mas podemos ir ainda mais longe. Isso pode ir muito além do laptop ou de um drone. Aponte a mesma memória para tudo o que você faz durante o dia. Onde deixei meu crachá? Qual era mesmo o nome da filha dela? O que tinha naquele quadro branco? E qual era a música que estava tocando quando nos conhecemos? Cada uma dessas perguntas é apenas uma consulta de recuperação. E você acabou de ver um drone se lembrar de objetos. Agora estenda isso a

12:11 tudo o que você vê e tudo o que ouve. E isso não é ficção científica. São os óculos inteligentes que já estão sendo vendidos hoje e que vimos aqui nesta sala. Não é uma versão sua mais inteligente. É você, sem esquecer. E, neste momento, nenhuma dessas memórias é compartilhada entre esses dispositivos — nenhuma dessas memórias pertence a você. Poderiam ser, nos termos que você definir, porque os modelos de fronteira já estão construindo um

12:42 índice sobre você neste exato momento. Eles conhecem seus relacionamentos. Conhecem seus hábitos. Conhecem toda a sua vida interior. Esse índice está chegando, você aceite ou não. A única questão é se ele pertence a você ou se você está pagando para ter acesso a si mesmo. E mais uma última ideia: ser dono da memória não significa guardá-la só para si. O Edge pode sincronizar partes do seu armazenamento com a nuvem da Qdrant por padrão, quando você quiser.

13:13 Imagine uma família em que todos usam óculos que registram o próprio dia. Memórias separadas, mas que podem ser reunidas em uma mente coletiva pertencente à família inteira. O dia da mãe, o dia do pai, o seu dia — tudo pesquisável em conjunto. Agora amplie isso. Em vez da superinteligência de uma única empresa atendendo bilhões de pessoas idênticas, você teria milhares de pequenas inteligências privadas, cada uma moldada por uma vida, uma família, uma equipe. Mas esse mesmo mecanismo funciona nos dois sentidos.

13:45 Uma memória pode ser compartilhada com consentimento ou extraída sem ele. É exatamente por isso que tudo precisa começar localmente e que o compartilhamento deve sempre exigir uma decisão explícita, nunca ser o padrão. Você é quem deve decidir a quem confiar sua continuidade e suas memórias. E é com isso que vou deixá-los. Todos aqui verão a superinteligência surgir nos próximos anos. Essa parte está praticamente decidida.

14:16 O que ainda não está decidido é a quem ela pertence, e essa é a disputa que vale a pena travar agora, enquanto a arquitetura ainda está em aberto. Então, hoje à noite, não vá para casa e simplesmente experimente sua ferramenta. Leve o estranho para casa e dê a ele uma memória. Depois imagine essa memória daqui a cinco anos. Não um chatbot, mas uma mente privada que nunca se esquece de você. Que ninguém pode desligar e que conhece você melhor do que qualquer sistema já conheceu. Porque você foi a única pessoa que

14:47 o treinou. Isso não é uma superinteligência menor; é a única que vale a pena querer. Certo. Era isso da minha parte. Muito obrigado. >> [música]

Transcrição original

[00:12] Hi everyone. Thank you for joining me today. I hope everyone is having a great conference so far. Um so my name is Dylan Cozan. I am a developer relations engineer at Quadrant, and the title of my talk today is the frontier is coming home. So what do I mean by that? And somewhere in the next few years, something smarter than all of us is going to exist. We’ve spent years asking when, but I think when is kind of the boring question. I think the real one is who it

[00:43] belongs to. Because there are two versions of this. In one, super intelligence lives in someone else’s data center, and you pay by the token. In the other, it’s yours. It learns from your life, your context stays private, and nobody can switch it off, throttle it, or take it away from you. That second version is what I want to talk about today. That’s the frontier coming home. A quick thought experiment. What would you build if your assistant actually

[01:15] remembered everything you ever taught it? Every preference, every correction, every dead end for years. That’s not a chatbot any anymore. That’s a second mind. But the the assistant you’re using right now forgets how much all of it the second the conversation ends. Every session starts from zero. We call these things intelligence, and they are. They’re just geniuses with no long-term memory. This talk is about fixing that. Not with

[01:46] a bigger prompt, with actual memory. That genius usually exists behind someone’s API, in a data center you never see. No, it runs on a on hardware that most of us own. Not the absolute frontier, I’m going to be honest, but shockingly close. A machine under $2,500 today can run what was basically last year’s frontier. And open weights models are closing on fast. The gap is shrinking every

[02:17] quarter. You’d expect this to feel like a landmark, uh the frontier on your desk for the price of a laptop. And yet, it doesn’t quite land. Because a model on its own is just a brilliant stranger. It’s powerful. It’s but it it isn’t yours. What make What makes it yours is everything it knows about you. And that part hasn’t come home yet. So, you can run a frontier class model on your own hardware today. And yet,

[02:49] look at the AI stack that most of us are using today. The compute is rented. The model is rented. The harness is rented. And the parts that’s supposed to become you, the thing that should compound over the years, also rented. If we don’t fix that, the most powerful technology any technology any any of us will ever touch ends up owned by whoever holds the lease, not the people it was built for. So, let’s look at what renting actually costs today.

[03:21] Starts where we starts with where the model leads. Because when you rent it, you don’t really control it. This shows up in three different ways. Last month, a government order pulled access to two flagship models, Fable and Mythos 5, for every single customer. Now, compare that to weights you already that are already sitting on your desk. Nobody can reach into your machine and flip those off. Even when the model the model stays up,

[03:51] It doesn’t stay put. Providers retire versions and they throttle what’s left when the economics gets tight. The model you rely on can quietly get worse or vanish. Weights you own never change unless you change them. People also don’t don’t write prompts anymore. They’re in agents or loops for hours and one task can burn thousands of times more tokens than a chat message. Some developers burn through over $5,000 a month of of computes on a $200 plan.

[04:25] That’s a subsidy and those subsidies will ultimately disappear. If you own the computer and the weights, the control comes back to you, but that’s still only half the problem. Here’s the deeper issue. Owning inference gives you autonomy. Nobody can take the model away. But owning memory gives you continuity. And continuity is exactly what every major lab is trying to package up and sell back to you. Look at last year, every frontier lab shipped a memory feature. Not because

[04:57] the models got smarter, but because they don’t carry anything between sessions. That gap is the actual product. A system that starts simple and keeps learning you will always feel smarter than one that starts brilliant but forget everything about you. That company is where intelligence starts to feel personal. So, what actually is memory? It’s not a bigger prompt. It’s a system with three verbs: write, retrieve, and

[05:27] forget. Same three things your brain actually does. And you know, there’s an obvious pushback. Why not just throw everything in a big folder of markdown files? And because retrieving the right memory beats dumping everything and praying the model finds it. Retrieval gives you something a prompt cannot. It is control. You can filter by topic. You can decay by recency and frequency. You can let relevant shift over time the

[05:58] way human memory actually works. And the infrastructure has been ready for years. HNSW in 2016 um embeddings have been running locally since 2019, long before any any model could really use them at scale. The memory side of superintelligence was never the hard part. We were just pointing it at ourselves. So, today the memory that actually knows you lands in one of two places.

[06:29] Either it’s stuck in an unindexed file you can’t really query, or it’s in someone else’s cloud. One terms One terms of service change away from being reshaped or moved. Karpathy framed it in a way that’s really stuck with me. It’s the model is the CPU, the memory the context window is the RAM, and the memory is the disk. RAM is fast, but forgets forgets the moment the session ends. The disk is what remembers you across every conversation.

[07:01] And right right now for almost every AI system on on Earth, the the disk is in someone else’s data center. So, you know, today I’m not going to argue which memory architecture wins or is the best one. That’s definitely a different talk. But the disk, the parts that holds the actual record of you, should be yours fully and forever. So, this is the piece that I work on, and it’s just one way to do it. Um I I

[07:31] work in a vector search engine that embeds directly into your app. It opens look a local store inside your process. You write embeddings with payloads, then query offline in some millisecond time. Same raw score as Quadrant in the cloud, just running where you are. With quantization, a million memories can fit in less than a gigabyte. Small enough to live on a phone or even a Raspberry Pi. Close the app, come back a year later, the memory is intact.

[08:01] Every app gets its own isolated store, and that folder is the thing that actually follows you. So, I’m going to do a quick live demo here. Um so, right now um I have a video recording of a drone like going over a house. So, basically that drone it’s it’s first time starting. It’s it’s first time out in the world. It doesn’t know anything. And so, this this is actually running live right now, fully offline on my

[08:32] laptop. And I’m using YOLO, which is an object detection model. So, it detects the objects and creates a um label for every items it sees here. Then we take take that picture, we take that label, and we turn that into embeddings to create a live real-time memory for that drone. And And that way we can The drone can remember everything it has ever seen before.

[09:02] And so, here you can see a 2D representation of that vector space with all the memories inside. And memories that are the similar will will be the closest to each other. So, here you can see that we’ve already recognized 92 different objects, and we have over three 300 vectors. So, that’s 300 different representations of those 90 objects. And you can see that the entire memory and Quadrant engine

[09:33] footprint is only 15 megabytes. And then what we can do on this memory? Well, we enable semantic search over those memories. So, you know, if I click here on the coffee table, you can see that in less than 1 millisecond, I was able to pull up every single coffee table that this drone has seen before. And so, you know, we have the image here. We have the first seen times timestamp. We have the

[10:06] last seen timestamp. We have a definition of that coffee table. And and also we can see how many times that table has been seen. So, this is all being run and processed locally. There’s no network attachment at all. Um but we also have a capability of cloud sync. So, for example, you know, you if you have like a swarm of drones or robots navigating the world, they can have like a hive mind in the cloud where

[10:37] you know, one system learns something and they can all learn about it. And you know, this is what this was like an example for a drone, but you can apply that to to everything. Just a chatbot, an agent that you call to, a code assistant, and you know, if you create those memories for just a few weeks, the stranger just disappears. It remembers your corrections, your preferences, the dead ends you had to

[11:10] only hit once, and a model that’s merely good, but never forgets you and keeps compounding over the years, starts to feel superhuman in practice. Not because the model changed, but because it never stopped learning you. And it’s portable. Swap the reasoning model, change the hardware, none of it matters. It all comes with you. If you keep the same embedding model and that folder becomes permanent. A lifetime of context fully yours moving

[11:40] from device to device. But we can go even further than that. You know, this can go way past the laptop or a drone. Point the same memory at your whole day. Where did I leave my badge? What was her daughter’s name again? What was on that whiteboard? And what what what was the song that was playing when we met? Every one of those is just a a retrieval query. And you know, you just watched a drone remember objects. Now extend that to

[12:11] everything you see and everything you hear. And you know, that’s not science fiction. Those are the smart glasses that are already shipping today and that we have seen today in this room. It’s not a smarter you. It’s a you that doesn’t forget. And right now, none of those memories share uh none of those devices share a memory that you actually own. They could on your own terms because frontier models are already building an

[12:42] index of you today. They have your relationships. They have your habits. They They have your whole inner life. That index is coming whether you opt in or not. The only question is whether you own it or if you’re renting access to yourself. And one last idea because owning memory doesn’t doesn’t mean keeping it to yourself. Edge can sync parts of your store to the quadrant cloud out of the box when you choose to.

[13:13] Picture a family each wearing glasses that record their own day. Separate memories, but they can pull into a hive mind the whole family owns. Mom’s day, dad’s day, your day searchable together. Now scale that up. Instead of one company’s super intelligence serving billions of identical people, you get thousands of small private ones, each shaped by a life, a family, a team. But that same mechanism cuts both ways.

[13:45] A memory can be shared without A memory share can be shared with consent, or it can be extracted without it. That’s exactly why it has to start local, and why sharing should always be opt-in, never the default. You should really decide who gets your continuity and your memories. And this is where I’m going to leave you. You know, every everyone here is going to watch super intelligence show up over the next few years. That’s That part is basically settled.

[14:16] What’s not settled is who it belongs to, and that’s the fight worth having right now. Where the archi- where the architecture is still up for grabs. So tonight, don’t go home and just try your tool. Trick Take the stranger home and give it a memory. Then picture that memory 5 years from now. Not a chatbot, a private mind that never forgets you. That nobody can switch off, and that knows knows you better than any system ever has. Because you were the only one who ever

[14:47] trained it. That’s not a That’s not a smaller super intelligence, that’s the only one worth wanting. All right. That’s all for me. Thank you very much. >> [music]