Gamit ang nakakagulat na pagmamaneho ni Lao Ma ngayon, isasagawa ko ang pagpuno sa mga kalaliman na itinanim ko sa nakaraang dalawang araw tungkol sa Jev, Strata, at Atlas — tatlong bagay sa AI na aking itinuturing na kasiya-siya sa kasalukuyan. Gagamitin ko ang isang eksena mula sa pelikula upang iugnay ang tatlo, walang teknikal na detalye — kung interesado, tanungin ninyo ang AI o gawin ang inyong sariling pananaliksik. Ano ang eksena? — Terminator! Isipin na ang T-800 ay ipinadala pabalik sa taong 1984 upang hanapin at patayin si Sarah Connor! Para makamit ito, kailangan niya ang tatlong pangunahing kakayahan: pag-unawa sa espasyo, paggawa ng desisyon nang agad, at pag-iisip nang hindi konektado sa internet (noong 1984 ay wala pang SkyNet para i-link). Kasabayan nito, ang tatlo ay direktang tumutugma sa Atlas, Jev, at Strata. 1. Una, ang Atlas ni Prof. Li Fei-Fei — pag-unawa sa espasyo. Kapag pumasok si Schwarzenegger (T-800) sa isang silid, sasabihin niya nang agad kung ano ang nasa likod ng pinto o ilalim ng mesa. Ito ang ginagawa ng Atlas: ibinibigay mo ang ilang larawan, at ito ay nagpapahula kung ano ang makikita mo kung magbabago ka ng pananaw. Ang LLM ay nagpapahula ng susunod na salita. Ang mga video model (tulad ng Seedance) ay nagpapalabas ng mga imahe dala ng oras. Ang Atlas naman ay nagpapahula ng bagong pananaw. Ngayon, maraming video model ang tumatawag sa kanilang sarili bilang “world models.” Noong ilang buwan ang nakalipas, binigyan siya ni Li Fei-Fei ng klasipikasyon: renderer, simulator, planner. Ang simulator ay maaaring maging renderer, ngunit ang planner ay kailangan ng isang malakas na simulator. Kapag sinuri ni T-800 ang silid at alam niya kung ano ang nandun — iyon ay simulator. Ang pagkalkula kung ano ang mangyayari kung maglalakad ka o magbubunot ng baril — iyon ay simulator din. Ang pagpili kung susundan, iiwas, o sasakyan — ito ay kailangan ng planner. Ang renderer naman ay halos hindi ginagamit. Ang layunin ng Atlas ay maging pinakamalakas na simulator, at sa hinaharap ay i-upgrade sa planner. Ang kanilang roadmap ay ganito: Static 3D space (kasalukuyan) → Dynamic (4D) → Editable → Interactive → Simulator as Planner (huling yugto) Nasa unang hakbang pa lamang ng mahabang paglalakbay, ngunit kailangan mo ito para makamit ang Terminator — ang LLM lamang ay hindi sapat. 2. Pagkatapos ay si Jev — agad na pagdedesisyon. Tandaan mo ba yung eksena? Ang T-800 ay tinawag ng tagapag-alaga sa motel, at sa field of view niya ay agad na lumitaw ang isang listahan ng mga opsyon na sagot; pumili siya at sumagot nang agad — walang pagbuo ng pangungusap. (Alam kong pinili niya yung pinakamasama…). Ito ang Jev: hindi kailangan ng LLM na maglabas ng isang pangungusap, o mag-isip gamit ang COT chain-of-thought. Kailangan lang pumili mula sa ibinigay na opsyon at bigyan ng antas ng tiyak na probabilidad. Ang TypeSafe na Jev ay ganoon: hindi gumagawa ng teksto, kundi pumipili lamang mula sa ibinigay na opsyon at nagbibigay ng calibrated probability. Isang sagot na may 0.97 → agad na isasagot. Kung pinakamataas lang ay 0.60 → huwag muna sagutin; ibigay sa mas mabagal pero mas matalinong malaking model. Sa demo video ng TypeSafe, ginagawa nito ang pagtukoy kung isang invoice ay totoo o fake. Ang tradisyonal na LLM ay gumagamit ng 8 segundo; ang Jev naman ay 0.1 segundo lang. Mabilis dahil pumipili lang siya — hindi gumagawa ng teksto. Tama dahil sa teknolohiyang RLCD — Reinforcement Learning for Calibrated Decisions (Pagsanay na Pagsasanay para sa Calibrated Decisions). Ang arkitektura ay hindi pa inilabas, pero naniniwala ako na base pa rin ito sa Transformer, ngunit kinansela na ang bahagi ng paggawa. Maaaring isipin ito bilang ASIC ng LLM sa isang partikular na konteksto: hindi makikipag-usap, hindi sumusulat ng code — nagpapasya lamang nang madalas, pinapaliit at pinapadali lahat ng hakbang ng tradisyonal na LLM sa isang tanong o pagsagot sa multiple choice. Ang bilis at gastos ay may pagkakaiba ng isa hanggang dalawang antas. Parang System 1 ni Daniel Kahneman sa kanyang sikat na libro “Thinking, Fast and Slow.” Ang tradisyonal na LLM ay System 2. Naniniwala ako na ang Terminator ay hindi makakayaan ang anumang gawain kung gagamitin niya ang kasalukuyang LLM — magiging parang kuwago (bakit biglang isip ko si Lightning sa Zootopia?). Dito nagsisimula ang Jev — natapos na ang pangalawang piraso ng Terminator. 3. Huling piraso — Strata — lokal na pagpapatakbo ng malaking model. Noong 1984 ay may internet na, pero sobrang mabagal at limitado lamang sa militar at paaralan. At wala namang cloud para i-link sa SkyNet! Kailangan mong ilagay ang lokal na model sa loob ng T-800 para makabalik. Ang Strata ay nagpapahintulot sa isang consumer-grade GPU na may 12GB VRAM at 64GB RAM na magpatakbo ng Qwen3.8-Flash-Next model na may 125 bilyong parameter. Ang black magic: una, quantized ang parameter mula sa 16-bit hanggang 2–3 bit — bumaba ang laki nang maraming beses. Pagkatapos, 20% ng mga expert (mga copy) ay ilalagay sa VRAM; lahat ng expert ay ilalagay sa 64GB RAM; at mayroon pang 30GB na malaking lookup table (mga reference guide mula sa training) na ilalagay sa SSD. Buong offline, data privacy. Bagamat bumaba ang kakayahan dahil sa compression at mabagal ang pagbasa ng mahabang dokumento — pero isang high-end gaming console na lang ang kailangan para magpatakbo ng trillion-parameter model! Ito ay problema mula sa wala hanggang mayroon. Hindi natin alam kung ano ang eksaktong specs ng GPU, memorya, at CPU sa loob ng T-800 — pero ang Strata ay nagbibigay-daan para magpatakbo ng mas malaking MOE-based model sa limitadong hardware (kasalukuyan lang suportado si Qwen, pero ang ideya ay universal para sa lahat ng MOE models). Kapag tingnan mo ito nang buo, parating tayo nang mas malapit sa SkyNet at Terminator era! @drfeifei @theworldlabs @typesafeai P.S. Sino ba ang may-ari ng Roadster? Paki-reserve ako para mag-experience noong 2028. Pakiusap!