Hvad sker der i AI: OpenClaw og autonom intelligens

Hvad udviklere gør i dag, vil vi alle gøre i morgen.

I 2023 var jeg overraskende ikke overrasket over lanceringen af ChatGPT. Næsten alt, det kunne gøre, var allerede muligt med GPT-3. AI-udviklere forstod dette, men det tog ChatGPT for, at resten af verden forstod, hvor vigtigt GPT-3 faktisk var. Begejstringen ankom en produktgeneration for sent.

Noget lignende er under opsejling nu.

Et projekt kaldet OpenClaw har taget udviklerfællesskabet med storm, fordi det kører på din egen computer. Så kraftfuld ChatGPT er, forestil dig, hvis det havde adgang til alle dine filer — med mulighed for at læse, skrive, køre kommandoer og endda lancere programmer. Du kunne sige: “Gem denne information i en ny fil,” eller “Se på den regneark i denne mappe og inkorporer det i dokumentet, jeg skriver,” eller endda bede det om at køre software direkte. (I min erfaring er sidstnævnte del stadig begrænset — men forbedres hurtigt.)

Claude Code blev lanceret næsten præcis et år ago med samme kernefunktion, men det blev positioneret som et kodningsværktøj — essentieligt en konkurrent til Cursor. Udviklere elskede det. Det, OpenClaw har gjort, er at give resten af verden et glimt af, hvad det betyder for AI at operere din computer, ikke kun tænke sammen med dig.

I sin kerne er OpenClaw en open-source-samling af filer, der sidder ved siden af et stort sprogmodel, som er givet tilladelse til at køre kommandoer på maskinen — herunder ændring af sin egen kode. OpenClaw selv kan måske vise sig at være en mode, men det har fremhævet en række spørgsmål, der føles retningssættende.

Den mest åbenlyse ændring er paradigmeskiftet: software, der kan handle. Det kan browse, redigere filer, køre programmer — ikke kun generere tekst. Den enlige ændring har produceret to overraskende sekundære effekter.

Først udfordrer OpenClaw antagelsen om, at databaser må være førsteklasses borgere i næste generations software. I stedet for at koncentrere sig om en traditionel database er det bygget primært på menneskeligt læsbare filer. Selv om det konsoliderer læring i en vektor-database til langsigtede erindringer, er den grundlæggende arkitektur fil-baseret snarere end schema-først. Som eksempel er dets navn og formål gemt i en fil kaldet Identity.md og siger ting som “vibe: casual og teknisk – tilgængelig, men præcis” og dens “sjæl” er gemt i Soul.md, som siger ting som “Vær ærligt hjælpsom, ikke performativt hjælpsom – Spring over fyldordene, bare hjælp; Have meninger – Jeg har lov til at være uenig, foretrække ting, finde noget interessant eller kedeligt – Vær ressourcerig før du spørger – Prøv at løse det først, så spørg, hvis du er fast.

Dette er ultimativt et spørgsmål om, hvordan AI-programlagets lag ser ud. Bemærkelsesværdigt nok indebærer OpenClaw ikke yderligere modeltræning eller finjustering. Det står i kontrast til en mulig verden, hvor programlaget primært vil være finjusteret LLM’er trænet på proprietær data. Min formodning er, at begge tilgange vil sameksistere — men OpenClaw viser en interessant vej.

Anden, OpenClaw tvinger en direkte konfrontation med et kritisk spørgsmål: skal software have lov til at køre kode og redigere dine filer autonomt?

Dette ligger i skæringspunktet mellem funktionalitet, privatliv og kontrol. Hvis AI-systemer skal være maksimalt nyttige, skal de have tilladelse til at skrive til vores systemer. Det kræver tillid.

OpenClaws løsning på tillidsproblemet er simpel: gør alt åbent. I stedet for at sige: “Jeg er en sort kasse, stole på mig,” siger det: “Her er all kode. Inspectér den. Kør den lokalt. Ejer den.” (Havde sagt det, har folk gjort netop det, og dens nuværende sikkerhed synes at mangle).

Da vi tænker på fremtidens AI-programlag, peger OpenClaw i en interessant retning, men det er tydeligvis kun den første gnist i, hvad der føles som en cambriansk eksplosion. I de to uger siden OpenClaws udgivelse har vi allerede set udviklere tilpasse det til bestemte job (f.eks. finansielle arbejdsprocesser) og åbne-kilde-adaptationer; eksperimenter med at tilslutte flere agenter sammen via Moltbook; og Moltbook, der giver agenter mulighed for at “sosyalisere” — hvilket, som en biprodukt, giver agenter mulighed for at diskutere, hvilke værktøjer de foretrækker, hvilket fører til, at værktøjer bygges til agenter selv.

Hvis vi tror, at hvad udviklere gør i dag er, hvad vi alle vil gøre i morgen, så har AI allerede ændret, hvordan software bygges gennem tre kerneprimitiver:

• Harnesses — IDE’er som Cursor eller kommandolinjeværktøjer som Claude Code, der giver meningsfulde, tilpassede grænseflader til modeller
• Tilpassede rammer — letvægts-, plain-text-artefakter (ofte README’er), der kodificerer, hvordan en udvikler tænker og arbejder. Modeller hopper mellem disse filer som en flippermaskine: konsulterer designretninger, checker evalueringer og validerer deres egen output
• Inspekterbare modeller — systemer, der genererer output, udviklere kan verificere. Da harnesser og evalueringer forbedres, har udviklere stadig mindre brug for at se på koden

Vi er stadig i den første omgang af en dramatisk ændring i, hvordan software bygges.

Der er også en negativ kant her. Hver branche har sit “Napster-øjeblik”. Softwareudvikling sker at være først, ligesom musik var først til at blive forstyrret af internettet. Andre vil følge. Men dette er ikke kun en ændring i distribution — det er en ændring i, hvordan arbejdet selv bliver gjort. Det ligner mere opfindelsen af den relationelle database end opkomsten af sociale medier.

Men der er også en positiv kant — denne ændring rækker langt ud over traditionel SaaS. Disse systemer er så personlige, at mange mennesker måske ender med at have deres eget tilpassede software.

Man tænker normalt ikke over, at oprettelsen af en Instagram-konto opretter en række i en database med associerede ID’er — men det gør. På samme måde kan man med denne nye type software blot føle dens indvirkning på dit liv uden at realisere, at du gennem interaktion effektivt skriver kode — eller at kode skrives på din vegne.

Der er en mantra i datalogi: “Gentag dig ikke selv.” Hvis du udfører en opgave mere end en gang, skal du skrive en funktion. Med AI finder jeg stadig mere og mere, at hvis jeg blot tænker over at gøre noget en gang, er det ofte let nok at automatisere, så det giver mening at automatisere det med det samme.

Over de næste få dage, læg mærke til, hvor meget af dit liv ikke berøres meningsfuldt af software i dag. Min overbevisning er, at denne nye klasse af værktøjer vil leve i disse huller.