Hva skjer i AI: OpenClaw og autonom intelligens

Hva utviklere gjør i dag, vil vi alle gjøre i morgen.

I 2023 var jeg overraskende ikke overrasket av lanseringen av ChatGPT. Nesten alt det kunne gjøre var allerede mulig med GPT-3. AI-utviklere forstod dette, men det tok ChatGPT for resten av verden å forstå hvor viktig GPT-3 faktisk var. Spenningen kom en produktgenerasjon for sent.

Noen lignende er i ferd med å skje nå.

Et prosjekt kalt OpenClaw har tatt utviklermiljøet med storm fordi det kjører på din egen datamaskin. Like kraftfull som ChatGPT er, tenk hvis det hadde tilgang til alle dine filer — med mulighet til å lese, skrive, kjøre kommandoer og sogar lansere applikasjoner. Du kunne si: “Lagre denne informasjonen i en ny fil,” eller “Se på den regnearket i denne mappen og inkorporer det i dokumentet jeg skriver,” eller sogar be det om å kjøre programvare direkte. (I min erfaring er dette siste delen ennå begrenset — men forbedrer seg raskt.)

Claude Code ble lansert nesten eksakt ett år siden med samme kjernefunksjonalitet, men det ble posisjonert som et verktøy for kodeutvikling — i realiteten en konkurrent til Cursor. Utviklere elsket det. Hva OpenClaw har gjort, er å gi resten av verden et glimt av hva det betyr for AI å faktisk operere din datamaskin, ikke bare tenke ved siden av deg.

I kjernen er OpenClaw en åpen kildekode som består av filer som ligger ved siden av et stort språkmodell som har fått tillatelse til å kjøre kommandoer på maskinen — inkludert å modifisere sin egen kode. OpenClaw selv kan vise seg å være en fad, men det har fremmet en rekke spørsmål som føles viktige.

Den mest åpenbare endringen er paradigmeskiftet: programvare som kan handle. Det kan bla, redigere filer, kjøre programmer — ikke bare generere tekst. Den ene endringen har produsert to overraskende sekundæreffekter.

Først, utfordrer OpenClaw antagelsen om at databaser må være førsteklasses borgere i neste generasjons programvare. I stedet for å sentrere rundt en tradisjonell database, er det bygget primært på menneskeleselige filer. Selv om det konsoliderer læring i en vektor-database for langtidsminne, er kjernearkitekturen fil-basert snarere enn skjema-først. Som et eksempel er navnet og formålet lagret i en fil kalt Identity.md og sier ting som “vibe: uformell og teknisk – tilgjengelig, men presis” og dens “sjel” er lagret i Soul.md, som sier ting som “Vær genuint nyttig, ikke performativt nyttig – Hopp over fyllordsord, bare hjelp; Ha meninger – Jeg har lov til å være uenig, foretrekke ting, finne ting interessante eller kjedelige – Vær ressursfull før du spør – Prøv å finne ut først, så spør hvis du er fast.

Dette er i realiteten et spørsmål om hva AI-applikasjonslaget ser ut som. Merkverdig, OpenClaw innebærer ikke ytterligere modelltrening eller finjustering. Det står i kontrast til en mulig verden hvor applikasjonslaget primært vil være finjusterte LLM-er trent på proprietær data. Min mistanke er at begge tilnærmingene vil sameksistere — men OpenClaw viser en interessant vei.

For det andre, tvinger OpenClaw en direkte konfrontasjon med et kritisk spørsmål: bør programvare være tillatt å kjøre kode og redigere dine filer autonomt?

Dette sitter i skjæringspunktet mellom funksjonalitet, personvern og kontroll. Hvis AI-systemer skal være maksimalt nyttige, må de ha tillatelse til å skrive til våre systemer. Det krever tillit.

OpenClaws løsning på tillitsproblemet er enkel: gjør alt åpen kildekode. I stedet for å si: “Jeg er en svart boks, tillit meg,” sier det: “Her er all koden. Inspecter den. Kjør den lokalt. Eier den.” (Etter å ha sagt det, har folk gjort nettopp det, og dens nåværende sikkerhet synes å mangle).

Etter å ha tenkt på fremtidens AI-applikasjonslag, peker OpenClaw i en intrigerende retning, men det er tydelig bare den første gnisten i hva som føles som en kambrisk eksplosjon. I de to ukene siden OpenClaws lansering, har vi allerede sett utviklere tilpasse det for spesifikke jobber (f.eks. finansielle arbeidsflyter) og åpne kildekoden for disse tilpasningene; eksperimenter med å koble sammen flere agenter via Moltbook; og Moltbook muliggjør agenter å “sosialisere” — som, som en biprodukt, tillater agenter å diskutere hvilke verktøy de foretrekker, noe som fører til at verktøy bygges for agenter selv.

Hvis vi tror at hva utviklere gjør i dag er hva vi alle vil gjøre i morgen, så har AI allerede endret hvordan programvare bygges gjennom tre kjerneprikkel:

• Taklinger — IDE-er som Cursor eller kommandolinje-verktøy som Claude Code som gir meningsfulle, tilpassbare grensesnitt til modeller
• Tilpassede rammer — lette, ren-teksartefakter (ofte README-er) som koder hvordan en utvikler tenker og arbeider. Modeller hopper mellom disse filene som en flippermaskin: konsulterer design-veiledninger, sjekker evalueringer og validerer sin egen utgang
• Inspektebare modeller — systemer som genererer utgang utviklere kan verifisere. Etter som taklinger og evalueringer forbedres, må utviklere stadig mindre se på koden

Vi er fortsatt i den første omgangen av en dramatisk endring i hvordan programvare bygges.

Det er også en negativ kant her. Hver bransje har sin “Napster-øyeblikk”. Programvareutvikling skjer å være først, akkurat som musikk var først til å bli forstyrret av internettet. Andre vil følge. Men dette er ikke bare en endring i distribusjon — det er en endring i hvordan arbeid selv gjøres. Det ligner mer på oppfinnelsen av den relasjonelle databasen enn oppblomstringen av sosiale medier.

Men det er også en positiv kant — denne endringen når langt utenfor tradisjonell SaaS. Disse systemene er så tilpassbare til individuell kontekst at mange mennesker kan ende opp med sin egen skreddersydd programvare.

Du tenker vanligvis ikke på at å opprette en Instagram-konto oppretter en rad i en database med tilhørende ID-er — men det gjør det. På samme måte, med denne nye typen programvare, kan du bare føle dens påvirkning på ditt liv uten å innse at, gjennom interaksjon, du effektivt skriver kode — eller at kode skrives på din vegne.

Det er en mantra i datavitenskap: “Ikke gjenta deg selv.” Hvis du gjør en oppgave mer enn en gang, bør du skrive en funksjon. Med AI er jeg stadig mer og mer overbevist om at hvis jeg bare tenker på å gjøre noe en gang, er det ofte lett nok å automatisere det så det har mening å automatisere det med en gang.

Over de neste dagene, merk hvordan mye av ditt liv ikke berøres meningsfullt av programvare i dag. Min overbevisning er at denne nye klassen av verktøy vil bo i disse gapene.