Wywiady

Brad Wardell, założyciel i dyrektor generalny Clairvoyance AI – cykl wywiadów

Antoine Tardif
Dodaj Unite.AI do preferowanych źródeł w Google
Brad Wardell, Founder and CEO of Clairvoyance AI
Kluczowe punktyWardell twierdzi, że kierowanie pracy między sprzętem lokalnym a chmurą ma większe…
Zobacz więcej
  • Wardell twierdzi, że kierowanie pracy między sprzętem lokalnym a chmurą ma większe znaczenie niż sama wielkość modelu.
  • Clairvoyance przechowuje wspomnienia agentów w grafie, dzięki czemu aktualizacje się rozprzestrzeniają i pozostają aktualne.
  • Wardell przewiduje, że w ciągu 18 miesięcy od 90 do 95% pracy AI będzie wykonywane lokalnie.

Brad Wardell jest założycielem i dyrektorem generalnym Clairvoyance AI oraz założycielem i dyrektorem generalnym Stardock. Od ponad trzech dekad tworzy oprogramowanie na komputery stacjonarne i gry strategiczne, w tym takie produkty jak Fences i Galactic Civilizations. Praca nad procesami tworzenia gier, zasobami kreatywnymi i codziennym raportowaniem biznesowym ukształtowała jego zainteresowanie stale działającymi agentami AI, które mogą pracować bezpośrednio z plikami lokalnymi i aplikacjami.

Clairvoyance AI tworzy środowisko pracy dla nazwanych pracowników AI, którym można przydzielać stałe zadania i które dysponują pamięcią. Łączy ono lokalne pliki i narzędzia programistyczne z usługami chmurowymi oraz modelami uruchamianymi na sprzęcie użytkownika. Projekt rozwijany w ramach Stardock obsługuje procesy pracy, w których powstają wielokrotnego użytku notatki, raporty i inne materiały. W tym wywiadzie Wardell opowiada o tym, jak doświadczenia związane z tworzeniem gier wpłynęły na produkt, jaką rolę odgrywają modele lokalne w codziennej pracy oraz jakie mechanizmy kierowania zadań, pamięci i uprawnień są potrzebne, by agenci byli użyteczni.

Od ponad trzech dekad tworzy Pan w Stardock oprogramowanie na komputery stacjonarne i gry strategiczne, w tym takie produkty jak Fences i Galactic Civilizations. Jaki problem w Państwa własnej firmie skłonił Pana do stworzenia Clairvoyance AI i kiedy zorientował się Pan, że może z tego powstać odrębna firma?

Prawdziwym punktem zapalnym była gra Ara: History Untold, której ukończenie Stardock pomogło Microsoftowi i Oxide Games. Ogromną ilość czasu pochłaniało samo przenoszenie zasobów kreatywnych do gry. Teksty trafiały do nas w plikach .DOCX, które trzeba było żmudnie, ręcznie konwertować do formatu XML lub CSV. Zasoby 3D należało starannie przenosić do naszego silnika. Jedna zmiana w balansie gry oznaczała konieczność modyfikowania kilkunastu różnych plików. Lokalizacja wymagała ręcznego dopasowywania przetłumaczonych ciągów tekstowych do właściwych kluczy w odpowiednich plikach. Clairvoyance AI sprawiło, że wszystkie te zadania stały się proste, i pozwoliło nam wydać grę na czas.

Pod koniec 2025 roku dyskutowaliśmy wewnętrznie, czy w ogóle udostępniać produkt publicznie. Dawał nam naprawdę dużą przewagę nad konkurencją — to tak, jakbyśmy rok wcześniej mieli bardziej rozbudowaną wersję czegoś w rodzaju OpenClaw. Do decyzji o upublicznieniu produktu skłoniło nas to, że obserwowaliśmy, jak nasi znajomi i współpracownicy tracą pracę na rzecz automatyzacji opartej na AI, choć mogliby ją zachować, gdyby mieli lepsze narzędzia. Wtedy wiedzieliśmy już, że chcemy udostępnić Clairvoyance AI wszystkim.

Twierdzi Pan, że wiele narzędzi dla agentów AI zdradza brak doświadczenia w tworzeniu i wprowadzaniu na rynek oprogramowania konsumenckiego. Jakie błędy widzi Pan najczęściej i jakie wnioski z własnej kariery powinni wyciągnąć twórcy AI?

Najbardziej rzuca się w oczy terminologia. Jeśli nie znasz już takich słów jak „glif” — określenie małej grafiki na przycisku — jesteś w rozmowie z AI na straconej pozycji, bo model trenowano na tekstach osób, które znają już ten żargon. Większość zespołów tworzących te narzędzia składa się z bardzo bystrych, ale bardzo młodych ludzi, co widać w ich decyzjach dotyczących użyteczności. Dobrym przykładem jest dodana przez Anthropic możliwość przeciągania tekstu z jednej sesji terminala do drugiej — funkcja ta zebrała miliony wyświetleń. My mamy agentów, którym wystarczy przypisać zadanie za pomocą @ i ich nazwy, by automatycznie przekazać im pracę; nie trzeba niczego przeciągać. Rozwiązanie Anthropic wymaga od użytkownika wykonania pracy, którą powinna wykonać AI.

Wniosek z 30 lat tworzenia i wprowadzania na rynek oprogramowania na komputery stacjonarne jest taki, że trzeba samemu korzystać z tworzonego produktu — codziennie i przy rzeczywistych terminach — zanim zobaczy go ktokolwiek spoza firmy. Wiele produktów AI sprawia wrażenie, jakby tworzyli je ludzie, którzy nie musieli na co dzień pracować z własnym oprogramowaniem.

Opisuje Pan kolejny etap rozwoju AI jako problem kierowania zadań: decydowania, które z nich mają być wykonywane na urządzeniu, w sieci lokalnej, a które w chmurze. Czy mógłby Pan opisać rzeczywisty proces pracy i wyjaśnić, jak należy podejmować takie decyzje?

Kierowanie zadań nie jest już tak naprawdę decyzją podejmowaną przez pojedynczą osobę — staje się decyzją na poziomie całej firmy. Wkrótce udostępnimy funkcję o nazwie Hivemind, która pokazuje, jak to może działać w praktyce. Większość dużych firm ma już wiele wydajnych maszyn, które każdej nocy stoją bezczynnie. Hivemind pozwala firmie połączyć nieużywane procesory graficzne w jej własnych maszynach, dzięki czemu każdy członek zespołu może wykonywać na nich zadania związane z AI, zamiast wysyłać je do chmury. Jeśli śledzisz dziesiątki tysięcy przesyłek w łańcuchu dostaw albo kontrolujesz, na co firma wydała pieniądze, nie potrzebujesz do tego zaawansowanego modelu chmurowego. Potrzebujesz odpowiedniej mocy obliczeniowej, a większość firm ma ją już na miejscu, niewykorzystaną po godzinach pracy.

Na poziomie pojedynczego użytkownika obowiązuje ta sama zasada, tyle że w mniejszej skali. Każdej nocy uruchamiam lokalny model do generowania pulpitów nawigacyjnych, raportów o awariach, raportów dotyczących nastrojów i danych sprzedażowych, zamiast korzystać z modelu chmurowego. Wcześniej wykonywałem te same zadania za pomocą Claude i kosztowało mnie to około 100 USD miesięcznie za tokeny. Teraz model działa za darmo przez noc na sprzęcie, który już mam, a rano czytam wyniki.

W rzeczywistości nie chodzi więc o wybór między rozwiązaniem lokalnym a chmurą. Pytanie brzmi: „Czy zadanie trzeba wykonać, gdy ktoś patrzy na ekran, i czy firma ma już sprzęt, który pozwoli zrobić to bez opłat za każdy token?”

Uważa Pan, że znaczną część codziennych zadań wykonywanych przez agentów można już realizować na sprzęcie lokalnym. W przypadku jakich zadań Pan to wykazał, na jakim sprzęcie i jak mierzy Pan powodzenie poza samą oceną, czy model wygenerował wiarygodną odpowiedź?

Z powodzeniem wykorzystujemy lokalną sztuczną inteligencję do dodawania metadanych do naszych plików. Podobnie jak wiele firm, mamy w sieci terabajty danych. Stardock tworzy zarówno oprogramowanie, jak i gry, a w przypadku gier dysponujemy dziesiątkami lat zasobów graficznych 2D i 3D, filmów, materiałów roboczych itp.

W naszej firmie mamy sporo całkiem dobrych kart graficznych AMD i NVIDIA. Ustaliliśmy, że modele o wielkości od 8 do 12 mld parametrów w zupełności wystarczają do wszystkiego, czego potrzebujemy, a do tego działają nawet na stosunkowo starszym sprzęcie. Obecnie laptop z procesorem Qualcomm Snapdragon X2 wykonuje część tych zadań w tle, wieczorami.

Lokalna sztuczna inteligencja świetnie sprawdza się w powolnym przetwarzaniu i przeglądaniu tych plików oraz dodawaniu do nich metadanych, dzięki czemu, gdy musimy coś znaleźć, możemy szybko wyszukać odpowiedni plik. W ten sposób odkryliśmy, że mamy 16 różnych modeli wilków w 3D. Ech.

Co powinno skłaniać do przekazania zadania z mniejszego modelu lokalnego do bardziej zaawansowanego modelu w chmurze? Jak wykrywacie, że lokalny model ma trudności, zanim popełni poważny błąd?

Obecnie wszystko, co wymaga swobodnego osądu, prawdopodobnie powinno trafiać do chmury. Modele najnowszej generacji w dużej mierze rozwiązały problem halucynacji. W przypadku mniejszych modeli (lokalnych) halucynacje powracają. Dlatego przy modelach lokalnych musimy zwykle stosować wiele zabezpieczeń.

Clairvoyance organizuje agentów jako pracowników AI, którzy mają trwałą pamięć i stale przydzielane zadania. Czego nauczyliście się o zachowywaniu przydatnego kontekstu w dłuższej perspektywie, tak aby nie gromadzić nieaktualnych instrukcji, błędnych założeń ani sprzecznych wspomnień?

Wewnętrznie Clairvoyance przechowuje wspomnienia w strukturze grafowej, więc gdy aktualizuje się jeden element, zwykle uruchamia to rekurencyjne aktualizacje innych węzłów. Pomaga to utrzymać porządek i aktualność wspomnień.

Wyzwaniem było zapobieżenie nieskończonej rekurencji, a znalezienie rozwiązania wymagało wielu prób i błędów przez ostatnie kilka lat.

Dostęp agentów do plików, aplikacji i narzędzi programistycznych zwiększa ich użyteczność, ale sprawia też, że błędy mogą mieć poważniejsze konsekwencje. Jak organizujecie uprawnienia, zatwierdzanie działań przez ludzi i przywracanie stanu sprzed błędu, gdy agent wykona niewłaściwe działanie?

Jednym konkretnym rozwiązaniem jest File Protection: Clairvoyance może blokować agentom możliwość usuwania całych katalogów. Zabezpieczenie to jest wymuszane na poziomie aplikacji, a nie za pomocą mechanizmów, które agent mógłby obejść.

Gdy przepływ pracy łączy lokalne wykonywanie zadań z wnioskowaniem w chmurze, określenie „local-first” może mieć różne znaczenia. Jakie informacje opuszczają komputer użytkownika i jak użytkownicy mogą zrozumieć tę granicę oraz decydować o jej przebiegu?

Bezpieczeństwo chmury polega na niedopuszczaniu do niej innych osób. Nie odpowiada jednak na pytanie, czy dostawca modelu w ogóle powinien mieć dostęp do tajemnic firmowych. Clairvoyance od początku działa w modelu lokalnym: notatki, projekty i pamięć pracowników znajdują się na własnym komputerze użytkownika. To użytkownik decyduje, co trafia do modelu w chmurze — osobno dla każdego pracownika, a nie za pomocą jednego ustawienia dla wszystkich. Jeśli uruchomisz model lokalny, żadne dane nie muszą opuszczać twojego sprzętu. Słyszymy to bezpośrednio od klientów korporacyjnych, których frustruje konieczność przesyłania całych poufnych przepływów pracy do Anthropic lub OpenAI tylko po to, by wykonać swoją pracę.

Clairvoyance ma ponad 40 000 użytkowników. Czego dowiedzieliście się o tym, jak ludzie faktycznie korzystają z Clairvoyance, i czy możecie podać mierzalny przykład powtarzalnego przepływu pracy, który zapewnia trwałą wartość?

Wskaźnik utrzymania użytkowników w dużej mierze zależy od ilości danych, które użytkownik generuje podczas swoich sesji.

Większość użytkowników sztucznej inteligencji nie przekroczyła jeszcze progu, za którym wykorzystuje dane wygenerowane przez AI do dalszej pracy. Większość nadal myśli w kategoriach promptów. Z Clairvoyance zostają ci użytkownicy, którzy generują wiele materiałów i raportów, stanowiących następnie podstawę dalszej pracy.

Patrząc rok naprzód, jakie zmiany najbardziej poszerzyłyby zakres zadań, które agenci mogą niezawodnie wykonywać lokalnie? Co musiałoby się wydarzyć, żebyście zmienili zdanie i uznali, że ważniejsze od routingu jest rozmiar modelu?

Myślę, że w ciągu 18 miesięcy od 90 do 95% zadań związanych ze sztuczną inteligencją będzie wykonywanych lokalnie, a być może tylko 5% będzie wymagało chmury do zadań wymagających modeli najnowszej generacji. Wynika to głównie z tego, że AI nie powierza się jeszcze prawie żadnych zadań — nawet tak prostych, jak sprawdzanie lokalizacji kandydatów w CV czy weryfikowanie terminów dostaw, wciąż wykonuje się ręcznie, choć model o wielkości 4 mld parametrów już teraz potrafi zrobić to na laptopie. Rozwój w tym kierunku umożliwią współdzielone zasoby obliczeniowe w stylu Hivemind (pozwalające wykorzystywać niewykorzystane procesory GPU firmy do obsługi wszystkich użytkowników w domenie) oraz na tyle sprawny routing, że nikt nie będzie musiał wiedzieć, czym jest model 4B ani Opus.

Dziękuję za świetny wywiad; czytelnicy, którzy chcą wypróbować aplikację desktopową do zarządzania trwałymi agentami AI na swoich komputerach, powinni odwiedzić Clairvoyance AI.

Antoine jest wizjonerskim liderem i partnerem założycielem Unite.AI. Kieruje nim niezachwiana pasja do kształtowania i rozwijania przyszłości sztucznej inteligencji i robotyki. Jako przedsiębiorca, który założył wiele firm, wierzy, że AI zmieni społeczeństwo równie głęboko jak elektryczność, i często z entuzjazmem mówi o potencjale przełomowych technologii oraz ogólnej sztucznej inteligencji (AGI).

Jako futurolog poświęca się badaniu tego, jak te innowacje ukształtują nasz świat. Jest także założycielem Securities.io, platformy skupionej na inwestowaniu w najnowocześniejsze technologie, które na nowo definiują przyszłość i przekształcają całe branże.