Soul | Tech | Sage

I think one of the biggest challenges when it comes to going hard into using AI is loneliness I am learning all these awesome things and becoming super capable But the set of people that I can really talk to about it is very small Is anyone else having this experience?

I'm calling it. AGI is already here – it's just not evenly distributed yet.

Je crois qu'on ne mesure pas ce qu'Elon Musk est en train de construire avec X. Tous les médias de l'histoire ont été couplés à une culture, une langue, une bulle géographique. Le Monde parle aux Français. Le NYT parle aux Américains. NHK parle aux Japonais. Chaque média filtre le réel à travers le prisme de sa culture locale. X est en train de devenir le premier média de l'humanité. Pas d'un pays. De l'espèce. Je le vis en temps réel. Mes posts en français se font RT par des Japonais, répondre par des Brésiliens, citer par des Américains. Des conversations qui n'auraient jamais existé il y a 5 ans. Un libertarien français qui débat avec un ingénieur de Tokyo et un entrepreneur de Sao Paulo sous le même tweet. Pas traduit par un éditeur. Traduit instantanément par l'IA, en un clic. Les bulles de filtre culturelles sont en train d'exploser. Et je pense qu'on sous-estime massivement les effets composés de ça. Quand une idée peut traverser un océan en 3 secondes, quand un argument sourcé posté à Paris peut être vérifié par un économiste à Singapour et amplifié par un développeur à Austin dans la même heure, le coût de propagation d'une bonne idée tend vers zéro. Et c'est catastrophique pour un type d'acteur très précis : les médias qui ont construit leur business model sur le monopole de l'information locale. Ceux qui pouvaient raconter n'importe quoi sur "ce qui se passe ailleurs" parce que personne ne pouvait vérifier. Quand un journaliste français écrit que "le modèle américain ne marche pas", maintenant il y a 50 Américains dans les réponses avec des sources. Quand un éditorialiste dit que "le Danemark prouve que le socialisme fonctionne", il y a un Danois qui explique que le Danemark est 10e en liberté économique mondiale. Le fact-checking n'est plus un département. C'est un effet réseau. Les médias honnêtes n'ont rien à craindre de ça. Les médias qui vendaient une narration protégée par l'ignorance géographique de leur audience vont avoir un problème existentiel. Parce qu'on ne peut plus mentir à l'échelle locale quand le monde entier regarde.

LLM Knowledge Bases Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So: Data ingest: I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them. IDE: I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides). Q&A: Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale. Output: Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base. Linting: I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into. Extra tools: I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries. Further explorations: As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows. TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.