O czym jest ten film
- Cykl ma prostą zasadę: gość opowiada o wszystkim poza tym, czym zajmuje się zawodowo. Tym razem to Om Buddhdev, współzałożyciel Olm Labs — firmy budującej strategiczne gry, w których ludzie rywalizują z agentami opartymi na modelach takich jak Claude czy GPT, a rozgrywki służą laboratoriom do oceniania i doskonalenia modeli.
- Główna teza gościa: wszystko, w czym osiągnął coś wartościowego, wynikało z autentycznego zainteresowania. Codzienny przymus to sygnał, że wybrano zły temat.
- Dziecięce pasje: wirtualna ekonomia Roblox (handel „walutą” już około dziewiątego roku życia) oraz astronomia między jedenastym a trzynastym rokiem życia.
- Konkurencyjny gaming: w Valorancie zdobył rangę Radiant osiem razy, z szczytowym 25. miejscem — mimo niedosłuchu w lewym uchu i, jego zdaniem, przeciętnych predyspozycji mechanicznych. (Informacja dodatkowa: Radiant to najwyższa ranga rankingowa w Valorancie, przyznawana 500 najlepszym graczom sezonu na świecie.)
- Odrzucił karierę zawodowego gracza: w dzień grał po osiem godzin, nocami czytał o ekonomii, matematyce i AI, a ostatecznie wybrał ofertę pracy w branży technologicznej. Na studia się zapisał, ale nigdy naprawdę ich nie podjął.
- Epizod twórcy kryptowalutowych treści na TikToku: od zera do ponad stu tysięcy obserwujących w kilka miesięcy, a potem wygaszenie działalności na fali popularności — otoczenie uznało to za szaleństwo.
- Metoda wchodzenia w nowe dziedziny: subskrypcja ekspertów piszących publicznie (Substack), codzienna lektura i równoległe stosowanie wiedzy we własnych projektach.
- W głowie nosi „model świata” — zna statystyki gospodarcze, demograficzne i ustrojowe większości dużych państw — i używa go jako filtra: co jest warte uwagi, a co tylko szumem.
- Inspiracje: książka „Outliers” przeczytana w piątej klasie (dziś oceniana przez niego krytycznie), anime „Black Clover” oraz — jako największy autorytet — Demis Hassabis.
- Następna obsesja: ewaluacje modeli AI jako fundament zaufania do systemów, które będą coraz głębiej wplecione w życie publiczne.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Przymus to informacja, że temat jest zły
Na czym polega: Zdaniem Om Buddhdeva niczego, w czym osiągnął wysoki poziom, nie robił dzięki sile woli. Dyscyplinę ceni w rutynach, zdrowiu i trybie życia, ale praca wymagająca codziennego zmuszania się oznacza zły wybór — i wyklucza najwyższą ligę.
Jak stosować: Zrób audyt swoich zadań: zaznacz te, które robi się z ciekawością, i te, przy których każdy dzień zaczyna się od przymusu. W drugiej grupie testuj zmiany — inny format, inny kontekst albo całkiem inny kierunek.
Na co uważać: To kryterium sprawdza się przy dążeniu do mistrzostwa, nie zwalnia z krótkoterminowych zobowiązań. Nie traktuj go też jako pretekstu do rzucania wszystkiego, co chwilowo boli.
2.Wybieraj pola z szybkim sprzężeniem zwrotnym
Na czym polega: Gry rankingowe dały mu to, czego brakuje większości dziedzin: po każdej partii wiadomo, co zawiodło, co poprawić i jaki jest rezultat. Jego zdaniem najbliższy odpowiednik tego szybkiego cyklu istnieje dziś w programowaniu z agentami AI — efekt widać od razu i można iterować.
Jak stosować: Przy nauce nowej umiejętności projektuj ćwiczenia o krótkim cyklu: napisz i opublikuj, zbuduj i przetestuj, rozegraj partię i przeanalizuj. Licz powtórzenia z korektą, nie spędzony czas.
Na co uważać: Natychmiastowa punktacja bywa myląca — Om sam zauważa ironię, że jego najlepsze wyniki na TikToku przyszły wtedy, gdy robił to z najmniejszym przekonaniem. Mierz postęp, ale nie pozwalaj, by licznik przejmował stery.
3.Deficyt nie przesądza o poziomie — kompensuj wyczuciem
Na czym polega: Gorszy słuch w lewym uchu to w strzelankach poważna przeszkoda, bo dźwięk kierunkowy mówi, skąd nadchodzi przeciwnik. Om doszedł do ścisłej światowej czołówki głównie dzięki rozumieniu gry i latom świadomej praktyki, a nie wybitnym refleksom.
Jak stosować: Nazwij swoją słabość, a potem szukaj przewagi w innym wymiarze tej samej dziedziny — taktyka zamiast mechaniki, analiza zamiast szybkości.
Na co uważać: Kompensacja działa tylko przy dużych nakładach ćwiczeń; samo przekonanie o „braku talentu” niczego nie zastąpi, a może łatwo stać się wymówką.
4.Przytnij strumień informacji
Na czym polega: Na X zablokował praktycznie wszystkie słowa związane z religią i polityką, dzięki czemu jego strumień treści zawiera niemal wyłącznie tematy naukowo-techniczne. Do tego dochodzi codzienna lektura Substacku, gdzie o swoich branżach piszą praktycy.
Jak stosować: Zrób przegląd źródeł: wycisz kategorie hałasu, zostaw autorów, którzy uczą. Ustal stałą porę lektury — regularność robi większą różnicę niż intensywność.
Na co uważać: Agresywne filtry tworzą bańkę. Rezygnacja z polityki to świadoma, wartościująca decyzja, nie neutralna — warto co jakiś czas sprawdzać, czego się przez nią nie widzi.
5.Nową dziedzinę zaczynaj od ludzi, nie od podręczników
Na czym polega: Gdy jeszcze parę miesięcy temu nic nie wiedział o branży danych i środowisk treningowych, po prostu wyszukał na Substack autorów związanych z Doliną Krzemową i dużymi organizacjami, którzy piszą o tym zawodowo. Zasubskrybował ich wszystkich i czyta do dziś.
Jak stosować: Dla każdej nowej dziedziny zrób listę kilkunastu osób piszących o niej publicznie i obserwuj je przez kilka tygodni, zanim sięgniesz po systematyczne materiały.
Na co uważać: Lektura ekspertów daje kontekst, nie kompetencje — bez własnych prób zostaje tylko erudycja.
6.Stosuj wiedzę równolegle z nauką
Na czym polega: Czytając o tym, co interesuje badaczy, od razu projektuje gry i środowiska tak, by ich wyniki mogły tę społeczność zainteresować. Z góry zakłada, że za rok obecna praca wyda mu się słaba — i traktuje to jako naturalny etap drogi, nie wadę.
Jak stosować: Po każdej porcji nowej wiedzy zaplanuj mały artefakt: notatkę z własnym przykładem, prototyp, eksperyment. Zaczynaj działanie, zanim poczujesz się „gotowy” — wersja 0,1 jest warunkiem wersji 1,0.
Na co uważać: Równoległość nie oznacza chaosu — bez powrotów do źródeł działanie zamienia się w powtarzanie tych samych błędów.
7.Noś w głowie model świata
Na czym polega: W młodości wchłonął statystyki gospodarcze, demograficzne i ustrojowe większości dużych państw. Dzięki temu komunikat o „kryzysie w kraju X” potrafi osadzić w kontekście i ocenić, co faktycznie zasługuje na uwagę.
Jak stosować: Utrzymuj kilka podstawowych map: gospodarka i demografia dużych państw, główne nurty technologiczne, struktura własnej branży — i uzupełniaj je lekką, bieżącą lekturą.
Na co uważać: To skróty, nie prawda ostateczna. Liczą się trendy i rzędy wielkości, nie liczby po przecinku.
8.Traktuj sukces jako dowód przenośnych umiejętności
Na czym polega: Gdy porzucał konto ze stu tysiącami obserwujących, tłumaczył to sobie jak gracz: rangę raz zdobytą można zdobyć ponownie. To, co pozwoliło mu wygrać na TikToku, wynika — jego zdaniem — z tego, kim jest, a nie z jednorazowego zbiegu okoliczności, więc „stracona okazja” w ogóle nie istnieje.
Jak stosować: Po każdym sukcesie wypisz umiejętności, które go wytworzyły (tempo, analiza, komunikacja) — to one są majątkiem, nie sam wynik. Taką listę czytaj przed decyzjami o odejściu.
Na co uważać: Om wprost przyznaje, że nie lubi myśleć o roli szczęścia — to przekonanie motywujące, nie metoda. Odróżniaj powtarzalną praktykę od trafionego momentu.
9.Wykrywaj moment, gdy działa już tylko rozpęd
Na czym polega: Pod koniec przygody z TikTokiem zaczynał dzień od „niech znajdzie się jakiś news” — i wtedy właśnie jego filmy osiągały najlepsze wyniki. Zamiast nagłego cięcia stopniowo wygaszał publikacje, aż zainteresowanie zgasło całkowicie.
Jak stosować: Co kilka tygodni zadaj sobie pytanie: robię to z ciekawości czy z bezwładu i dla statystyk? Gdy odpowiedź brzmi „z rozpędu”, zaplanuj stopniowe wyjście i schodź z obrotów, zamiast rwać kontakt.
Na co uważać: Dobry wynik to nie powód, by zostać — to najbardziej mylący sygnał z całej rozmowy.
10.O zaufaniu do AI zdecydują ewaluacje
Na czym polega: Kolejną obsesją Om nazywa ocenę modeli. Jego myśl eksperymentalna: skoro systemy AI będą coraz głębiej wpływać na decyzje publiczne, trzeba umieć symulować ich zachowania na milionach scenariuszy — tak jak kandydatów do szkół i na stanowiska bada się rozmowami kwalifikacyjnymi.
Jak stosować: W zespołach pracujących z modelami traktuj ewaluacje jak etap rekrutacji — zanim system trafi na produkcję, przepuść go przez serię symulowanych scenariuszy z własnej domeny.
Na co uważać: To teza kierunkowa, nie ustalony fakt: symulacja nie wyczerpuje zachowań w realnym świecie, tak jak rozmowa rekrutacyjna nie daje gwarancji.
Omówienie materiału
Cykl „Everything But That” ma prostą konwencję: gość opowiada o wszystkim poza tym, czym zajmuje się na co dzień. W drugim odcinku Erin McGurk rozmawia z Omem Buddhdevem, współzałożycielem Olm Labs — firmy tworzącej strategiczne gry, w których ludzie rywalizują z agentami opartymi na modelach takich jak Claude czy GPT, a rozgrywki służą laboratoriom do porównywania i trenowania modeli. Ten wątek pada we wstępie i zostaje świadomie odłożony na bok, bo tematem właściwym jest coś innego: mechanizm, który poprowadził gościa przez całą biografię.
Spina ją jedna teza: niczego, w czym Om był dobry, nie robił z przymusu. Dyscyplinę ceni w rutynach, zdrowiu i trybie życia, ale praca wymagająca codziennego zmuszania się oznacza dla niego zły wybór — i wyklucza najwyższą ligę. McGurk podpina to pod własną koncepcję „curiosity maxing”, czyli maksymalizowania ciekawości, choć przyznaje, że to tylko etykieta na coś fundamentalnie ludzkiego. Z jej strony pada też trafne spostrzeżenie, że wielu interesujących ludzi przechodziło fazę astrofizyczną — ona sama tłumaczyła ją potrzebą zrozumienia własnego miejsca w świecie. Om dopowiada swój motyw: nowość ogromnej, nieznanej skali oraz ambicja zrozumienia systemu, zanim zacznie się w nim wygrywać.
Najlepszym dowodem na tezę rozmówcy jest epizod z Valorantem. Om zdobył rangę Radiant aż osiem razy, z szczytem na 25. miejscu, i podkreśla, że nie urodził się strzelcem pierwszej klasy — gorzej słyszy na lewe ucho, a dźwięk kierunkowy to w strzelankach połowa informacji o przeciwniku. Jego przewagą było rozumienie gry i lata świadomej praktyki, podsycanej rywalizacją ze znajomymi o wyższych pozycjach w tabeli. Grał też z powodzeniem w rozgrywkach akademickich (drugi poziom ligowy, pobicie rekordu skuteczności w pojedynczym meczu, propozycje prób w drużynach zawodowych), choć formalnie nigdy naprawdę nie rozpoczął studiów. Z tej historii wyprowadza ciekawą obserwację: gry rankingowe wciągają ludzi ambitnych, bo dają natychmiastową, obiektywną informację zwrotną — po każdej partii wiadomo, co zawiodło i co poprawić. W astronomii takiego miernika nie ma, a jego zdaniem najbliższy odpowiednik szybkiego cyklu próby i błędu istnieje dziś w programowaniu z agentami AI. To jeden z powodów, dla których związał się z techniką.
Druga oś rozmowy dotyczy motywacji zewnętrznej. McGurk dopytuje, czy rankingi nie były prawdziwym paliwem; Om odpowiada, że konkurencyjność była realna, ale okazała się wymienna, a zainteresowanie nie. Dlatego na rozstajach — próba kariery zawodowej kontra oferta pracy w branży technologicznej — wybrał tę drugą: w dzień grał po osiem godzin, nocami czytał o ekonomii, matematyce i AI, i to one wygrały. Podobny schemat powtórzył się wcześniej na TikToku. Rozzłoszczony jakością twórców piszących o kryptowalutach, kilkunastoletni Om zaczął nagrywać własne filmy i w kilka miesięcy przekroczył sto tysięcy obserwujących. Z czasem praca zamieniła się w codzienne polowanie na newsy, a przyjemność zniknęła — co streścił zgrabną metaforą: lubił prowadzić stragan z lemoniadą, ale nie lubił sprzedawać lemoniady. Otoczenie nie zrozumiało decyzji: rodzice, których częściowo utrzymywał, sądzili, że rozsądek go opuścił, a ojciec oferował etat w rodzinnej restauracji. On tłumaczył to sobie jak gracz — to, co pozwoliło zdobyć rangę raz, „siedzi w nim”, więc rangę można zdobyć ponownie, w innej rozgrywce. Dziś rozważa powrót do nagrywania, m.in. dlatego że aktywność publiczna ułatwia uzyskanie amerykańskiej wizy O-1 dla osób o wybitnych osiągnięciach.
Trzeci blok to metoda uczenia się. Om nie wkuwa — wchłania: na spotkaniach Y Combinator (Informacja dodatkowa: YC, czyli Y Combinator — czołowy amerykański akcelerator startupów) nie zapamiętuje imion, ale pamięta, nad czym pracują poszczególni założyciele. Gdy jeszcze niedawno nie wiedział nic o branży danych i środowiskach RL (RL, reinforcement learning — uczenie ze wzmocnieniem, czyli trenowanie modeli przez interakcję ze środowiskiem), znalazł na Substack autorów piszących o niej zawodowo, zasubskrybował ich i czyta codziennie. Równolegle projektuje gry z myślą o tym, co przeczytał, i z góry zakłada, że za rok obecna praca wyda mu się słaba — bez tego etapu nie ma drogi do wersji dobrej. W tle trzyma „model świata”: znajomość gospodarki, demografii i ustrojów większości dużych państw, którą wykorzystuje jako filtr informacji i decyzji. Jego zdaniem właśnie to odróżniało go od znajomych z Robloxa, którzy poszli za pieniędzmi w dropshippingu i kryptowalutach — on wychodził z kolejnych dziedzin, gdy przestawały karmić ciekawość.
Na marginesie rozmowa dotyka autorytetów. Za największą inspirację Om uznaje Demisa Hassabisa (Informacja dodatkowa: transkrypt zniekształca nazwisko do postaci „Dennis Sabis”; z kontekstu — łączenie gier z badaniami i długa kariera naukowa — niemal na pewno chodzi o szefa DeepMind), z tą różnicą że tamten przeszedł drogę akademicką, na którą Om — jak sam mówi — nie może sobie pozwolić. Dziecięcą lekturą, która uwierzyła go w istnienie metody sukcesu, były „Outliers” (Informacja dodatkowa: bestseller Malcolma Gladwella o uwarunkowaniach sukcesu, m.in. teza o dziesięciu tysiącach godzin praktyki) — dziś ocenia ją krytycznie. Anime „Black Clover” dostarczyło mu z kolei wzorca bohatera bez talentu, który nadrabia tysiącem pompek dziennie.
Na koniec pada pytanie o następną obsesję i tu odpowiedź jest zdecydowana: oceny modeli. Skoro systemy AI mają coraz głębiej wchodzić w decyzje publiczne, społeczeństwo będzie potrzebować czegoś w rodzaju rozmów kwalifikacyjnych dla maszyn — symulacji rozgrywających miliony scenariuszy, zanim systemowi powierzy się realne sprawy. Ilustruje to obrazem prezydenta-modelu, któremu przed wyborami trzeba sprawdzić reakcje na każdy możliwy kryzys. W najgorszym razie, podkreśla, będzie po prostu dumny z pracy nad porządnymi ewaluacjami.
Z perspektywy redakcyjnej warto lekturę ubrać w dwa zastrzeżenia. Po pierwsze, to autobiograficzna opowieść pojedynczego przypadku: ciekawość doprowadziła Om Buddhdeva do czołówki, ale nie czyni z niej metody o gwarantowanym wyniku — on sam okazuje zresztą zdrowy dystans wobec książek obiecujących recepty. Po drugie, wizja ewaluacji jako fundamentu zaufania do AI jest tezą kierunkową, a nie rozstrzygniętym faktem, i rozmowa nie wystawia jej na próbę. Mimo tych ograniczeń materiał działa jako zwięzły katalog sprawdzonych nawyków uczenia się: przycięty strumień informacji, szybkie cykle próby i korekty, nauka od ludzi piszących o swojej branży publicznie oraz zgoda na robienie wersji, których za rok będzie się wstydzić — bo tylko tak dochodzi się do wersji, którymi można być dumny.