I spent a few weeks building a Neuro-Symbolic Manufacturing Engine. I proved that AI can design drones that obey physics. I also proved that asking AI to pivot that code to robotics is a one-way ticket to a circular drain. ໃນໄລຍະອາທິດທີ່ຜ່ານມາ, ຂ້າພະເຈົ້າໄດ້ກວດກາການຝຶກອົບຮົມຂອງຂ້າພະເຈົ້າ , ລະບົບ AI ທີ່ອາດຈະທົດສອບຄວາມຕ້ອງການຂອງຜູ້ໃຊ້ທີ່ບໍ່ຖືກຕ້ອງໃນອຸປະກອນທີ່ໄດ້ຮັບການທົດສອບ. OpenForge ວິທີການທົດສອບຄວາມສາມາດຂອງຄອມພິວເຕີຂອງ Google ຂໍຂອບໃຈວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການຝຶກອົບຮົມແລະການຝຶກອົບຮົມຂອງທ່ານ. Gemini 3.0 ຄໍາຮ້ອງສະຫມັກ, ມັນສະແດງໃຫ້ເຫັນວ່າ, ແມ່ນ "yes, but..." ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍການຝຶກອົບຮົມຂອງພວກເຮົາ ລະຫັດແລະ ລະບົບ Generating Refactoring ດາວໂຫລດ The Win: Drone_4 Works ຫນ້າທໍາອິດ, ຄວາມຄິດເຫັນທີ່ດີ. ສະຫນັບສະຫນູນ Drone_4 ຂອງ repository ແມ່ນປະສິດທິພາບ. ຖ້າຫາກວ່າທ່ານ clone repo ແລະຊອກຫາສໍາລັບ "Long Range Cinema Drone," ລະບົບຈະເຮັດວຽກຈາກແສງທີ່ຈະ simulation. ມັນຮູ້ສຶກວ່າ: ມັນຮູ້ວ່າ "Cinema" ແມ່ນການບິນງ່າຍແລະ "Long Range" ແມ່ນ GPS ແລະ Crossfire protocols. ມັນມີຄຸນນະສົມບັດຂອງຄຸນນະສົມບັດ: Compatibility Engine ມີຄຸນນະສົມບັດທີ່ດີເລີດເພື່ອຕອບສະຫນອງການເຊື່ອມໂລຫະຂອງ motor / battery ທີ່ຈະຮ້ອນຂ້າງຂວາງຫຼື explode. ມັນ simulates reality: ເອກະສານ USD ທີ່ຖືກສ້າງຂຶ້ນສໍາລັບ NVIDIA Isaac Sim ແມ່ນເຮັດວຽກ. ໃນ make_fleet.py, ຂ້າພະເຈົ້າ "fractured" ຫນ້ອຍ. ຂໍຂອບໃຈຫຼາຍກ່ວາ LLM ເພື່ອຊອກຫາລັກສະນະ flot logic ແລະຫຼາຍກ່ວາການ orchestration Python hard-coded. ຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍກ່ວາຂໍຂອບໃຈຫຼາຍ. ໃນຖານະເປັນການຢັ້ງຢືນຂອງ concept for —ໃນເວລາທີ່ LLM ມີການປິ່ນປົວການດໍາເນີນການສ້າງສັນ, ແລະ Python ມີການປິ່ນປົວຄໍາຮ້ອງສະຫມັກຂອງ Physics—OpenForge ແມ່ນການຍິນດີ. Neuro-Symbolic AI ດາວໂຫລດ The Failure: The Quadruped Pivot ຂ້າພະເຈົ້າຕ້ອງການທີ່ຈະປ່ຽນ Drone Designer ໃນ Robot Dog Designer (Ranch Dog). ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍ Gemini 3.0 ໃນຂະນະທີ່ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍການປະທັບໃຈຂອງພວກເຮົາ. I am officially shelving the Quadruped branch. ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍໃຊ້ການບໍລິການລູກຄ້າຂອງພວກເຮົາ. ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບທ່ານອີກເທື່ອຫນຶ່ງ! If I want to build the Ranch Dog, I have to step back and build it from scratch, using the Drone engine merely as a reference model, not a base to overwrite. ຄວາມຄິດເຫັນທີ່ The Lesson: The Flattening Effect ເປັນຫຍັງເຄື່ອງ Drone ໄດ້ຍົກເລືອດໃນເວລາທີ່ Refactor Quadruped ໄດ້ຍົກເລືອດ? ມັນຄ້າຍຄືກັບຜົນປະໂຫຍດທີ່ແຕກຕ່າງກັນທີ່ຂ້າພະເຈົ້າຊອກຫາໃນ Gemini 3.0 (ແລະມາດຕະຖານສູງອື່ນໆ). ໃນເວລາທີ່ທ່ານກໍ່ສ້າງຈາກທົ່ວໄປ, ທ່ານແລະ AI ໄດ້ກໍ່ສ້າງອຸປະກອນ step-by-step. You lay the foundation, then the framing, then the roof. ຖ້າຫາກວ່າທ່ານຕ້ອງການ LLM ຄໍາຮ້ອງສະຫມັກທີ່ຖືກນໍາໃຊ້, ມັນບໍ່ເບິ່ງປະຫວັດສາດຂອງລະຫັດ. ມັນບໍ່ເບິ່ງການແຂ່ງຂັນ. pivot ລະຫັດ Drone ທີ່ເລີ່ມຕົ້ນໄດ້ຖືກຂຸດຄົ້ນບໍ່ແຮ່ໃນລະດັບທີ່ແຕກຕ່າງກັນ, linear. ມີການປິ່ນປົວຄວາມຜິດພາດທີ່ແຕກຕ່າງກັນແລະສະພາບອາກາດທີ່ເລີ່ມຕົ້ນຈາກຄວາມຜິດພາດທີ່ຜ່ານມາ. Gemini 3.0, ໃນຄວາມຕ້ອງການທີ່ຈະເປັນປະສິດທິພາບ, ມັນໄດ້ກວດສອບລະດັບລັກສະນະທີ່ແຕກຕ່າງກັນໃນຂະບວນການຫນຶ່ງ, monolithic. ໃນສະພາບແວດລ້ອມ, ລະຫັດໄດ້ສະແດງໃຫ້ເຫັນວ່າມີຄຸນນະພາບສູງແລະມີ Pythonic ຫຼາຍ. ແຕ່ໃນສະຖານທີ່, ມັນໄດ້ຫຼຸດຜ່ອນແວດລ້ອມທີ່ມີຄວາມອຸດົມສົມບູນທີ່ເຮັດໃຫ້ຄໍາຮ້ອງສະຫມັກ stabilized. flattened the architecture ມັນ glossed over the nuance.It assumed the code was a style guide, not a structural necessity. The Paradox of Capability: Gemini 2.5 vs 3.0 ໂຄງການນີ້ສະແດງໃຫ້ເຫັນຄວາມເປັນຈິງ counterintuitive: Gemini 2.5 was safer because the code it confidently spit out was truncated pseudo-code. ໃນຕົວຢ່າງທີ່ຜ່ານມາ, outputs ໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນເພື່ອສະແດງໃຫ້ເຫັນວ່າທ່ານສາມາດເຮັດວຽກກ່ຽວກັບການກໍ່ສ້າງ. ຫຼັງຈາກນັ້ນ, ທ່ານຈະຈໍາເປັນຕ້ອງສ້າງໂຄງການເພື່ອສ້າງການປິ່ນປົວພາຍໃນໂຄງການ. ໃນຂະນະທີ່, ມັນສາມາດຂຽນເອກະສານທັງຫມົດ. ໃນຂະນະທີ່ທ່ານຈໍາເປັນຕ້ອງເຮັດວຽກໂດຍການເຮັດວຽກ. Gemini 2.5 ຂໍຂອບໃຈວ່າຂ້າພະເຈົ້າຈະເປັນ Architect. ຂໍຂອບໃຈວ່າຂ້າພະເຈົ້າຈໍາເປັນຕ້ອງເຮັດວຽກໂຄງການໂດຍໂຄງການ, ການກັ່ນຕອງສິ່ງທີ່ຂ້າພະເຈົ້າຕ້ອງການ. ຂໍຂອບໃຈວ່າຂ້າພະເຈົ້າຈໍາເປັນຕ້ອງຮັກສາຂອບໃຈຂອງ AI. Gemini 3.0 ມີຄວາມໄວແລະການຄາດຄະເນທີ່ຈະເຮັດສິ່ງທຸກຢ່າງໃນຂະນະທີ່ຫນຶ່ງ. ມັນສ້າງຄວາມສຸກທີ່ເຫມາະສົມຂອງ One-Shot Pivot. Gemini 3.0 creates code that looks workable immediately but is structurally rotten inside. ຄໍາຖາມ Final ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາສໍາລັບການສ້າງເຄື່ອງຜະລິດ Generative, ຫຼືລະບົບທີ່ສົມບູນແບບໃດໆທີ່ມີ LLMs, ນີ້ແມ່ນການຊອກຫາຂອງຂ້າພະເຈົ້າຫຼັງຈາກປະສົບການ OpenForge: Greenfield ແມ່ນ Easy, Brownfield ແມ່ນ Hard: LLMs excel ໃນການກໍ່ສ້າງຈາກທົ່ວໄປ. Don't Refactor ກັບ Prompts: ຖ້າຫາກວ່າທ່ານຕ້ອງການປ່ຽນຕົວແທນຂອງ app, ບໍ່ລໍຖ້າຫາກວ່າ AI ຈະ rewrite ນີ້ສໍາລັບ X. ໃນປັດຈຸບັນ, ດາວນ໌ໂຫລດໂຄງສ້າງການດໍາເນີນການຂອງ app ທີ່ຜ່ານມາແລະລໍຖ້າຫາກວ່າ AI ຈະສ້າງ app ໃຫມ່ໂດຍໃຊ້ໂຄງສ້າງທີ່ຜ່ານມາ. Architecture is Still King: You cannot view a code base as a fluid document that can be morphed by a LLM. You must respect the scaffolding. OpenForge ໄດ້ສະແດງໃຫ້ເຫັນວ່າພວກເຮົາມີຄວາມສາມາດໃນການຕັດສິນໃຈລະຫວ່າງຄວາມຫມັ້ນຄົງຂອງຜູ້ໃຊ້ແລະວິສະວະກໍາຮ່າງກາຍ. ທີ່ຜ່ານມາ, Gemini 3.0 ແມ່ນການຂົນສົ່ງຂະຫນາດໃຫຍ່ຈາກ 2.5. ສ່ວນຫນຶ່ງຂອງສິ່ງທີ່ຂ້າພະເຈົ້າຊອກຫາຢູ່ນີ້ແມ່ນວິທີການໄດ້ຮັບທີ່ດີທີ່ສຸດຈາກເຄື່ອງມືໃຫມ່.