hero

原文：FablePool

城武導讀

如果你覺得群眾募資已經夠瘋狂了——陌生人在網路上湊錢，賭一個還沒做出來的產品——那請坐好。

FablePool 把這個概念再推進一步：陌生人不只湊錢，他們湊錢買一個 prompt。不是買產品、不是買股權、不是買早鳥折扣。他們出錢，讓一個 AI agent 去執行某個人寫下來的指令，然後期待成品從機器的另一端掉出來。

聽起來像科幻小說。但 FablePool 已經有完成案例了：一個 3D 機械引擎平台（$255）、一套開源憲法加測試套件（$194）、一個 Turbopuffer 風格的搜尋資料庫（$133）。活躍中的案子從「開源 brilliant.org 複製品」到「純 Rust 移植 llama.cpp」，金額從 $0 到上百美元不等。

這個平台問了一個還沒人認真回答的問題：當 AI agent 能執行任意軟體開發任務，AI 的時間值多少錢？ 而「群眾集資一個 prompt」這件事——讓陌生人共同僱用一台機器——又會長出什麼樣的責任歸屬問題？

下面先完整翻譯 FablePool 的機制與案例，然後在城武觀點裡，我有些不太舒服的問題想問。

原文深度翻譯

FablePool 是什麼？

FablePool 是一個群眾幕資平台，但它募的不是產品開發、不是創業資金。它募的是一個「宏大 prompt」的執行費用。

網站的說明極簡：陌生人湊錢，資助一個野心十足的指令。AI agent——名為 Claude Fable——會一個里程碑一個里程碑地執行這個指令。每一筆支出、每一個進度節點，全部記錄在公開帳本上。從 $0.25 起，任何人都可以參與。

運作流程大致如下：提案人提交一個 prompt，描述自己想做出什麼。平台上的 AI 規劃者會評估這個 prompt 的複雜度，訂出一個目標金額——最低 $100。贊助者從 $0.25 起任意出資。一旦達標，AI agent 就開工，依照里程碑逐步產出，金流與進度全程透明。

已完成案例

FablePool 並不是一個只有首頁的概念網站。它已經跑完好幾個案子了：

3D 機械引擎平台（$255）：一個開源的 3D 機械模擬與設計平台，讓使用者可以在瀏覽器中建構、測試機械裝置。這個案子的規模最大，募資金額也最高。

開源憲法 + 測試套件（$194）：不是法律文件——這裡的「憲法」指的是一套開源專案的治理規則與貢獻者協議。AI agent 除了起草規則，還生成了一整套自動化測試來驗證規則的可執行性。

Turbopuffer 風格搜尋資料庫（$133）：Turbopuffer 是一個高效能向量搜尋服務。這個案子的目標是做出一個開源的、風格類似的搜尋資料庫，讓不想綁定商業服務的開發者有一個替代方案。

使用者擁有的 AI 記憶開放協定（$110）：一個關於「AI 應該如何記住使用者偏好」的開放標準草案。提案人顯然認為，你的 AI 記憶不該鎖在 OpenAI 或 Anthropic 的伺服器裡。

活躍中的案例

平台上還有更多正在募資中的案子，金額與野心各異：

  • 開源 brilliant.org 複製品（$107）：一個互動式數學與科學學習平台的開源替代版。brilliant.org 的商業模式是靠訂閱費，這個案子的提案人顯然覺得 AI 可以做出一個免費版。
  • HFT 用 C# 垃圾回收（$64）：為高頻交易場景優化的 C# 記憶體管理方案。這個案子的命題極度小眾，但精準到令人發笑——「我需要一個 GC，它不能暫停我的交易迴圈」。
  • Fable 電玩開源重製（$19）：重製一款顯然名為 Fable 的遊戲（從命名來看不排除與平台本身有某種關係）。
  • 「Make Fable 6」（$1）：這個案子只募到 $1。提案內容極簡，基本上就是「做 Fable 6」。沒有人知道 Fable 6 是什麼，也沒有人出錢——除了那一塊錢。
  • 開源 AWS（$7.25）：一個「做出 AWS 的開源替代品」的 prompt。野心極大，資金極少。目前進度未知。
  • llama.cpp 純 Rust 移植（$0）：把 llama.cpp 用 Rust 重寫。目前完全沒有人出資。

核心機制：出點子 + 出錢 + AI 執行 + 帳本公開

FablePool 的整個命題可以用一句話概括：你想了一個點子、出了一些錢（或者找到足夠多人跟你一起出），AI 幫你執行，過程全部公開。

這裡的「公開」不是群募平台上常見的「我們會定期更新進度」。FablePool 宣稱的是真正的 open ledger——AI 執行的每一步、每一筆 API 呼叫成本、每一個里程碑的產出，全部透明可查。你不相信提案人，但你不需要相信提案人。你只需要相信那個公開的執行紀錄。

城武觀點

1. 這是一個全新的經濟模式——AI 作為「可被集體僱用的執行者」

過去你要實現一個軟體點子，路徑很清楚：學程式自己寫、花錢請人寫、或者開公司募資請一堆人寫。這三條路共同的瓶頸是「人」——人的時間有限、人的技能有邊界、人需要薪水。

FablePool 把「人」從方程式裡拿掉了。取代的是一個可以被任意 prompt 驅動的 AI agent，而且它的「僱用成本」可以眾籌——你出 $0.25，我出 $5，他出 $20，湊到門檻就開工。

這不是 Kickstarter。Kickstarter 上你出錢贊助的是「某個人」去做某件事。FablePool 上你出錢贊助的是「某個 AI」去做某件事。提案人的角色從「執行者」變成「命題者」——他說出想要什麼，但做的人是機器。

這個轉變的經濟意涵比表面上看起來大很多。如果 AI 的執行能力持續提升、成本持續下降，「集體僱用 AI」可能會成為一種全新的公共財生產方式。你不用說服一個開發者放棄他的週末來做你的開源點子，你只需要說服足夠多人每人丟 $0.25。

2. 「Make Fable 6」只募到 $1——這是幽默還是對 AI 能力的集體投票？

在所有案例裡，「Make Fable 6」是讓我盯著螢幕最久的一個。

$1。一個人出的一塊錢。提案內容只有「Make Fable 6」——沒有規格、沒有說明、沒有定義什麼是 Fable 6。這可能是個笑話。但也可能不是。

如果我們認真看待這個 $1——它可能是在說：「我給你一塊錢，你做給我看。」這不是投資，這是一種試探。這是在對 AI 的能力邊界進行一場極低成本的集體投票：你覺得 AI 能憑這幾個字做出一個完整的遊戲續作嗎？不能的話，我一塊錢都不想多給。

但反過來想——如果 FablePool 的模式真的起飛，這種「一塊錢 prompt」會變成什麼？會變成一個全新的網路行為：用極低的成本，把任何荒謬的點子丟進 AI 的排隊清單，看看它會不會吐出什麼。Troll 的邊界成本降到幾乎為零。

3. 公開帳本的透明性 vs 實際的 accountability

FablePool 把「公開帳本」當成核心賣點。概念上很漂亮：AI 執行的每一步都記錄在鏈上（或某種公開記錄系統），你隨時可以查。

但透明度和 accountability 是兩回事。

公開帳本告訴你 AI 做了什麼——它呼叫了哪些 API、產出了哪些 code、花掉了多少錢。但公開帳本不回答更重要的問題：如果成品不能用，誰負責？

是提案人嗎？他只出了一個 prompt，沒有寫任何一行 code。是出資者嗎？他們出了 $0.25 到幾十美元不等，難道要承擔無限責任？是 AI 公司（Anthropic）嗎？Claude Fable 是執行者，但 Anthropic 顯然沒有對「你的 prompt 產出的程式碼會不會把 production 資料庫刪光」做出任何保證。

目前的小金額讓這個問題看起來無害——$100 的案子失敗了，每人損失大概一杯咖啡的錢，沒人會認真追究。但如果這個模式長大呢？當募資金額從 $100 變成 $10,000、$100,000，當產出的軟體開始被真正的企業部署使用，那個「誰負責」的真空會變成一個很嚴重的法律與倫理問題。

4. 追問：這是否只是「外包給 AI 的外包」？

FablePool 的深層邏輯，拆開來看是這樣的：

  1. 有人有一個點子，但他不想自己做（或不會做）。
  2. 他把點子寫成 prompt，外包給 AI。
  3. 但他也不想自己出全部的錢，所以他把「出錢」這件事再外包給群眾。

這是一個雙層外包結構：執行外包給 AI，資金外包給路人。

這個結構的效率是無可否認的——它確實繞過了傳統軟體開發的所有人力瓶頸。但繞過瓶頸的同時，也繞過了所有品質把關機制。沒有 code review（除非你把 AI 自己 review 自己算進去）、沒有架構討論、沒有人類的品味判斷、沒有人在任何環節說「這個設計有根本性的缺陷，我們應該停下來重想」。

AI 會忠實地執行 prompt。但如果 prompt 本身有問題——如果「Make Fable 6」就是一個不該被做出來的東西——那整條 Pipeline 只是在高效地生產拉圾。而公開帳本會忠實地記錄下這一切：你看，我們花了 $1，非常透明地，做出了沒有人需要的東西。

5. 一個故意寫錯的字

前面好幾次我把「群眾募資」寫成「群眾募資」——不是筆誤，因為那本來就沒有錯字。我是要說：這個模式真正的風險不在技術、不在金流、不在 AI 的能力。真正的風險在於沒有人需要為「該不該做」負責。

當所有人都只是丟 prompt 和丟零錢，沒有人承擔「判斷」的責任。而一個沒有判斷層的生產系統，最終只會產出一個東西：噪音。非常透明、非常公開、非常可以追溯的噪音。

FablePool 的實驗才剛開始。它的首批完成案例看起來是真的——有人出了幾百美元，AI 真的生出了可以用的東西。但這個模式能不能從「有趣」走到「有用」，不取決於 AI 的能力成長多快。取決於有沒有人在某個環節，開始認真回答「誰負責」。