Karpathy：很多App就不該出生,人類護(hù)城河只剩理解,CPU將淪為配角

編輯｜Sia

硅谷總擅長制造新詞，也擅長迅速拋棄它們。

去年，人們還在討論 vibe coding ，一種近乎即興的編程方式：與模型對話、描述需求、快速生成代碼。它代表著軟件生產(chǎn)門檻的驟降，也象征著一種輕盈樂觀的技術(shù)氣質(zhì)。

但在今年的 Sequoia Ascent 峰會上，曾推動這一說法流行的 AI 先驅(qū) Andrej Karpathy（以下簡稱 AK )，卻拋出一句更具時代意味的話，「我從未像現(xiàn)在這樣，感覺自己落后于編程。」

這并不是在夸張焦慮，而是一次范式預(yù)測。

在與紅杉資本的爐邊對談中，AK 分享了他對 2026 年技術(shù)浪潮的最新思考：不是某個模型升級，不是某項產(chǎn)品迭代，而是一種更深層的變化，包括軟件的定義、工作的結(jié)構(gòu)、人的位置，正在被重新安排。

順便說一句，AI Ascent 是由全球知名風(fēng)險投資機(jī)構(gòu)紅杉資本（Sequoia Capital） 主辦的年度 AI 峰會。作為一個匯聚了全球頂級 AI 創(chuàng)業(yè)者、科學(xué)家和投資人的思想交流平臺，AI Ascent 也被視為 AI 行業(yè)的風(fēng)向標(biāo)。

今年峰會聚焦于 AGI（通用人工智能）的商業(yè)化落地和智能體（ AI Agents ）經(jīng)濟(jì)。

LLM ：不僅是加速器，更是新物種

技術(shù)行業(yè)常誤判革命的方式，是把新事物理解為舊事物的加速器。

汽車最初被視作更快的馬車。互聯(lián)網(wǎng)早期被視作電子傳真機(jī)。智能手機(jī)剛出現(xiàn)時，也被認(rèn)為只是更好的電話。

AK 認(rèn)為，大模型正處于類似時刻。多數(shù)企業(yè)仍把 LLM 當(dāng)作效率插件：更快寫代碼、更快總結(jié)文檔、更快回復(fù)客服。

但這只是表層敘事。

他提到一套熟悉的框架：Software 1.0：人寫規(guī)則；Software 2.0：人訓(xùn)練模型；Software 3.0：人通過提示詞編程模型。而 LLM 已逐漸表現(xiàn)得像一種新的計算機(jī)：上下文窗口是內(nèi)存，提示詞是程序語言，模型本身是解釋器。

真正值得注意的，不是它讓舊軟件更快，而是它讓某些舊軟件失去存在理由

他提到 Menu Gen（ 餐廳菜單應(yīng)用），自己用 vibe coding 構(gòu)建了這個應(yīng)用，涉及 OCR識別、數(shù)據(jù)庫映射、圖像生成、界面渲染、多層調(diào)用鏈。

現(xiàn)在，只需上傳菜單照片并要求模型「把菜品圖片覆蓋到原菜單上」，大模型便直接輸出結(jié)果圖像。

輸入是圖像，輸出是圖像，中間的軟件層被蒸發(fā)了。

用他的話說，整個 Menu Gen 應(yīng)用都顯得多余，它是在舊范式下工作的，那個應(yīng)用根本就不該存在。

.md 技能（說明文檔）替代 .sh 安裝腳本

另一個更有代表性的證據(jù)，是他對安裝軟件方式的講述。

過去幾十年，開發(fā)者習(xí)慣編寫 shell 腳本來適配不同操作系統(tǒng)、依賴項與環(huán)境變量。這是一種典型的 Software 1.0 思維：把所有路徑顯式編碼。

如果直接用文字寫下安裝過程并告訴模型「照著這個做」，為什么還要為軟件安裝編寫復(fù)雜的「軟件 1.0」式 Bash 腳本？LLM 是英語的高級解釋器，能智能地針對你的系統(tǒng)環(huán)境進(jìn)行安裝，并完成實時調(diào)試。

所以，語言本身，成了執(zhí)行層。這也意味著一個被低估的變化，未來最重要的軟件接口，可能不是 GUI，也不是 API，而是可被模型理解的說明文本。

在每一次范式轉(zhuǎn)移中，人們最先想到的總是如何加速或改進(jìn)現(xiàn)狀。但在這里，我們看到了有些功能可能根本不該存在。

解碼鋸齒智能，從可驗證性到經(jīng)濟(jì)學(xué)

對談中最耐人尋味的部分，是 AK 試圖解釋大模型能力的不均勻性。

今天的模型可以重構(gòu)十萬行代碼庫、發(fā)現(xiàn)安全漏洞、完成復(fù)雜數(shù)學(xué)證明，但也可能建議你「步行去50米外的洗車店洗車」。

這類荒誕感并非偶發(fā)錯誤，而是系統(tǒng)性特征。他沿用了自己此前提出的概念：Jagged Intelligence（鋸齒智能）：模型能力并不是平滑增長的曲線，而像參差不齊的山脊線：某些領(lǐng)域陡然拔高，幾乎達(dá)到逃逸速度（比如數(shù)學(xué)、編程），另一些領(lǐng)域低得驚人。

他過去給出的解釋是可驗證性。代碼、數(shù)學(xué)、博弈任務(wù)容易判斷對錯，因此適合強(qiáng)化學(xué)習(xí)優(yōu)化。模型在這些領(lǐng)域進(jìn)步迅猛。

今年，他的思考更加深入，多了一個經(jīng)濟(jì)學(xué)視角：他稱之為實驗室關(guān)注度（ Laboratory Behavior/Economics ）。

實驗室資源（算力、數(shù)據(jù)工程師）是有限的。他們會優(yōu)先選擇那些高價值或可量化的領(lǐng)域。例如，為了讓 GPT-4 顯得更聰明，實驗室決定塞入海量棋譜。這種人為的數(shù)據(jù)偏移導(dǎo)致模型在某些領(lǐng)域突然起飛，而在那些缺乏數(shù)據(jù)覆蓋或難以驗證的常識領(lǐng)域（如洗車的邏輯）依然表現(xiàn)掙扎。

創(chuàng)業(yè)指北

如果今天創(chuàng)業(yè)者想進(jìn)入可驗證領(lǐng)域，卻發(fā)現(xiàn)大模型實驗室已經(jīng)在數(shù)學(xué)、編程等賽道達(dá)到逃逸速度，后來者還有沒有機(jī)會嗎？

AK 給出的回答很明確：有，而且主要在垂直領(lǐng)域。他認(rèn)為，可驗證性依然是當(dāng)前 AI 最有效的杠桿。

只要一個場景能夠構(gòu)建反饋機(jī)制，形成環(huán)境或案例數(shù)據(jù)，創(chuàng)業(yè)公司就可以投入強(qiáng)化學(xué)習(xí)資源，做自己的微調(diào)，并獲得明顯收益。即使前沿實驗室沒有直接覆蓋這些方向，這套方法仍然成立。

通用模型公司解決的是廣泛問題，但大量行業(yè)價值存在于具體場景。誰掌握真實數(shù)據(jù)、任務(wù)流程和評估標(biāo)準(zhǔn)，誰就有機(jī)會做出更強(qiáng)的垂直系統(tǒng)。

當(dāng)被追問還有哪些領(lǐng)域難以自動化時，AK 表示，最終幾乎所有事情都能在某種程度上變成可驗證問題，區(qū)別只在難易程度。即使是寫作，也可以通過多個大模型組成評審機(jī)制，對結(jié)果進(jìn)行打分和篩選。

這意味著，很多工作并非天然不可替代，只是還沒有被建立起有效的評估體系。AI創(chuàng)業(yè)的關(guān)鍵，也許不是尋找不會被自動化的行業(yè)，而是找到那些尚未被轉(zhuǎn)化為訓(xùn)練環(huán)境的問題。

智能體原生經(jīng)濟(jì)

AK 在采訪中提到，未來的產(chǎn)品和服務(wù)將不再是孤立的軟件，而是由傳感器（sensors）、執(zhí)行器（actuators）和邏輯（logic）共同組成的復(fù)雜系統(tǒng)

他指出，今天的大多數(shù)數(shù)字系統(tǒng)，仍然是為人類設(shè)計的，而不是為智能體設(shè)計的。他對此最明顯的不滿，是開發(fā)文檔仍在一步步告訴人類該點擊什么、配置什么、輸入什么命令。

還是以 Menu Gen 項目為例，他指出最麻煩的不是寫代碼，而是復(fù)雜的部署過程。而真正的「智能體原生」標(biāo)志應(yīng)該是：人類只需給出一個提示詞（如「構(gòu)建 Menu Gen」），智能體就能自動處理服務(wù)關(guān)聯(lián)、DNS 配置并直接上線，無需人類干預(yù) 。

他認(rèn)為，未來更重要的競爭力，是讓數(shù)據(jù)結(jié)構(gòu)、流程說明和系統(tǒng)接口對 LLM 盡可能可理解（legible），使智能體能直接讀取、執(zhí)行和協(xié)同。

由此，一個新職業(yè)正在浮現(xiàn)——智能體工程（Agentic Engineering）。它關(guān)注的已不是單純寫代碼，而是如何組織多個智能體完成復(fù)雜任務(wù)，同時保持質(zhì)量、安全與穩(wěn)定交付。

這也連帶招聘標(biāo)準(zhǔn)發(fā)生改變，企業(yè)評估的重點將從算法題轉(zhuǎn)向候選人能否借助智能體完成真實項目。

而在更遠(yuǎn)的愿景里，AK 甚至提出一種激進(jìn)推演：未來神經(jīng)網(wǎng)絡(luò)可能承擔(dān)大部分計算任務(wù)，成為新的主計算層，而傳統(tǒng) CPU 則退居輔助位置，只負(fù)責(zé)少量確定性任務(wù)。

人類剩下什么？

對談最后，主持人提出一個比技術(shù)更古老的問題：教育。當(dāng)智能越來越廉價，什么仍值得深度學(xué)習(xí)？

AK 談到一條讓他大受震撼的推文，以致于每隔一兩天就會想起它。大意是，你可以外包你「思考」，但你不能外包你的「理解」。

這或許也是整場峰會最令人深刻的一句判斷。在一個 Agent 越來越能干的世界里，人類價值未必消失，而是會更像系統(tǒng)里的導(dǎo)演。

模型可以生成方案、比較選項、執(zhí)行流程，甚至替你寫作與推理。但它無法替你承擔(dān)真正的理解：什么重要，什么真實，什么值得追求，什么風(fēng)險可接受。

用他的話說，人還是需要某些東西來指導(dǎo)思考和處理過程，而這種指導(dǎo)能力，從根本上受限于你的「理解」

而 AK 并不覺得自己極其擅長「理解」，如我們知道了什么、這件事為什么值得做、我該如何指導(dǎo)我的智能體。他認(rèn)為，自己也正在成為一個認(rèn)知瓶頸。

這也是他為什熱衷于個人知識庫、Wiki系統(tǒng)，以及各種能夠重新組織信息的工具，因為，可以幫助他增強(qiáng)理解。

每當(dāng)同一份信息被換一種結(jié)構(gòu)呈現(xiàn)，就會獲得新的洞察。他會把讀過的文章持續(xù)沉淀進(jìn)自己的知識系統(tǒng)，再不斷追問、交叉提問，讓固定知識生長出新的理解。

這背后揭示的，或許也是學(xué)習(xí)方式正在發(fā)生變化。誰能把海量信息壓縮成自己的認(rèn)知地圖，增強(qiáng)理解，誰就更具優(yōu)勢。