Karpathy：很多App就不該出生,人類護城河只剩理解,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。它代表著軟件生產門檻的驟降，也象征著一種輕盈樂觀的技術氣質。

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

這并不是在夸張焦慮，而是一次范式預測。

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

順便說一句，AI Ascent 是由全球知名風險投資機構紅杉資本（Sequoia Capital） 主辦的年度 AI 峰會。作為一個匯聚了全球頂級 AI 創業者、科學家和投資人的思想交流平臺，AI Ascent 也被視為 AI 行業的風向標。

今年峰會聚焦于 AGI（通用人工智能）的商業化落地和智能體（ AI Agents ）經濟。

LLM ：不僅是加速器，更是新物種

技術行業常誤判革命的方式，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?；ヂ摼W早期被視作電子傳真機。智能手機剛出現時，也被認為只是更好的電話。

AK 認為，大模型正處于類似時刻。多數企業仍把 LLM 當作效率插件：更快寫代碼、更快總結文檔、更快回復客服。

但這只是表層敘事。

他提到一套熟悉的框架：Software 1.0：人寫規則；Software 2.0：人訓練模型；Software 3.0：人通過提示詞編程模型。而 LLM 已逐漸表現得像一種新的計算機：上下文窗口是內存，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（ 餐廳菜單應用），自己用 vibe coding 構建了這個應用，涉及 OCR識別、數據庫映射、圖像生成、界面渲染、多層調用鏈。

現在，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果圖像。

輸入是圖像，輸出是圖像，中間的軟件層被蒸發了。

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

.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，是他對安裝軟件方式的講述。

過去幾十年，開發者習慣編寫 shell 腳本來適配不同操作系統、依賴項與環境變量。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環境進行安裝，并完成實時調試。

所以，語言本身，成了執行層。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。

在每一次范式轉移中，人們最先想到的總是如何加速或改進現狀。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，從可驗證性到經濟學

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十萬行代碼庫、發現安全漏洞、完成復雜數學證明，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錯誤，而是系統性特征。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：某些領域陡然拔高，幾乎達到逃逸速度（比如數學、編程），另一些領域低得驚人。

他過去給出的解釋是可驗證性。代碼、數學、博弈任務容易判斷對錯，因此適合強化學習優化。模型在這些領域進步迅猛。

今年，他的思考更加深入，多了一個經濟學視角：他稱之為實驗室關注度（ Laboratory Behavior/Economics ）。

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

創業指北

如果今天創業者想進入可驗證領域，卻發現大模型實驗室已經在數學、編程等賽道達到逃逸速度，后來者還有沒有機會嗎？

AK 給出的回答很明確：有，而且主要在垂直領域。他認為，可驗證性依然是當前 AI 最有效的杠桿。

只要一個場景能夠構建反饋機制，形成環境或案例數據，創業公司就可以投入強化學習資源，做自己的微調，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，但大量行業價值存在于具體場景。誰掌握真實數據、任務流程和評估標準，誰就有機會做出更強的垂直系統。

當被追問還有哪些領域難以自動化時，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制，對結果進行打分和篩選。

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創業的關鍵，也許不是尋找不會被自動化的行業，而是找到那些尚未被轉化為訓練環境的問題。

智能體原生經濟

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

他指出，今天的大多數數字系統，仍然是為人類設計的，而不是為智能體設計的。他對此最明顯的不滿，是開發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，而是復雜的部署過程。而真正的「智能體原生」標志應該是：人類只需給出一個提示詞（如「構建 Menu Gen」），智能體就能自動處理服務關聯、DNS 配置并直接上線，無需人類干預 。

他認為，未來更重要的競爭力，是讓數據結構、流程說明和系統接口對 LLM 盡可能可理解（legible），使智能體能直接讀取、執行和協同。

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

這也連帶招聘標準發生改變，企業評估的重點將從算法題轉向候選人能否借助智能體完成真實項目。

而在更遠的愿景里，AK 甚至提出一種激進推演：未來神經網絡可能承擔大部分計算任務，成為新的主計算層，而傳統 CPU 則退居輔助位置，只負責少量確定性任務。

人類剩下什么？

對談最后，主持人提出一個比技術更古老的問題：教育。當智能越來越廉價，什么仍值得深度學習？

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，而是會更像系統里的導演。

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

用他的話說，人還是需要某些東西來指導思考和處理過程，而這種指導能力，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、我該如何指導我的智能體。他認為，自己也正在成為一個認知瓶頸。

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

每當同一份信息被換一種結構呈現，就會獲得新的洞察。他會把讀過的文章持續沉淀進自己的知識系統，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，或許也是學習方式正在發生變化。誰能把海量信息壓縮成自己的認知地圖，增強理解，誰就更具優勢。