最近看了前特斯拉AI总监Andrej Karpathy的一个演讲，分享他对AI时代的思考。听完之后我觉得，这可能是我今年听过最有启发性的技术分享了。
软件的三次进化：从写代码到说人话
Karpathy提出了一个很有意思的观点：软件其实经历了三个阶段的进化。
第一阶段（Software 1.0）就是我们熟悉的传统编程——写Python、Java、C++这些代码，告诉计算机一步步该干什么。这套玩法其实70年来没怎么变过。
第二阶段（Software 2.0）是神经网络时代。你不再直接写代码，而是准备数据，然后让机器学习算法去"学"出一堆参数权重。这些权重就是新的"代码"。Karpathy在特斯拉的时候就发现，随着自动驾驶越做越好，车里的C++代码越来越少，神经网络越来越大——AI literally把传统代码给"吃"了。
第三阶段（Software 3.0）就是现在的大语言模型时代。最牛逼的地方在于，你现在可以用英语（或者中文）来"编程"。你的prompt就是程序，ChatGPT就是执行这个程序的计算机。
想想看，这意味着什么？每个会说话的人都变成了程序员。
LLM：像1960年代的大型机
Karpathy有个很形象的比喻：现在的LLM就像1960年代的大型机。
那时候计算机巨贵，只能放在机房里，大家排队使用。现在的GPT-4、Claude也是一样的道理——训练成本天价，只能放在云端，我们通过API来"分时使用"。
但这个比喻还有更深层的含义。1960年代之后发生了什么？个人电脑革命。每个人都有了自己的电脑。
所以问题来了：AI的"个人电脑时刻"什么时候到来？
现在已经有一些苗头了。比如苹果的M系列芯片跑小模型其实还挺流畅的。但距离真正的"AI PC"普及，可能还需要几年时间。
LLM的"心理画像"：天才+白痴的组合体
这部分我觉得特别有意思。Karpathy把LLM比作《雨人》里的自闭症天才——记忆力超强，能记住整本电话簿，但在常识判断上经常犯低级错误。
LLM的超能力：
百科全书级的知识储备 多语言能力 创意写作 代码生成
LLM的认知缺陷：
经常胡编乱造（幻觉） 逻辑推理能力不稳定 没有持续学习能力（像《记忆碎片》的主角，每次对话结束就失忆） 容易被误导
理解这些特点很重要，因为这决定了我们该怎么和AI协作。
部分自动化：比完全自动化更靠谱
Karpathy特别强调一个观点：与其追求完全自动化的AI代理，不如做好部分自动化的应用。
他举了Cursor（AI编程工具）的例子。Cursor不是让AI完全替你写代码，而是给你一个"自主权滑块"：
最低档：简单的代码补全 中等档：修改选中的代码段 最高档：让AI重构整个项目
用户可以根据任务复杂度来调节AI的参与程度。
这让我想起特斯拉的自动驾驶。Karpathy提到，2013年他就体验过Waymo的完美自动驾驶演示，但12年过去了，我们仍然没有真正解决自动驾驶问题。复杂的现实世界任务，远比demo展示的要困难得多。
所以现在那些喊着"2025年是AI代理元年"的人，Karpathy觉得太乐观了。他的判断是：这应该是"AI代理的十年"。
英语成为新的编程语言
这可能是整个演讲最激动人心的部分。
Karpathy展示了一个视频：几个小孩子在用英文自然语言"编程"，做出了各种有趣的小应用。他把这种现象叫做"vibe coding"（感觉编程？氛围编程？）。
这个词现在已经成了梗，甚至有了维基百科页面。
Karpathy自己也试了试vibe coding，用一天时间做了个iOS app，虽然他根本不会Swift。还做了个叫MenuGen的网站，你拍个菜单照片，AI就给你生成菜品图片。
但他发现一个问题：写代码是最简单的部分，部署上线才是噩梦。各种认证、支付、域名、服务器配置...这些devops的活儿都得在浏览器里手动点来点去，比写代码累多了。
这就引出了下一个话题。
为AI重新设计基础设施
现在的软件基础设施都是为人类设计的。到处都是"点击这里"、"选择那个下拉菜单"这样的指令。但AI不会点击，它需要的是API和结构化数据。
一些公司已经开始适配了：
Vercel把文档里所有的"click"都替换成了对应的curl命令 Stripe提供了专门给LLM看的markdown格式文档 出现了像robots.txt一样的llms.txt文件，告诉AI这个网站是干什么的
还有一些很cool的小工具：
把github.com改成gitingest.com，就能把整个代码库打包成LLM友好的格式 deepwiki.ai会分析你的GitHub项目，自动生成详细的文档
这些变化看起来很小，但意义重大。就像当年移动互联网兴起时，所有网站都要做"移动端适配"一样，现在我们需要做"AI适配"。
人机协作的艺术
Karpathy特别强调一点：AI生成，人类验证，这个循环要尽可能快。
为什么？因为AI虽然生成速度快，但质量不稳定。你还是需要人来把关。关键是如何让这个验证过程变得高效。
他的建议：
- 用GUI而不是纯文本
。看代码diff比读长篇文字快多了，一眼就能看出改了什么。 - 保持AI在可控范围内
。不要让AI一次性改动几千行代码，你根本审核不过来。 - 小步快跑
。一次解决一个具体问题，确保每一步都是对的。
这让我想起敏捷开发的理念：与其做完美的长期规划，不如快速迭代验证。
钢铁侠战衣 vs 钢铁侠机器人
Karpathy用了个很酷的比喻：我们现在应该做"钢铁侠战衣"，而不是"钢铁侠机器人"。
战衣是增强人类能力的工具，人还是主导者。机器人虽然看起来更酷，但在现阶段不够可靠。
这个比喻很好地总结了他的核心观点：增强 > 替代。
我的一些思考
听完这个演讲，我有几点感想：
1. 技术采用的渐进性
每次重大技术变革都不是一夜之间完成的。PC革命花了20年，互联网革命花了20年，移动革命也花了10多年。AI革命可能也需要类似的时间。
2. 基础设施的重要性
现在大家都在关注模型本身，但真正的机会可能在基础设施层面。谁能让AI更容易使用、更容易集成，谁就掌握了主动权。
3. 人的价值在升级，不是消失
AI让简单重复的工作自动化了，但这释放了人类去做更有创造性、更需要判断力的工作。关键是要学会与AI协作。
4. 新的技能需求
未来可能不需要每个人都会编程，但需要每个人都会"prompt engineering"——知道怎么和AI沟通，让它做你想要的事情。
结语
Karpathy最后说，现在是进入软件行业最好的时机之一。因为我们需要重写大量的代码，需要构建新的基础设施，需要发明新的交互方式。
这让我想起2007年iPhone发布时的情况。当时很多人觉得就是个花哨的手机，但实际上它开启了一个全新的时代。移动应用、社交媒体、共享经济...这些今天看来理所当然的东西，在当时都是不存在的。
AI时代可能也是如此。我们现在看到的ChatGPT、Cursor这些应用，可能只是冰山一角。真正有趣的东西，还在后面等着我们去发明。
所以，准备好了吗？软件的新时代已经开始了。
