史诗级预言！Karpathy演讲刷屏：软件3.0，人人皆「代码之神」

　　新智元报道

　　编辑：KingHZ

　　【新智元导读】软件3.0，不止Vibe Coding！Karpathy重磅演讲，揭示软件深刻重构——已从「写代码」走向「说人话就能编程」的新时代。

　　Karpathy的演讲刷屏了！

　　基于在斯坦福大学、OpenAI和特斯拉的工作经验，Karpathy观察到软件变革正在悄然发生——软件正在再次进化。

　　他认为我们已进入「软件3.0」时代，自然语言成为新的编程接口，而模型则完成剩余工作：

　　大语言模型LLM=可编程神经网络

　　软件一直在变，但在过去的70年里在根本层面上并没有太大变化，而在过去几年中却快速变化了两次。

　　因此，他认为：「未来还有大量软件需要重写、重构。」

　　在YC放出的软件3.0的完整视频，Karpathy深入探讨了这种转变对开发者、用户及软件设计本身的意义：

　　我们不仅在使用新工具，更是在构建一种新型计算机。

　　软件3.0：尽情说出你的需求

　　从2023年以来，Karpathy就把下列推文置顶：

　　最火的新编程语言是英语。

　　他还发明了「Vibe Coding」（氛围编程）这一词汇，来描述直接用自然语言编程的情景。

　　Karpathy认为这是软件工程领域的未来。这从开源代码就能看出来。

　　「GitHub地图」展示了所有已经被编写的软件，也就是计算机在数字空间中执行任务的指令。放大来看，包含了不同类型的代码仓库，也就是编写的所有代码。

　　几年前，他注意到软件正在发生变化，出现了新型的软件，当时称之为「软件2.0」。

　　基本的想法是：

　　软件1.0是程序员亲自为计算机编写的代码。

　　软件2.0则是神经网络的权重参数。不再直接编写这些代码，而是更多地在调整数据集，并运行优化器来生成神经网络的参数。

　　当时神经网络只是被当作另一种分类器，比如决策树之类，所以这个框架在当时还是很有意义的。

　　现在有了「软件2.0」版GitHub平台，比如HuggingFace就是软件2.0世界中的GitHub。而Model Atlas也可以可视化这些模型全部参数的「代码」。

　　所以，总结一下：

　　软件1.0：编程计算机的传统代码。

　　软件2.0：用来编程神经网络的权重。

　　软件3.0：现在我们有了可编程的神经网络——大语言模型（LLM），而提示词（prompt）成了「编程语言」，而且这些提示词直接用人类语言写的！

　　比如你要做情感分类，可以：

　　写Python代码（软件1.0）；

　　训练神经网络（软件2.0）；

　　直接提示大语言模型（软件3.0）。

　　现在GitHub上的代码已经不仅仅是代码了，而是掺杂着大量英文，自然语言变成了新的「代码」。

　　这是根本性的转变：过去程序要把人类需求翻译为「机器语言」，现在直接把需求输入到LLM即可。

　　如果用语音模式，这就是「软件3.0」的「言出法随」：真正做到了用嘴编程！

　　人人都是程序员？

　　不仅拥有新的编程方式（用自然语言），而且每个人都能成为程序员。

　　因为大家都会用语言表达想法，忽然之间都有了编程能力。

　　这前所未有，也令人振奋。

　　过去，想要在软件行业做点什么，通常需要花5到10年的时间学习编程语言、工具链、工程实践等等。但现在，不再是这样了。

　　现在，小孩子都做到Vibe Coding。

　　Karpathy认为，这会成为下一代「走进软件开发」的入门方式，就像「网球王子」让人爱上网球一样。

　　Vibe Coding真的很有趣。特别是当想快速做一个非常定制化的小项目，市面上又没有现成产品时，Vibe Coding非常合适。

　　Karpathy做了一个iOS应用Menu Gen虽然他并不懂需要的编程语言。

　　不是「电力」，而是新操作系统

　　吴恩达曾经说过：「AI是新的电力。」

　　Karpathy觉得LLM现在确实表现出了「基础设施」的一些特性，但更贴切的类比也许是：LLM更像是新的操作系统。

　　不仅仅是像水电一样的商品，AI是日益复杂的软件生态系统。

　　这和过去的操作系统生态有些相似：有闭源的操作系统，比如Windows或macOS，同时也有Linux之类的开源系统。

　　在LLM领域，也看到了这种格局：几个主流的闭源模型（如GPT、Claude等），再加上开源的LLaMA等。

　　不仅仅是LLM本身的能力在提升，还包括它们使用工具的方式、多模态能力的扩展等等。这一切构成了一个真正复杂的软件生态系统。

　　在他看来，AI就像新型计算机，LLM像新的「CPU」：

　　上下文窗口相当于内存；

　　而整个LLM则负责在这些资源之间协调内存与计算，以解决问题。

　　从这个角度看，它确实非常像一个操作系统。

　　今天可以在GPT、Claude、Gemini上运行同一个「LLM应用」，就像过去的软件一样。

　　另一个让他产生共鸣的类比是：现在的AI处于「1960年代的计算机时代」。

　　目前LLM的计算成本仍然非常高，必须集中在云端运行，用户就像是当年的「哑终端」，通过网络与交互，占用云端运行批处理任务中的一个维度。

　　这正对应早期计算时代的操作系统模型：一切都在云端处理，通过网络传输，进行批量运行。

　　「个人化AI计算机」尚未真正到来，也尚不清楚未来会是什么样子——或许在座的你们就将定义它。

　　另一个他喜欢的类比是：「当与ChatGPT利用文本交谈时，我就像是在用终端和操作系统对话。」这是文字输入，是最直接的操作系统访问方式。

　　但目前还没有真正意义上的「通用GUI」（图形界面）来与这些模型交互，没有一个统一的GUI适用于所有任务。

　　这就是一个巨大的空白。

　　当然，LLM在一些方面也和传统操作系统或早期计算设备截然不同。LLM与传统技术扩散路径之间，存在关键差异：它们颠覆了技术扩散的方向。

　　回顾历史，我们会发现很多变革性的技术，比如电力、密码学、计算、飞行、互联网、GPS等，最初都是由政府或大型企业首先使用的——因为这些技术昂贵且复杂，普通人无法早期接触。

　　而LLM刚好相反，完全颠覆了以往「从上至下」的技术扩散模型。

　　这也让大家反思未来该如何定义这些工具的用途、产品设计和早期应用场景。

　　「伪人」：人类随机模拟器

　　LLM到底是什么?

　　Karpathy喜欢从「心理学」的角度来看待LLM。

　　他认为LLM就像「人类精神」的模拟体——它们是人类的「随机模拟器」。

　　底层是「自回归Transformer」（auto-regressive transformer），也就是神经网络，逐个token预测，每个token的处理耗费计算量基本一致。

　　我们使用全网的文本数据训练这个模型权重，因此这个模拟器具备了某种「人类心理」的涌现能力。

　　比如：

　　优点：LLM拥有百科全书般的知识与记忆能力，远远超过任何单一人类个体。它们可以轻松记住Git SHA哈希值、各种信息、文件结构等内容。就像电影《雨人》里的「自闭症天才」，能一字不差地背下电话簿。

　　缺点：LLM同时也存在很多「认知缺陷」，比如容易幻觉（hallucination），胡编乱造，缺乏对自身知识状态的良好感知。

　　智能参差不齐：它们在某些任务上表现超人，但有时却会犯一些基本错误，比如说「9.11大于9.9」。这种「锯齿形智能」现象很独特。

　　前向性遗忘：LLM不具备持久学习的能力。

　　还有一个重要方面是：安全问题。

　　LLM非常容易受骗，容易受到「提示注入攻击」（prompt injection），可能会泄露数据。

　　总而言之，我们面对的是超人般强大、同时也存在显著认知缺陷的AI系统。

　　这场变革不仅重塑工具形态，更改变了软件设计的哲学。

　　AI新时代，编程的价值

　　我们必须一边利用它的超能力，一边绕过它的弱点，学会如何与它协作、如何编程。

　　如果你正在开发一个产品或服务，要思考：

　　LLM能否像人类看到一切内容？

　　LLM能否像人类一样操作一切？

　　人类能否保持在控制、监督LLM行为？

　　因为这些AI系统并非完美，它们会犯错。

　　在LLM应用中还有一点往往被忽视，那就是：

　　我们正在与AI合作——AI负责生成，人类负责验证。

　　我们需要尽可能地加快这个生成—验证的循环，这样才能真正提高效率。

　　有两个主要策略可以实现这个目标：

　　加快验证速度。GUI非常关键。视觉界面能调动人类大脑「图像识别GPU」，而阅读文本费力又不直观。图形界面是直通大脑的高速通道。

　　牢牢地把AI控制在手上。很多人现在对「AI智能体」（agent）过于兴奋。但实际上，如果AI给软件repo提交了10,000行代码，那人类审查员就是最大瓶颈：还得逐行确保没有引入bug，没有安全问题等等。

　　在实际工作中，Karpathy总是害怕AI一次性给出太大改动。他追求的是高速、可控的协作循环。

　　最近，他读到了「与LLM合作的最佳实践」，认为很不错：

　　它强调「明确的提示语」（prompt）很关键；

　　如果提示太模糊，AI可能偏离预期，导致验证失败；

　　一旦验证失败，就要不断试错、反复循环；

　　所以花点时间写更明确、清晰的prompt，其实是提高效率的关键。

　　「AI战衣」：10年致富路

　　Karpathy非常喜欢钢铁侠的设定，它在许多方面都对技术的发展方向做了准确的预言。

　　他喜欢钢铁侠战衣的一点在于：

　　它既是一种增强（augmentation），主人可以亲自操控；

　　它也可以作为智能体（agent），在某些时候中它可以自己飞来找主人，自动完成任务。

　　这就体现了「自治滑块」(Autonomy Slider)：我们可以构建「增强型工具」（像战衣），也可以构建「自主代理」（像战衣自己飞行）。

　　我们想做的是「两者兼备」。比如，在LLM应用Cursor中，可以选择：

　　只用代码补全（全权掌控）；

　　选择某段代码，按Command+K改动一小部分；

　　修改整个文件（Command+L）；

　　或者放手让AI自由操作整个项目（Command+I）——这就是「全自治」模式。

　　再举一个成功的例子：Perplexity，具备Cursor类似的特性：汇总大量信息、在后台协调多个LLM、提供可供用户「审核」的GUI等。

　　它也有自治滑块：可以进行快速搜索、普通研究，或者更深入的研究，十分钟后返回结果。这些选项代表赋予工具的不同程度的自治权。

　　但目前，面对尚不完美的LLM，Karpathy更倾向于「钢铁侠战衣」式的AI系统：

　　少一些「独立运行的机器人」，多一些「增强型工具」；

　　少一些花哨但不可控的自动化演示，多一些实用、可审核的「部分自治」产品。

　　这些产品应该拥有专属的GUI和交互设计（UI/UX），确保人类可以快速生成与验证结果。

　　产品设计中应包含「自治滑块」，并思考如何逐步右移它，让产品变得越来越自主。

　　这将是未来十年巨大的机会所在。

　　互联网上的鬼魂

　　大致来说，他认为我们正在迎来一个新的数字信息消费者与操作者的时代。

　　过去，数字系统的用户只有两类：

　　终端用户通过GUI（图形界面）与系统互动；

　　程序通过API直接调用系统。

　　而现在，迎来了第三种实体：AI智能体（Agents）。

　　它们是计算机，但行为类似人类。它们就像「互联网的灵魂」，需要与软件基础设施交互。

　　那我们能不能为它们构建专属支持？

　　目前大量的文档都是为「人类」写的，里面包含各种列表、加粗、图片……这对LLM来说很难直接理解。

　　但Karpathy看到一些公司，比如Vercel和Stripe，已经开始提供专为LLM优化的markdown文档。

　　只要文档对AI友好，LLM就能真正变成「超级助教」甚至「自动操作员」。

　　当然，仅仅把文档变成markdown还不够。我们还得改变文档本身的写法。

　　比如Vercel就正在做这件事：把文档中所有「点击」操作，替换成相应的curl命令，这样LLM就可以自动化处理。还有像Anthropic的Model Context Protocol，提供了与代理沟通的一种标准化协议。这是一个值得关注的方向。

　　总之，我们需要让软件更易于被AI理解和操控。

　　虽然未来LLM也许能点击、能导航，但现在这些操作还成本高、效率低。我们应该主动迎合它们，以最低成本获得最大效益。

　　最后总结一下：

　　现在是进入软件行业的绝佳时机；

　　我们需要重写大量代码，也需要写适配AI的新代码；

　　LLM是新「操作系统」，就像1960年代的计算机；

　　大模型是「有缺陷的超级智能」，我们要学会与之合作；

　　在构建AI应用时，我们需要工具、范式和流程来高效协作；

　　我们也应该构建适合智能体直接使用的软件接口和文档结构。

　　软件3.0是趋势，更是机会。准备好与AI并肩作战了吗？

　　参考资料：

　　https://www.youtube.com/watch?v=LCEmiRjPEtQ