Andrej Karpathy 的軟體革命宣言
本文深入解析 Andrej Karpathy 在 Sequoia AI Ascent 2026 的完整演講。Karpathy 提出 Software 3.0 範式——LLM 不是更快的工具，而是一種全新的電腦，程式設計從「寫程式碼」轉變為「寫上下文」。他以 Menu Gen 應用被一句 Gemini 提示詞取代的親身經歷，證明整個應用層可能不需要存在。他區分了 Vibe Coding（抬升地板，讓所有人都能寫程式）與 Agentic Engineering（拉高天花板，讓專業工程師 10 倍以上加速），並提出「可驗證性框架」解釋為什麼 AI 在數學和程式碼領域飛速進步，卻會叫你走路去 50 公尺外的洗車場。最深刻的洞見：理解力無法外包，這是人類在 AI 時代的最後壁壘。
要理解 Karpathy 在說什麼，你需要先理解軟體的三次根本性轉變。這不是版本升級，而是計算範式的本質改變。
從 1950 年代到今天依然佔主導地位。工程師用 C、Python、Java 等語言，一行一行寫出精確的指令。電腦嚴格執行，沒有任何「理解」。你要它做什麼，你必須精確地告訴它每一步該怎麼做。
Karpathy 在 2017 年提出這個概念。核心轉變：程式設計不再是寫程式碼，而是整理數據集和設計訓練目標。你不告訴電腦怎麼識別貓，你給它 100 萬張貓的照片，讓神經網路自己學會。程式設計師變成了數據策展人和神經網路架構師。
這是 2025-2026 年正在發生的事。Karpathy 在演講中說得很直白：
他用 OpenClaw（一個 AI 編程工具）的安裝流程舉例：傳統思維下，你會期望一個 shell script 來安裝它。但 shell script 在面對不同平台、不同電腦配置時會變得極其複雜。而在 Software 3.0 範式下，安裝方式變成了一段文字描述，你把它複製貼上給你的 AI agent，agent 會根據你的環境、你的電腦，智能地執行安裝、調試錯誤、直到一切正常運作。
三個時代的核心差異不是速度，而是抽象層級的躍遷。
每一次躍遷，人類需要控制的細節減少一個數量級，但需要的判斷力和理解力卻增加一個數量級。
Karpathy 分享了一個讓他自己都震驚的例子。他花了大量時間 vibe coding 出一個叫 Menu Gen 的應用程式——拍餐廳菜單照片，OCR 辨識菜名，用圖像生成器產生每道菜的圖片，部署在 Vercel 上。一個完整的 Software 1.0 + 2.0 混合體。
然後他看到了 Software 3.0 版本：直接把菜單照片丟給 Gemini，一句話指令，AI 就在原始照片上渲染出每道菜的圖片。不需要應用程式，不需要後端，不需要部署。
Software 3.0 不是讓你更快地寫程式，而是讓某些程式根本不需要存在。這對所有 SaaS 創業者是一個生存級別的警告：你的應用程式是否只是在兩個 LLM 能力之間做膠水？如果是，你的護城河就是零。
Karpathy 在 2025 年初創造了「Vibe Coding」這個詞，而到了 2026 年的 Sequoia 舞台上，他回顧了這個概念的演進。
他描述自己的親身經歷：2025 年 12 月是一個明確的轉折點。在此之前，AI 編程工具寫的程式碼「有時候會出錯，你得修改」。但到了 12 月，搭配最新的模型，「程式碼就是正確的，我繼續要求更多，它繼續正確，我想不起來上次修正是什麼時候了」。
然後他就開始 vibe coding 了——全場笑聲。
關鍵詞：地板。Vibe coding 讓完全不懂程式設計的人也能創造軟體應用。一個行銷人員可以做出一個數據儀表板；一個設計師可以做出一個互動原型；一個退休教師可以做出一個個人知識庫。這是民主化，是普及，是地板的整體抬升。
但 Karpathy 話鋒一轉，指出 vibe coding 也有其黑暗面：
Vibe Coding 解放了「做」的門檻，但並沒有降低「做好」的門檻。任何人都能用 AI 寫出一個能跑的網站，但要寫出一個安全、高效、可維護的系統，依然需要深厚的工程理解。這就是為什麼需要 Agentic Engineering。
如果 Vibe Coding 是抬升地板，那 Agentic Engineering 就是拉高天花板。Karpathy 明確區分了這兩者：
軟體業長期有「10x 工程師」的說法——頂尖工程師的生產力是普通工程師的 10 倍。Karpathy 認為在 agentic 時代，這個差距被進一步放大：
Karpathy 描述了他心目中的 agentic engineer：
Karpathy 直言，大多數公司的招聘流程還停留在舊範式：
能力差距的新維度。在 agentic 時代，工程師之間的差距不再是「寫程式碼的速度」，而是「指揮 AI 的能力」。同樣使用 Claude Code，一個人可能只是讓 AI 寫單一函數，另一個人可能同時指揮 15 條並行工作流完成整個系統。後者的生產力可能是前者的 100 倍。這對公司的組織設計、薪資結構、績效評估都是根本性的挑戰。
這是 Karpathy 演講中最具分析深度的部分。他提出了一個簡潔而強大的框架來理解 AI 能力的不均勻分布：
傳統電腦能輕鬆自動化「你能用程式碼指定的事」。LLM 能輕鬆自動化「你能驗證輸出的事」。
自動化速度 = f（可驗證性 + 實驗室關注度）
Karpathy 用了一個讓全場爆笑的例子：
為什麼會這樣？Karpathy 的解釋是雙重因素：
前沿實驗室在訓練 LLM 時，本質上是在做大規模強化學習（RL）。RL 需要「驗證獎勵」——你做對了，得到正回饋；做錯了，得到負回饋。在程式碼領域，驗證是天然的：測試通過就是對，編譯失敗就是錯。在數學領域也一樣：答案對就是對，錯就是錯。
但「50 公尺外的洗車場該開車還是走路」？怎麼驗證？沒有測試可以跑，沒有明確的對錯——只有常識。而常識恰恰不在 RL 的訓練分布中。
Karpathy 揭示了一個重要但少有人討論的事實：AI 的能力分布不只取決於技術，還取決於實驗室選擇關注什麼。他舉了 GPT-3.5 到 GPT-4 西洋棋能力大幅提升的例子——不是因為模型整體變強了，而是因為「有人在 OpenAI 決定把大量西洋棋數據加入預訓練集」。
| 領域 | 可驗證性 | AI 自動化速度 | 原因 |
|---|---|---|---|
| 程式碼 | 極高 | 極快 | 測試通過 / 編譯成功 |
| 數學證明 | 極高 | 極快 | 形式化驗證 |
| 法律文件 | 中高 | 快 | 判例、法規可交叉驗證 |
| 寫作 | 中 | 中 | 可用 LLM 評審團，但主觀性高 |
| 設計美學 | 低 | 慢 | 沒有美學的 RL 獎勵函數 |
| 常識判斷 | 極低 | 極慢 | 「走 50 公尺去洗車」無法驗證 |
如果你能為你的領域創造可驗證的 RL 環境，你就擁有了一個技術槓桿。即使前沿實驗室沒有關注你的領域，你也可以通過自己的微調（fine-tuning）和 RL 環境，讓 AI 在你的垂直領域達到專家水準。Karpathy 暗示他知道這樣的機會存在，但不願在台上透露具體是什麼——「我不想 vague post」，但全場都笑了。
Karpathy 的演講主要是概念框架層面的，但在同一場 Sequoia AI Ascent 2026 會議上，Claude Code 的創造者 Boris Cherny 的實踐案例完美地印證了 Karpathy 的理論。
Boris Cherny 在會議上分享了他如何使用 Claude Code 工作：一個工程師同時指揮 10 到 15 條並行的 AI 工作流。這不是理論，而是每天的實際工作狀態。
Karpathy 和 Cherny 的實踐都指向同一個結論：context（上下文）是 Software 3.0 時代的程式碼。
過去，工程師投資時間在精通一門程式語言的語法和框架。現在，最高回報的投資是：
Karpathy 甚至說，他在使用第三方函式庫時最大的挫折不是程式碼複雜，而是「文件還是寫給人看的」：
當文件的目標讀者從「人類開發者」變成「AI agent」時，整個開發者工具鏈都需要重寫。這對 DevTools 生態系是一個萬億級別的重建機會——從 CLI 到 API 文件到部署流程，一切都要變成「agent-native」。
整場演講最深刻的一刻，發生在最後關於教育的問題。主持人問：當智能變得便宜，什麼還值得深入學習？
Karpathy 引用了一條讓他「每隔一天就會想一次」的推文：
然後他展開了深入的解釋：
這不是文字遊戲。Karpathy 區分了兩種認知活動：
Karpathy 還討論了他寫過的一篇文章——「我們不是在培育動物，我們是在召喚幽靈」。動物（生物智能）是由演化塑造的——有好奇心、有動機、有生存本能。AI（幽靈智能）是由數據和獎勵函數塑造的——沒有內在動機，沒有好奇心，沒有同理心。
他坦承這個框架「可能只是在哲學化」，但核心信息很實際：不要把 AI 當動物對待。對它們吼叫不會讓它們工作得更好或更差。它們是統計模擬迴路——預訓練是統計基底，RL 是錐形突起。
理解力是人類在 AI 時代的最後壁壘，因為理解力不可驗證。
RL 只能改善可驗證的能力。理解——什麼是美、什麼值得做、什麼是對的方向——沒有簡單的驗證函數。這正是 Karpathy 可驗證性框架的終極推論：AI 改善最快的地方，恰恰是人類最不需要的地方（因為 AI 已經夠好了）；AI 改善最慢的地方，恰恰是人類最被需要的地方。
古騰堡印刷機讓抄寫員失業。但它沒有取代作者——它取代的是複製內容的人，而不是創造內容的人。作者的價值反而因為分發成本降低而暴增。
VisiCalc 和 Lotus 1-2-3 消滅了大量會計文書工作。但 CFO 的需求不減反增——因為當計算變得瞬間完成，決策的價值就凸顯了。
電腦輔助設計取代了手工繪圖員。建築師沒有消失——他們的設計能力被放大了 10 倍。消失的是「把設計師的草圖轉成精確圖紙」的人。
柯達在 2012 年破產。膠卷沖洗師、暗房技師全部消失。但攝影師不但沒消失，還因為 Instagram 等平台而迎來黃金時代。消失的是介質，不是眼光。
AI 正在取代「寫程式碼的人」。但就像每一次工具革命——消失的是執行層，留下的是理解層。
每次工具革命的公式都一樣：執行成本→趨近於零，判斷價值→趨近於無限。在印刷時代，判斷是「寫什麼」；在電子表格時代，判斷是「算出來之後怎麼決策」；在 Software 3.0 時代，判斷是「讓 AI 做什麼」以及「AI 做出來的東西是否正確、是否值得」。Karpathy 的「理解不能外包」，就是這個歷史規律在 AI 時代的最新表達。
如果一個 agentic engineer 的生產力超過 10 倍，那一個 5 人的 agentic 團隊可能等同於過去 50-100 人的團隊。這不是遙遠的未來——Boris Cherny 已經在日常實踐。企業主需要問自己：我需要的是 50 個 coder，還是 5 個 agentic engineer？
Karpathy 明確說了：出小題目考演算法是舊範式。新的招聘應該是：給大型專案，看候選人如何指揮 AI 完成。評估維度從「你能不能解這個問題」變成「你能不能指揮 AI 解出安全、高效、可維護的方案」。核心考察的是判斷力、品味、和系統設計能力——不是背 API 的能力。
Menu Gen 悖論對每個 SaaS 創辦人都是當頭棒喝。問自己：我的產品是否只是兩個 AI 能力之間的膠水？如果 AI 可以直接從輸入到輸出，你中間那層應用就沒有存在的必要。真正的護城河是：
Karpathy 的願景很清晰：未來所有的文件、API、工具都應該是「agent-first」——先為 AI 設計，再為人類設計。這是一個巨大的基礎設施重建機會。Karpathy 的理想是：「給 LLM 一個 prompt，說『建造 Menu Gen』，然後我不需要碰任何東西，它就部署到網路上了。」離這個理想還很遠，但方向已經確定。
如果 Karpathy 的判斷正確——「一切最終都可以被自動化」——那對企業主來說，窗口期就是 AI 還不擅長你的領域的這段時間。利用這段時間：
Karpathy 的演講不是預言，而是描述。他描述的不是「將來可能發生什麼」，而是「已經在發生什麼」。
讓我們回顧他在這場演講中畫出的清晰圖景：
最後，Karpathy 在離開舞台前的最後幾秒鐘，給出了他對教育的看法——那些增強理解力的工具，才是最有趣、最令人興奮的方向。他自己的 LLM 知識庫專案就是這個方向的實踐：不是讓 AI 代替你理解，而是讓 AI 幫你從不同角度「投射」資訊，讓你獲得更深的洞見。
在 Software 3.0 時代，贏家公式已經改變。
舊公式：最好的工程師 + 最好的程式碼 = 贏
新公式：最深的理解 + 最好的 AI 指揮能力 + 最強的可驗證性設計 = 贏
Karpathy 沒有說程式設計師會消失。他說的是：「寫程式碼」這個動作會消失，但「理解系統」這個能力會變得比以往任何時候都更有價值。
你可以外包你的思考。但你無法外包你的理解。
那你今天，理解了什麼？
系列主題：AGI 不是未來，是現在——而你只有 18 個月的窗口。