面对高度自动化未来，人类核心价值将回归审美、判断力与深层理解，「你可以外包思考，但无法外包理解」。

撰文：鲍奕龙

来源：华尔街见闻

OpenAI 联合创始人 Andrej Karpathy 在最新访谈中指出，大语言模型正作为「新型计算机」全面重塑计算架构。

4 月 29 日，曾一手主导特斯拉 Autopilot 开发、并在 OpenAI 具有举足轻重地位的 AI 领军人物 Andrej Karpathy，在由 AI Sent 主办的活动上，就当前 AI 代理的技术跃迁及其对软硬件生态的深远影响进行了深度拆解。

Karpathy 表示，自去年 12 月起，他开始意识到以代理为核心的工作流已真正可用，这一转变标志着 Software 3.0 时代的实质到来。他说：

很多人去年对 AI 的印象还停留在 ChatGPT，但你必须重新审视，尤其是从 12 月开始——事情已经发生了根本性变化。

他同时提出了「代理工程」（agentic engineering）这一新概念，以区别于去年他所命名的「氛围编程」（vibe coding），前者指的是专业软件开发中质量标准的延续与加速。

他直言，大量现有代码和应用程序在新范式下「不应该存在」，而当前多数组织的招聘流程、开发工具和基础设施，仍在为人类而非代理而设计。

软件 3.0 的黎明：底层计算架构的权力交接

科技产业正站在一个从量变到质变的十字路口。

去年 12 月是一个关键的转折点，Karpathy 坦言，面对最新的 AI 模型，他经历了深刻的震撼：

系统生成的代码块越来越完美，我甚至记不清上一次修改它是什么时候。我只是越来越信任这个系统......（这让我）从未感觉自己作为一名程序员如此落后。

这种冲击是计算范式的彻底颠覆。在 Karpathy 看来，市场目前低估了这一变化的深度。

他指出，我们正在告别「软件 1.0（写代码）」和「软件 2.0（整理数据集训练神经网络）」，正式迈入「软件 3.0」时代。

在这个新纪元里，大语言模型本身就是一台「新型计算机」。他说：

你现在的编程变成了写提示词，而在上下文窗口中的内容，就是你操控那个作为解释器的大语言模型的杠杆，让它在数字信息空间中执行计算。

更令市场瞩目的，是他对未来底层硬件架构演进的大胆预测。目前，神经网络仍以虚拟化的形式运行在现有的计算机上，但他认为未来这种主客关系将会反转：

你可以想象，神经网络将成为主进程，而 CPU 则变成了某种协处理器。神经网络将承担绝大部分的繁重工作。

这意味着，主导全市场资本开支的「智能算力」，其战略核心地位将在未来进一步固化。

下一代基建：重构「代理原生」生态

当执行和编码被机器接管，人类的核心价值和未来的基建形态将走向何方？

Karpathy 直言：

所有的东西都必须被重写。

目前互联网的各种框架和库的说明文档仍是「为人类编写的」，这让他感到无比烦恼。Karpathy 抱怨道：

为什么还要告诉我怎么做？我什么都不想做。我应该复制粘贴什么文本给我的 AI 代理？

未来的市场大机会在于构建「代理优先」的基础设施。

在这个世界里，系统被拆解为感知世界的「传感器」和改造世界的「执行器」，数据结构要让大语言模型高度可读，机器代理代表个人和机构在云端进行交互。

在如此高度自动化的未来，人类的核心稀缺性将回归到审美、判断力以及最深层的商业理解上。

Karpathy 引用了一句令他反复咀嚼的话作为总结：

你可以外包你的思考，但你无法外包你的理解。

代理工程：远超「10 倍工程师」的产能大爆发

在提升生产力这一市场最关心的维度上，Karpathy 区分了两个核心概念：「氛围编程（Vibe coding）」与「代理工程（Agentic engineering）」。

他指出，「氛围编程」抬高了全员开发软件的下限，而「代理工程」则旨在维持专业软件的质量上限。

「代理工程」不仅仅是提速，它要求开发者协调那些「有些易错、带有随机性但极其强大」的 AI 代理，在不牺牲质量的前提下全速前进。

这也将极大拓宽企业产出的想象空间。Karpathy 指出:

人们以前常谈论『10 倍工程师』，10 倍已经不足以形容你所获得的提速了。在我看来，那些在这个领域表现出色的人，其产出峰值远超 10 倍。

面对这种生产力爆发，企业的组织架构和人才筛选逻辑必须重构。

他建议企业抛弃传统的算法解题面试，转而考察候选人如何利用多个 AI 代理协同构建大型项目，并能抵御其他 AI 代理的攻击。

AI 商业落地的发力点

对于当前急于寻找 AI 应用落地场景的创业者和投资者，Karpathy 提供了一个极具实操性的评估框架：可验证性。

目前 AI 的能力呈现出一种极其怪异的「锯齿状」。他举例表示：

最先进的模型今天能同时重构 10 万行的代码库或寻找零日漏洞，然而却告诉我应该步行去 50 米外的洗车店洗车，这简直疯了。

产生这种割裂的原因在于，前沿实验室（如 OpenAI 等）将海量强化学习资源倾注在了「数学」和「代码」等结果易于验证的领域。

因此，只要置身于结果可验证的商业场景中，AI 就能发挥巨大威力。

Karpathy 暗示，市场上仍存在大量高价值，但尚未被头部实验室重点关注的可验证强化学习环境，这正是创业公司进行微调（Fine-tuning）和商业变现的巨大蓝海。