OpenAI联创Karpathy访谈：LLM是新型计算机，所有东西都必须「重写」

Andrej Karpathy：从“氛围编程”到“智能体工程”

OpenAI联合创始人Andrej Karpathy近期提出了一个足以重塑行业认知的观点：大语言模型正在演变为一种“新型计算机”，并从根本上改变整个计算架构。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

4月29日，这位曾主导特斯拉Autopilot开发、在OpenAI举足轻重的AI领军人物，在AI Sent主办的活动上，深入剖析了当前以智能体（Agent）为核心的技术跃迁，及其对软硬件生态即将带来的深远影响。

Karpathy分享道，从去年12月开始，他清晰地意识到，以智能体为核心的工作流已经真正进入可用阶段。这一转变，标志着所谓的“软件3.0”时代不再是概念，而是实质性地到来了。

他的判断非常直接：许多人对AI的认知可能还停留在去年的ChatGPT，但你必须重新审视，尤其是从去年12月之后——事情已经发生了根本性的变化。

为此，他提出了“智能体工程”这一新概念，用以区别于他去年提出的“氛围编程”。前者意味着在专业软件开发中，对质量标准的一脉相承与开发速度的指数级加速。

他更直言不讳地指出，大量现有的代码和应用程序在新范式下“本不应该存在”。而当前大多数组织的招聘流程、开发工具和基础设施，仍然是为人类而非为智能体设计的。

软件3.0的黎明：底层计算架构的权力交接

整个科技产业正站在一个从量变到质变的十字路口。

去年12月被视作一个关键转折点。Karpathy坦言，面对最新AI模型的表现，他经历了一次深刻的震撼：

系统生成的代码块越来越完美，我甚至记不清上一次需要手动修改它是什么时候。我只是越来越信任这个系统……这种感觉，让我从未觉得自己作为一名程序员如此“落后”。

这种冲击，源于计算范式的彻底碘伏。在Karpathy看来，市场目前可能远远低估了这一变化的深度。

他清晰地划分了三个阶段：我们正在告别“软件1.0（手动编写代码）”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，大语言模型本身就是一台“新型计算机”。

他解释道：现在的编程，变成了撰写提示词。而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，目的是让它在浩瀚的数字信息空间中执行计算任务。

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架构之上。但他认为，未来的主客关系将会反转：你可以想象，神经网络将成为主进程，而传统的CPU则退居为某种协处理器。绝大部分的繁重工作，都将由神经网络来承担。

这意味着，如今主导全球资本开支的“智能算力”，其战略核心地位将在未来进一步固化，甚至成为绝对的基石。

下一代基建：重构“智能体原生”生态

那么，当代码执行和编写逐渐被机器接管，人类的核心价值将体现在何处？未来的基础设施形态又将走向何方？

Karpathy的回答毫不含糊：所有的东西都必须被重写。

他提到，目前互联网上各种框架和库的说明文档，仍然是“为人类编写的”，这让他感到无比烦恼。

他抱怨道：为什么还要告诉我一步步该怎么做？我什么都不想做。我应该直接复制粘贴什么文本给我的AI智能体？

未来的巨大市场机会，恰恰在于构建“智能体优先”的基础设施。在那个世界里，系统被清晰地拆解为感知世界的“传感器”和改造世界的“执行器”；数据结构的设计要让大语言模型高度可读；机器智能体将代表个人和机构在云端进行高效交互。

在如此高度自动化的未来，人类的核心稀缺性将回归到那些机器难以复制的领域：审美、综合判断力，以及对商业本质最深层的理解。

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。

智能体工程：远超“10倍工程师”的产能大爆发

在提升生产力这个市场最关心的维度上，Karpathy明确区分了两个核心概念：“氛围编程”与“智能体工程”。

他指出，“氛围编程”极大地抬高了普通人开发软件的能力下限，而“智能体工程”则旨在维持甚至提升专业级软件开发的质量上限。

“智能体工程”不仅仅是追求速度。它要求开发者能够协调多个“虽然偶尔会出错、带有一定随机性，但能力极其强大”的AI智能体，在不牺牲代码质量的前提下全速推进项目。

这也将极大拓宽企业产出的想象边界。

Karpathy指出：“人们以前常谈论‘10倍工程师’。但现在，‘10倍’已经不足以形容你所能获得的提速了。可以确定的是，那些在这个新领域表现出色的人，其产能峰值远超10倍这个概念。”

面对这种生产力的爆发式增长，企业的组织架构和人才筛选逻辑也必须进行根本性重构。

他建议，企业应该抛弃传统的算法解题式面试，转而考察候选人如何利用多个AI智能体协同构建大型项目，甚至考察其系统能否抵御其他AI智能体的“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的能力分布呈现出一种极其怪异的“锯齿状”特征——在某些领域强得惊人，在另一些领域却显得幼稚。

他举了一个生动的例子：最先进的模型今天能同时重构一个10万行的代码库，或者寻找复杂的零日安全漏洞，然而它却可能建议你“步行去50米外的洗车店洗车”。这听起来简直有些疯狂。

产生这种割裂的原因在于，像OpenAI这样的前沿实验室，将海量的强化学习资源集中倾注在了“数学”和“代码”等领域。为什么是这些领域？因为它们的**结果易于验证和评分**。

因此，一个清晰的结论是：只要置身于结果可被清晰验证的商业场景中，AI就能发挥出巨大威力。

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”。这正是创业公司通过微调进行差异化竞争和实现商业变&现的巨大蓝海。

原视频链接

点击了解律动BlockBeats在招岗位

欢迎加入律动BlockBeats官方社群：

Telegram订阅群：https://t.me/theblockbeats

Telegram交流群：https://t.me/BlockBeats_App

Twitter官方账号：https://twitter.com/BlockBeatsAsia