软件的革命：Andrej Karpathy 谈 AI 如何重塑开发范式

在最近的演讲中，前 Tesla AI 总监 Andrej Karpathy 指出，软件正经历根本性变革。过去 70 年软件变化甚微，但近年来经历了两次快速演变：从传统代码到神经网络权重，再到大型语言模型（LLM）的提示编程。这一转变不仅重塑开发方式，还让每个人都能通过自然语言参与编程，为行业带来前所未有的机遇。

软件范式的三次演变

Karpathy 将软件发展分为三个阶段：

• 软件 1.0（传统代码）：如 C++ 或 Python 编写的指令，直接控制计算机行为，代表 GitHub 上的大多数代码库。
• 软件 2.0（神经网络权重）：通过数据集训练神经网络权重（如 Tesla Autopilot 中的图像识别模型），而非直接编码。Hugging Face 成为这一范式的“新 GitHub”，权重文件通过优化器自动生成。
• 软件 3.0（LLM 提示）：用自然语言（如英语）编写提示（prompt）来编程 LLM。例如，情感分析任务可通过简短英语提示完成，无需传统代码或训练模型，标志着编程语言的根本变革。

在 Tesla 的 Autopilot 项目中，Karpathy 观察到软件 2.0 逐渐“吞噬”软件 1.0 的代码——神经网络接管了多摄像头信息处理等任务，导致传统 C++ 代码被删除。开发者需精通所有三种范式，根据任务需求选择合适方法。

LLM：新时代的操作系统

Karpathy 将 LLM 类比为 1960 年代的操作系统，其生态系统正快速形成：

• LLM 类似 CPU，上下文窗口（context window）充当内存，通过提示协调多模态工具（如文本、图像处理）。
• 封闭源提供者（如 OpenAI GPT、Gemini）与开源替代（如 Llama）并存，类似 Windows/Linux 的分化。
• 当前 LLM 计算昂贵，需云端集中化，采用时间共享（time-sharing）模式，类似于早期大型机。

与传统技术不同，LLM 的扩散方向“翻转”：政府和企业采用滞后，而消费者率先用于日常任务（如食谱查询）。这种“平民化”让数十亿用户一夜之间访问高级智能，但可靠性问题（如服务中断导致“全球智能降级”）凸显了基础设施挑战。

LLM 的心理学：优势与局限

LLM 的行为类似“人类精神模拟”，拥有独特认知特征：

• 优势：百科全书式知识（如记忆海量数据），在特定领域（如代码生成）表现超人类。
• 局限：易产生幻觉（hallucination）、知识不一致（如基本数学错误），且存在“顺行性遗忘”（anterograde amnesia）——无法像人类一样长期积累知识，需依赖上下文窗口管理。

安全风险如提示注入（prompt injection）和数据泄露也需关注。开发者必须设计工具来弥补这些缺陷，同时利用其超能力。

部分自治应用：人机协作的新范式

LLM 催生了“部分自治”应用，如 Cursor（代码助手）和 Perplexity（搜索工具），其核心是“自治滑块”（autonomy slider）：

• 用户可控制自治级别：从手动操作（如逐行编辑）到全自治（如代理自动重构代码）。
• GUI 界面是关键，它利用人类视觉能力快速审核 LLM 输出（如代码差异对比），加速“生成-验证”循环。
• 类比 Tesla Autopilot 和“钢铁侠战衣”，这些应用优先增强而非替代人类，避免过早追求全自治（因 LLM 不可靠）。

Karpathy 强调，自治需渐进：早期应聚焦“战衣式”增强工具，而非“机器人式”代理。例如，教育应用中，LLM 生成课程内容，但人类审核 syllabus 以确保质量。

Vibe 编码：自然语言开启全民编程

英语提示让非专业者也能编程，称为“Vibe 编码”（vibe coding）：

• 开发者通过自然语言描述需求，LLM 生成代码，如 Karpathy 用英语提示创建 iOS 应用，无需 Swift 专业知识。
• 这成为“入门毒品”，吸引新开发者（如儿童通过语音交互学习），但实际部署（如身份验证、支付集成）仍需传统开发技能。

工具如 GitHub 到 GitInspect 的转换，使代码库更易被 LLM 解析，支持这一趋势。

为 AI 代理设计软件基础设施

LLM 作为“数字信息新消费者”，需调整软件以适配：

• 文档优化：用 Markdown 替代 HTML（如 Vercel 和 Stripe），移除“点击”等人类指令，改用 curl 命令供 LLM 执行。
• 协议支持：如 Anthropic 的模型上下文协议（model context protocol），直接与代理通信。
• 工具整合：DeepSeek 或 GitInspect 将 GitHub 仓库转换为 LLM 友好格式，便于分析。

尽管 LLM 能模拟点击行为，但主动适配可降低成本错误率，尤其对长尾软件。

未来展望：从增强到自治的渐进过渡

Karpathy 总结，软件业正迎来“重写时代”，开发者需在三种范式中灵活切换。未来十年，自治滑块将从“人主导”滑向“代理主导”，但人类监督不可或缺。类比 1960 年代操作系统，LLM 生态仍处早期，充满创新机会——正如 Karpathy 所言：“我迫不及待与大家共同构建这一未来。”