大家好，这里是最佳拍档，我是大飞。2026年4月29日，在红杉资本举办的AI Ascent 2026大会上，安德烈·卡帕西（Andrej Karpathy: OpenAI前联合创始人，特斯拉前AI总监）用自己过去一年的真实开发体验和对技术演进的底层思考，拆解了从软件1.0到软件3.0的跃迁、智能体工程的崛起、AI能力的锯齿化缺陷以及人类在AI时代真正不可替代的价值。他甚至直言，作为一名写了十几年代码的顶级程序员，自己从未像现在这样感到落后。为何他会发出这样的感慨？今天我们就来一探究竟。
顶级AI专家为何也感到“落后”？
我们先从这个让他感到落后的真实体验说起。卡帕西说，自从Cursor这类智能体工具发布以来，他就一直在使用，持续了一年多的时间。最开始，这些工具只能写出一些简单的代码片段，偶尔还会出现逻辑错误，需要他手动修改和纠正。虽然能提升效率，但是能力有明显的天花板，他也只是把它当作一个辅助工具而已。
但是真正的转折点发生在2025年12月。那段时间他正在休假，有了更多自由时间去测试和使用这些工具。他突然发现，在最新一代大模型的加持下，智能体生成的代码片段质量已经达到了近乎完美的程度。不管他提出多么复杂的需求、多么细致的逻辑要求，模型的输出始终稳定、可靠、逻辑自洽。他自己都坦言，已经完全记不清上一次手动修改模型的输出是什么时候了。他开始毫无保留地信任这套系统。
也就是从这个时候开始，他正式开启了自己所说的氛围编程（Vibe Coding: 一种通过直觉和自然语言描述需求，由AI生成软件的开发模式）模式。这种转变带来的冲击是颠覆性的。卡帕西强调，去年很多人对AI的认知还停留在它是一个类似ChatGPT的对话工具，只能用来问答、写文案或者修改代码片段。但是从2025年12月开始，底层逻辑已经发生了根本性转移。AI不再是单一的工具辅助，而是基于智能体的、连贯完整的工作流，真正实现了稳定落地。
这种认知的刷新，让他彻底沉迷其中，开启了无数个业余项目。他的项目文件夹里全是靠氛围编程快速实现的随机实验。像这样一个站在AI行业最顶端的人，都因为技术的快速迭代而产生落后感，这恰恰说明我们正在经历的不是一种渐进式的优化，而是彻底的范式革命。如果你还在用几年前的思维看待AI编程或者看待软件开发，那么可能真的很快要被时代甩在身后了。
软件范式跃迁：从1.0到3.0的本质转变
接下来，卡帕西聊到了从软件1.0到软件3.0的三代范式跃迁。这不仅是他整个思考体系的基石，也是理解未来软件开发和计算架构的关键。很多人听过软件1.0和2.0，但是对软件3.0的认知依然模糊。卡帕西在这次专访里给出了一个非常清晰的定义，他明确提出大语言模型本质上是一种全新的计算机，它不是更好的软件，而是一种全新的计算范式。
我们先回顾前两代软件范式，就能清晰感受到跃迁的幅度。 软件1.0时代是最传统、我们最熟悉的时代，核心是人类手工编写显式的规则代码。不管是C++、Java还是Python，开发者需要把问题拆解成一步一步的逻辑，精确到每一个变量、每一个判断条件、每一行执行语句。机器只是被动执行人类写好的规则。这个时代，编程的核心是人的逻辑表达能力，代码就是唯一的生产资料。
然后是软件2.0时代，这个时代的核心是训练神经网络的权重。编程不再是手写规则，而是创建数据集、定义目标函数以及选择神经网络架构，让模型在数据中自主学习。比如图像识别、语音翻译、早期的自动驾驶模型都是软件2.0的产物。这个时代，开发者的工作重心从写代码变成了整理数据、设计损失函数、调优网络结构。代码只是辅助工具，数据和模型训练才是核心。卡帕西作为前特斯拉AI总监，正是软件2.0时代的核心推动者，他最清楚这个范式的优势与局限。
而我们现在正在全面进入的就是软件3.0时代。卡帕西给出的定义是，当我们在足够庞大的任务集上用整个互联网的数据去训练GPT这类大语言模型时，模型被迫在所有领域进行多任务处理，从本质上变成了一台可编程的通用计算机。在软件3.0时代，编程的本质已经彻底变了，不再是手写代码，也不是单纯训练模型，而是提示词编程（Prompting: 通过自然语言指令与大模型交互，驱动其完成任务的编程范式）。你在模型上下文窗口中输入的内容，就是你操控这台新型计算机的杠杆。大模型会解析你的上下文意图，在数字信息空间里自主执行计算并完成任务。这就是我们正在经历的、不可逆的范式转移。
软件3.0的颠覆性应用案例与未来计算架构
为了让大家真正理解软件3.0到底意味着什么，卡帕西举了两个真实的案例。这两个案例直接证明，旧范式下的大量工作、大量应用在软件3.0时代根本不应该存在。
第一个案例是OpenClaw的安装。在传统的软件1.0范式里，安装一个跨平台软件需要编写复杂的bash脚本或Shell脚本，因为要适配Windows、macOS、Linux等不同系统，还要兼容各种硬件环境、依赖库。这些脚本会变得无比臃肿、复杂，稍有不慎就会安装失败。开发者需要死抠每一个环境配置细节。但是在软件3.0范式里，OpenClaw的安装被设计成一段简单的文本。你只需要把这段文本复制粘贴给你的智能体，剩下的所有工作都由智能体完成。它会自主分析你的运行环境、硬件配置、依赖缺失，自动采取行动完成安装，还能在过程中闭环调试，遇到问题自己修复。你不需要懂任何Shell脚本，不需要配置任何环境变量，只需要给出正确的文本指令，任务就能完成。这就是软件3.0的魅力，编程的核心变成了找到正确的文本片段，交给智能体执行。
第二个案例更极端，是卡帕西自己开发的MenuGen项目。这个项目的初衷是解决食客看不懂无配图餐厅菜单的问题。最开始，他用传统范式开发了一个完整应用，用户上传菜单照片，软件在Vercel上运行OCR识别菜名，调用图像生成器匹配菜品图片，最后重新渲染出一份带图的视觉菜单。这个流程涉及前端、后端、OCR、图像生成、部署等一系列开发工作，是标准的软件1.0+2.0混合模式。
但是后来他开发了MenuGen的软件3.0版本。这个版本没有任何独立应用。用户只需要拍一张菜单照片，发给Gemini，指示它用NanoBanana把菜品图片覆盖到菜单上，然后NanoBanana返回的图像就是直接渲染好菜品图片的原菜单。卡帕西说，看到这个版本的那一刻，他意识到自己之前做的所有开发工作全都是多余的，那些个传统应用根本就不该存在。软件3.0的范式要原始和直接得多，神经网络承担了99%的工作，输入是你的提示词或上下文，输出就是最终结果，中间完全不需要套一个独立的App。
这给所有开发者和产品人敲响了一个警钟：我们不能再用旧思维把AI当作现有流程的加速工具，而是要意识到AI带来了全新的可能性。很多我们现在觉得必须做的应用、必须写的代码、必须搭建的系统，在软件3.0时代都是冗余的。我们的关注点不应该是如何把现有工作做得更快，而是去寻找那些旧范式下根本无法实现的新机遇。这才是AI时代最激动人心的部分。
沿着软件3.0的逻辑继续推演，卡帕西给出了一个更大胆、更底层的未来图景：神经网络将彻底主导计算机，现有的计算架构完全反转。他回顾了计算机的发展历史，上世纪50、60年代，人们不确定计算机最终会变成经典计算器还是神经网络机器。最终我们走上了计算器的路径，构建了以CPU主导的经典计算架构。现在的神经网络只是虚拟化运行在这些计算机之上。但是未来，这种格局会彻底颠倒，神经网络会成为宿主进程（Host Process: 负责管理和协调其他进程或任务的中央控制程序），CPU则会退化成类似协处理器（Coprocessor: 辅助主处理器执行特定计算任务的芯片）的角色，只负责处理一些确定性的辅助任务。现在已经有数据预测，用于神经网络的智能算力将会占据全球总算力的绝对核心，FLOPS的主力消耗都会集中在神经网络上。
我们可以构想一个完全陌生的新架构：神经网络会承担所有核心的、复杂的、非结构化的信息处理工作。工具调用只是处理特定确定性任务的历史遗迹，而真正主导全局的是交织联网的神经网络。甚至连交互界面都不再是固定的UI设计，而是把原始视频输入设备由扩散模型（Diffusion Models: 一类生成模型，能从噪声中逐步还原出图像等数据）实时渲染专属的即时交互界面。这个图景听起来很科幻，但是卡帕西坚信我们会一步一步抵达这个未来。这不是空想，而是软件3.0范式演进的必然结果。
模型能力的“锯齿状”缺陷与可验证性的核心逻辑
讲完计算范式与未来架构，我们进入这场专访另一个非常有价值的部分：模型的可验证性。首先，卡帕西发现当前AI的自动化能力在不同任务之间表现得极度不均衡，呈现出了明显的锯齿状，比如在一些领域登峰造极，在另一些领域却极其笨拙。他明确指出，造成这种锯齿状能力的核心原因就是可验证性（Verifiability: 指模型输出结果是否能被明确、客观地验证和量化评估），再叠加前沿AI实验室的预训练数据分布和强化学习环境设计。
他解释道，传统计算机只能自动化你能够明确定义的事物，而新一代大语言模型能够自动化你能够验证的事物。前沿实验室在训练大语言模型时会使用庞大的强化学习环境，模型只要给出能通过验证的结果，就会获得奖励。在代码、数学、逻辑推理这些高可验证性领域，验证机制清晰、奖励函数明确，实验室愿意投入海量算力和数据去强化训练，所以AI在这些领域的能力极强，自动化速度远超人类想象，甚至在某些领域已经碾压人类顶级专家。
但是在缺乏明确验证机制、偏向常识、生活决策和模糊判断的低可验证性领域，AI的表现就会极其粗糙，出现各种荒诞的错误。卡帕西举了两个经典的例子。第一个是早期模型连“strawberry”有多少个字母都数不清，虽然现在已经修复，但是新的荒诞问题依旧不断出现。第二个例子更讽刺：一个能重构十万行代码、挖掘漏洞的顶级模型，被问到想去50米外的洗车店洗车，开车还是走路，竟然建议走路去，完全忽略洗车需要把车开过去这个基本常识。
这种能力的割裂感让很多人都感到困惑。而卡帕西给出的底层解释是，AI模型本质上是统计模拟回路，基座是预训练的概率统计，强化学习只是后期打上的补丁。它们没有生物智能的内在动机、好奇心和自我驱动，不会像人类一样通过实践形成常识体系。我们完全受制于实验室的决策：他们往数据里灌了什么、为哪些领域设计了强化学习环境，模型就在哪些领域表现优秀。如果你的应用场景不在实验室预设的数据分布或者强化学习回路里，模型就会举步维艰。这也是为什么AI是一个没有说明书的强大工具，我们必须亲自摸索它的能力边界，时刻保持人在回路（Human-in-the-loop: 指在自动化系统中保留人类参与，以监督、干预或决策）把它当作辅助工具，而非完全信任的自主决策者。
基于可验证性的逻辑，卡帕西给台下的创业者们给出了一个非常务实的建议。他说，即便前沿实验室没有聚焦你的领域，只要你身处可验证性强的领域，就可以自主构建强化学习环境和样本案例，为模型做微调（Fine-tuning: 在预训练模型基础上，使用特定数据集进行进一步训练以适应特定任务）。这会为你带来巨大的红利，因为可验证性意味着你可以投入算力，建立清晰的反馈闭环，然后快速炼出效果出色的专属模型。他暗示有很多价值连城的强化学习环境还没有被充分挖掘，这是创业者的巨大机会。
而关于自动化的终极问题，卡帕西给出了一个大胆的结论：理论上，所有事情皆可自动化，只是存在难易程度的差异。即便写作、设计这类看似主观的工作，也可以通过建立大模型评审委员会和验证机制，实现高质量的自动化输出。不存在绝对铁饭碗的工作，只有自动化难度高低的区别。但是反过来，自动化速度的快慢完全由可验证性决定，高可验证性领域会以超乎想象的速度被AI重构。
从氛围编程到智能体工程：软件开发的新范式
接下来，卡帕西在这次专访里提出了一个取代氛围编程的全新概念：智能体工程（Agentic Engineering: 一门更严谨、专业的学科，旨在在保持软件质量标准前提下，通过智能体实现极致开发效率）。很多人应该还记得，2025年卡帕西提出了氛围编程，这个词迅速火遍全球。氛围编程的核心是抬高每个人在软件开发上的能力底线，让不懂代码的普通人也能凭直觉、用自然语言描述需求，让AI生成可用的软件，实现自己的创意。它降低了创作门槛，让更多人能参与软件创作，这是它的巨大价值。
但是氛围编程走到今天，已经出现了明显的局限性。它只追求“做出来”，不追求“做得好、做得稳、做得安全”。在专业的生产环境中，氛围编程的产物可能存在漏洞、性能隐患和逻辑混乱，无法满足企业级软件的质量要求。于是，卡帕西正式提出，在氛围编程之上诞生了一门更严谨、更专业的学科，这就是智能体工程。
他清晰区分了两者的差异：氛围编程是抬高下限，让每个人都能做软件；智能体工程是守住上限，在保持专业软件开发质量标准、架构品位和逻辑自洽的前提下，实现极致的效率。智能体工程之所以叫工程，因为它是一门有体系、有标准、可学习的专业学科，不是凭感觉的即兴创作。在智能体工程的范式里，开发者99%的时间不再直接写代码，而是统筹智能体、监督智能体以及把控全局。智能体是能力参差不齐、带有随机性但是又极其强大的AI实习生。它们可以完成代码填充、API调用、细节调试、文档撰写等所有琐碎工作。但是人类必须负责顶层设计、质量把关和逻辑校验。核心问题不是能不能更快开发，而是如何在不牺牲质量的前提下更快开发。这正是智能体工程的核心价值。
卡帕西甚至断言，智能体工程会彻底颠覆“10倍工程师”的概念。过去我们认为10倍工程师是效率巅峰，但是在智能体工程时代，精通智能体统筹、系统设计和质量把控的开发者，效率会超越传统10倍工程师无数倍。一个熟练掌握智能体工程的开发者，可以顶得上过去一个中小型开发团队的产能。这不是夸张，而是软件3.0范式下的必然结果。
同时，卡帕西也指出了AI原生开发者与传统开发者的本质区别。他说，两者的差异不在于年龄、学历或者经验，而在于是否极致榨取工具的价值，能否深度优化开发环境。就像过去的顶级工程师会把Vim、VS Code用到极致一样，现在的AI原生开发者会把Claude Code、Codex、Cursor等工具的所有特性用到极致，持续调优自己的开发环境、提示词体系和智能体工作流。而传统开发者只是把AI当作辅助工具，没有真正融入自己的开发范式，效率差距会越来越大。这种差异甚至会彻底改变科技行业的招聘逻辑。卡帕西直言，现在大多数公司的招聘流程还停留在旧的时代，面试还在考算法题或者手写代码，这完全没有意义。
未来的招聘，应该直接抛给候选人一个大型实战项目，比如为智能体搭建一个高安全、高质量的Twitter克隆版，让智能体模拟用户活动，再用10个大模型去攻击和寻找漏洞，观察候选人如何驾驭智能体、如何把控系统质量、如何解决实际问题。这才是企业真正需要的能力，而不是死记硬背算法知识点。
AI时代人类不可替代的核心价值：理解力与顶层设计
接下来，我们来到了整场专访最有温度、最关乎每个人的部分：AI时代，人类不可替代的核心价值到底是什么？卡帕西给出了一个非常明确且坚定的答案，那就是人类必须牢牢掌控系统规格、高层架构、审美判断和逻辑正确性。而琐碎的API细节、代码填充、语法调试和文档整理，完全可以交给智能体这个AI实习生来做。他自己早就不再死记PyTorch、NumPy、Pandas之间的API差异，不再纠结各种琐碎的语法，因为这些工作交给AI，准确率和效率都远超人类。
但是人类绝对不能放弃对底层原理的理解、对系统架构的把控以及对逻辑品位的判断。他举了一个MenuGen的真实bug案例：智能体在写代码时，试图通过比对Stripe和Google的邮箱地址来分配用户额度，而没有设计持久的用户ID。但实际中邮箱是可以随意填写的，两个平台完全可以用不同邮箱，这种设计会导致资金关联失败，出现严重的逻辑漏洞。这就是智能体的局限性：它们能够完成细节工作，但是缺乏全局逻辑、产品思维和底层判断。而人类的价值，就是拍板必须用唯一用户ID来关联所有的数据，把控系统的顶层设计，避免这种荒诞的逻辑缺陷。
卡帕西在专访最后说出了一句将来也许会成为经典的话：你可以外包你的思考，但是永远无法外包你的理解。换句话说，AI可以帮你思考细节、完成计算、生成内容或者编写代码，它是思考的放大器和执行者。但是它永远无法替代你对事物本质的理解、对系统逻辑的洞察以及对价值方向的判断。当你缺乏理解力时，你就无法指挥智能体，无法判断输出是否正确，无法把控系统架构，你会成为AI的附庸，而不是驾驭者。在智能变得越来越廉价的时代，人类的理解力，才是唯一的瓶颈，也是最核心的竞争力。
AI的本质：幽灵而非动物，以及智能体原生世界的未来
为了让大家更理性地看待AI，卡帕西还提出了一个非常深刻的隐喻：大语言模型是幽灵，而不是动物。很多人会下意识地把AI当作有生命、有情绪，甚至有动机的动物，对它产生情绪化的期待。比如对着它大吼大叫、期待它理解人类的情感、期待它能像人类一样主动学习。但是卡帕西强调这是完全错误的认知。大语言模型本质上是基于统计概率的模拟回路，基座是海量数据的预训练，强化学习只是后期的补丁。它没有生物智能的内在驱动、好奇心、情感和自我意识。它是被人类用提示词召唤出来的统计实体。你对它情绪化，不会改变它的输出；你期待它主动思考，它也做不到。
通过建立“AI是幽灵而非动物”的认知框架，能让我们更理性地构建、部署、评估、信任模型，避免不合理的期待，也避免不必要的恐惧。这不是哲学思辨，而是能直接提升我们使用AI效率、降低风险的一种实用认知。
最后，卡帕西描绘了智能体原生世界的未来。这是软件3.0与智能体工程演进的终极形态。他说，我们现在的所有基础设施都是为人类设计的：文档是写给人看的，界面是给人操作的，流程是为人设计的。但是未来，一切都要重写，全面转向智能体原生（Agent-native: 指系统、应用或基础设施从设计之初就优先考虑智能体的交互和自动化能力）。
智能体原生的核心逻辑是优先向智能体下达指令，围绕模型可读的数据结构，构建全球自动化网络。我们不再需要一步步的人工操作指南，而是需要能直接复制粘贴给智能体的指令片段。我们不再需要为人类设计复杂的部署流程，而是让智能体自主完成部署、配置、调试和维护。比如他梦想的场景是这样的：只需要给大模型一句提示词，比如说“帮我构建并部署MenuGen”，智能体就能自主完成所有的开发、部署、DNS配置和服务串联，人类完全不用插手。这就是检验基础设施是否是智能体原生的试金石。
在这个未来里，每个人、每个组织都会拥有专属的智能体化身。你的智能体会和别人的智能体自主沟通、协商会议细节、完成任务协同、处理事务对接。人类只需要给出顶层意图，剩下的工作都由智能体之间的协作完成。这不是遥远的科幻，而是正在发生的趋势，也是所有科技从业者和创业者最值得期待的未来。
而关于教育与学习，卡帕西的答案回归到了最本质的点：当智能变得廉价时，我们最值得深度学习的应该是理解力。AI是理解力的放大器，但是真正的理解只能发生在人类的大脑里。你是整个系统的最终决策者，你决定要构建什么、为什么值得做以及如何指挥智能体。你的理解力决定了你能驾驭多大的价值和多大的系统。
好了，以上就是本期视频的全部内容了，感谢收看，我们下期再见。