Karpathy 說,編程已經面目全非了
剛剛 Andrej Karpathy 在 X 上發了壹條長帖，聊了聊他最近對 AI 編程的感受。Karpathy 是誰就不用多介紹了，前 OpenAI 研究副總裁，前特斯拉 AI 總監，在整個 AI 圈子裡說話是有分量的。這條帖子發出來之後迅速引爆了討論，評論區裡各路大佬紛紛下場，有贊同的，有補充的，也有潑冷水的。我把整條帖子和評論區的精華都看了壹遍，覺得裡面有不少值得琢磨的東西，整理出來跟大家聊聊。
變化是突然發生的
Karpathy 開篇就說了壹句很重的話：過去兩個月，編程因為 AI 發生了巨大的變化。注意，他強調的是這個變化不是那種漸進式的、潤物細無聲的進步，而是集中在去年 12 月突然爆發的。在他看來，12 月之前，編程 Agent 基本上不好用；12 月之後，基本上好用了。模型的質量、長期連貫性和韌性都有了顯著提升，可以壹口氣啃下又大又長的任務。
這個判斷其實挺值得玩味的。我們平時總覺得技術進步是壹條平滑的曲線，今天比昨天好壹點，明天比今天好壹點。但 Karpathy 的感受是，有些變化是台階式的，某個臨界點壹過，體驗就完全不同了。這種感覺其實很多人在日常生活中也遇到過，比如學壹門技能，練了很久沒什麼進展，突然有壹天就開竅了。技術的演進有時候也是這樣，量變積累到壹定程度，質變就來了。壹個周末項目變成了 30 分鍾的事
為了說明變化有多大，Karpathy 舉了壹個自己的親身例子。他周末想給家裡的攝像頭搭壹個本地視頻分析面板，於是給 AI Agent 寫了壹段指令：登錄我的 DGX Spark，配置 SSH 密鑰，部署 vLLM，下載並測試 Qwen3-VL 模型，搭建視頻推理服務端點，做壹個基礎的 Web UI 面板，全部測試壹遍，用 systemd 設置開機自啟，給自己記筆記，最後給我寫壹份 Markdown 報告。
然後 Agent 就跑了大概 30 分鍾。中間遇到了好幾個問題，它自己上網查解決方案，壹個壹個解決，寫代碼，測試，調試，配置服務，最後交回來壹份報告，全部搞定。Karpathy 說他全程沒有碰任何東西。這件事如果放在叁個月前，輕輕松松就是壹個周末項目，現在變成了你啟動壹下然後去幹別的，30 分鍾後回來收結果。
這個例子的沖擊力在於它的具體。不是什麼抽象的概念，就是壹個實實在在的工程任務，從網絡配置到模型部署到前端界面到系統服務，全鏈路打通。叁個月前需要壹個周末，現在 30 分鍾。這個效率的躍遷已經不是提升百分之多少的問題了，是數量級的變化。
編程正在變得面目全非
基於這樣的體驗，Karpathy 做了壹個很大膽的判斷：編程正在變得面目全非。從計算機發明以來，編程壹直是人坐在編輯器前面敲代碼，這個時代結束了。現在你做的事情是啟動 AI Agent，用英語給它們分配任務，然後並行地管理和審查它們的工作。
他說，當前最大的機會在於不斷向上攀升抽象層級，搭建長期運行的編排系統，給它配好工具、記憶和指令，讓它幫你管理多個並行的代碼實例。頂級的 Agent 工程所能釋放的杠杆效應，現在感覺非常高。
這段話裡有壹個關鍵詞叫抽象層級。簡單來說就是，以前你是直接寫代碼的人，現在你是管理寫代碼的 Agent 的人，未來你可能是管理那些管理 Agent 的系統的人。每往上走壹層，你能撬動的產出就成倍增長。這個邏輯其實跟管理學裡的道理是相通的，壹個人能直接做的事情是有限的，但如果你能搭建壹個高效的團隊和流程，你的產出上限就被打開了。它並不完美，但已經夠顛覆了
Karpathy 也沒有壹味地吹。他很坦誠地說，這個東西並不完美，它需要高層次的方向指引、判斷力、品味、監督、迭代，以及提示和想法。在某些場景下效果好很多，尤其是那些需求明確、可以驗證和測試功能的任務。關鍵在於培養壹種直覺，知道怎麼把任務拆解得恰到好處，把適合交給 Agent 的部分交出去，自己在邊緣地帶幫忙補位。
[加西網正招聘多名全職sales 待遇優]
好新聞沒人評論怎麼行，我來說幾句
變化是突然發生的
Karpathy 開篇就說了壹句很重的話：過去兩個月，編程因為 AI 發生了巨大的變化。注意，他強調的是這個變化不是那種漸進式的、潤物細無聲的進步，而是集中在去年 12 月突然爆發的。在他看來，12 月之前，編程 Agent 基本上不好用；12 月之後，基本上好用了。模型的質量、長期連貫性和韌性都有了顯著提升，可以壹口氣啃下又大又長的任務。
這個判斷其實挺值得玩味的。我們平時總覺得技術進步是壹條平滑的曲線，今天比昨天好壹點，明天比今天好壹點。但 Karpathy 的感受是，有些變化是台階式的，某個臨界點壹過，體驗就完全不同了。這種感覺其實很多人在日常生活中也遇到過，比如學壹門技能，練了很久沒什麼進展，突然有壹天就開竅了。技術的演進有時候也是這樣，量變積累到壹定程度，質變就來了。壹個周末項目變成了 30 分鍾的事
為了說明變化有多大，Karpathy 舉了壹個自己的親身例子。他周末想給家裡的攝像頭搭壹個本地視頻分析面板，於是給 AI Agent 寫了壹段指令：登錄我的 DGX Spark，配置 SSH 密鑰，部署 vLLM，下載並測試 Qwen3-VL 模型，搭建視頻推理服務端點，做壹個基礎的 Web UI 面板，全部測試壹遍，用 systemd 設置開機自啟，給自己記筆記，最後給我寫壹份 Markdown 報告。
然後 Agent 就跑了大概 30 分鍾。中間遇到了好幾個問題，它自己上網查解決方案，壹個壹個解決，寫代碼，測試，調試，配置服務，最後交回來壹份報告，全部搞定。Karpathy 說他全程沒有碰任何東西。這件事如果放在叁個月前，輕輕松松就是壹個周末項目，現在變成了你啟動壹下然後去幹別的，30 分鍾後回來收結果。
這個例子的沖擊力在於它的具體。不是什麼抽象的概念，就是壹個實實在在的工程任務，從網絡配置到模型部署到前端界面到系統服務，全鏈路打通。叁個月前需要壹個周末，現在 30 分鍾。這個效率的躍遷已經不是提升百分之多少的問題了，是數量級的變化。
編程正在變得面目全非
基於這樣的體驗，Karpathy 做了壹個很大膽的判斷：編程正在變得面目全非。從計算機發明以來，編程壹直是人坐在編輯器前面敲代碼，這個時代結束了。現在你做的事情是啟動 AI Agent，用英語給它們分配任務，然後並行地管理和審查它們的工作。
他說，當前最大的機會在於不斷向上攀升抽象層級，搭建長期運行的編排系統，給它配好工具、記憶和指令，讓它幫你管理多個並行的代碼實例。頂級的 Agent 工程所能釋放的杠杆效應，現在感覺非常高。
這段話裡有壹個關鍵詞叫抽象層級。簡單來說就是，以前你是直接寫代碼的人，現在你是管理寫代碼的 Agent 的人，未來你可能是管理那些管理 Agent 的系統的人。每往上走壹層，你能撬動的產出就成倍增長。這個邏輯其實跟管理學裡的道理是相通的，壹個人能直接做的事情是有限的，但如果你能搭建壹個高效的團隊和流程，你的產出上限就被打開了。它並不完美，但已經夠顛覆了
Karpathy 也沒有壹味地吹。他很坦誠地說，這個東西並不完美，它需要高層次的方向指引、判斷力、品味、監督、迭代，以及提示和想法。在某些場景下效果好很多，尤其是那些需求明確、可以驗證和測試功能的任務。關鍵在於培養壹種直覺，知道怎麼把任務拆解得恰到好處，把適合交給 Agent 的部分交出去，自己在邊緣地帶幫忙補位。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： | 在此頁閱讀全文 |
推薦: