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

原视频标题：Andrej Karpathy: From Vibe Coding to Agentic Engineering

原视频来源：Sequoia Capital
原文编译：鲍奕龙，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。

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