Andrej Karpathy:软件 3.0 时代来了.
软件的第三次范式转移：Karpathy 说，你写的大部分代码都不该存在。
Andrej Karpathy 在 Sequoia AI Ascent 2026 上提出 Software 3.0 框架。
从手写代码到训练网络，再到用 prompt 指挥 Agent——软件开发正在经历第三次范式转移。
这一次，被重写的不仅是代码，还有程序员这个身份本身。
一、一个 OpenAI 联合创始人的”落伍”宣言
2026 年 4 月底，Sequoia Capital 的 AI Ascent 大会上，合伙人 Stephanie Zhan 请出了她的老朋友——Andrej Karpathy。
去年的这个舞台，Karpathy 创造了一个后来被写进维基百科的词：Vibe Coding（氛围编程）。
“我从未像现在这样，觉得自己作为一名程序员已经落伍了。”
Karpathy 坦言，转折点发生在去年 12 月。
他休假时开始用最新的 AI Agent 工具写代码，发现生成的代码块越来越完美，他已经记不清上一次手动修改是什么时候了。
“我越来越信任这个系统，然后就进入了 Vibe Coding 的状态。”
二 Software 1.0 → 2.0 → 3.0
每一条规则都由程序员显式定义，每一行逻辑都可以追溯到一个工程师的键盘。这是过去 50 年的主流范式。
Software 2.0：人类提供数据，机器学习权重。
2017 年，Karpathy 在 Tesla 观察到这个趋势，写下了著名的《Software 2.0》一文。
他发现，自动驾驶的代码库里，越来越多的功能不再由工程师手写，而是由神经网络从数据中”学”出来。
编程的本质从写指令变成了整理数据集、设计目标函数。
Software 3.0：人类写 prompt，LLM 执行计算。
当大语言模型在足够多的任务上训练后，它变成了一台可编程的计算机。
你的代码是自然语言，你的编译器是 LLM，上下文窗口就是你操控这台机器的杠杆。
Software 3.0 在吃掉 1.0 和 2.0，大量的软件将被重写，甚至——根本不该存在。
二、一个让 Karpathy 大受震撼的例子
Karpathy 曾用 Vibe Coding 做了一个叫 MenuGen 的应用：你去餐厅，拍一张没有图片的菜单照片，MenuGen 会做 OCR 识别菜品名称，调用图像生成模型给每道菜生成一张图，然后把带图片的菜单重新渲染出来。
整个项目涉及前后端、部署、图像处理，是一个完整的 Web 应用。
后来他看到了 Software 3.0 版本：把照片直接丢给 Gemini，说一句”用 Nana Banana 把菜品图片叠加到菜单上”。
Gemini 直接返回了一张图——就是他拍的那张菜单，但每个菜名的位置已经被精确地填上了对应的菜品照片。
“我的整个 MenuGen 其实是多余的。那个应用根本不该存在。”
Software 3.0 的范式要原始得多：输入一张图，输出一张图。
神经网络承担了所有中间环节，你精心构建的应用在它面前就像一个过度工程化的笑话。
三、Vibe Coding 已经过时了
Karpathy 亲手创造了一个爆款概念，又亲手宣布了它的升级。
Vibe Coding 那条推文，用他自己的话说，就是一个浴中哲思，随手发的。
但它在一个正确的时刻为很多人的共同感受找到了名字——于是被写进了维基百科，词条比他本人的还长。
但一年后的今天，Karpathy 指出了核心的变化：
一年前的 Vibe Coding，是大家用当时还比较弱的 LLM 做些好玩的一次性项目；而今天，利用 LLM Agent 编程已成为专业人士的默认设置。只不过，监督和审查要更多了。
他提出了一个新概念：Agentic Engineering（智能体工程）。
智能体：是因为你 99% 的时间不再直接写代码，而是在指挥 Agent 干活，充当监工。
工程：是为了强调这其中包含着艺术、科学和专业技能——不是”氛围”，而是一项有着深度的、可精进的技能。
Vibe Coding 抬高了所有人写代码的下限。Agentic Engineering 则要维持专业软件的质量上限。
四、可以外包你的思考，但无法外包你的理解
“所有的东西都必须被重写。”
目前的互联网基础设施——框架文档、API 设计、部署流程——全部是为人类编写的。
Karpathy 抱怨道：”为什么还要告诉我怎么做？我应该复制粘贴什么文本给我的 AI Agent？”
未来的大机会在于构建 Agent 原生的基础设施。
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 LLM 高度可读，Agent 代表个人和机构在云端交互。
而在这一切之上，人类的核心稀缺性回归到三个词：审美、判断力、商业理解。
“你可以外包你的思考，但你无法外包你的理解。”
这不是一句鸡汤。它是对这个时代分工的精准描述：AI 可以替你执行，但不能替你判断什么值得做。
五、硬件层的权力反转
目前，神经网络以虚拟化的形式运行在传统计算机上——CPU/GPU 是主人，神经网络是客人。但他认为未来这种主客关系会反转：
“神经网络将成为主进程，CPU 变成某种协处理器。神经网络承担绝大部分繁重工作。”
这意味着主导资本开支的智能算力——芯片、数据中心、能源——其战略核心地位将进一步固化。
Software 3.0 不只是软件层的变革，它会一直渗透到硬件架构。
六、可验证性：AI 商业落地的罗盘
对于正在寻找 AI 落地场景的创业者和投资者，Karpathy 提供了一个极具实操性的判断框架：可验证性。
他指出了当前 AI 能力的一种怪异特征——锯齿状智能（Jagged Intelligence）：
“最先进的模型能同时重构 10 万行代码或寻找零日漏洞，然而却告诉我应该步行去 50 米外的洗车店洗车。”
产生这种割裂的原因在于：前沿实验室把海量强化学习资源投在了”数学”和”代码”这些结果易于验证的领域。在这些领域，AI 早已超越人类。
所以 Karpathy 的商业建议极其明确：置身于结果可验证的场景中，AI 就能发挥巨大威力。而那些尚未被头部实验室重点关注的可验证场景，正是创业公司的蓝海。
七、10 倍工程师？远远不够
“人们以前常谈论’10 倍工程师’。在我看来，那些在 Agentic Engineering 领域表现出色的人，其产出峰值远超 10 倍。”
Karpathy 建议，企业应该抛弃传统的算法面试题。面试不应该考你能不能手写快排，而应该考察你能不能利用多个 AI Agent 协同构建大型项目，甚至能不能抵御其他 AI Agent 的攻击。
2026 年，他将看到模型层（Model Layer）和智能体层（Agent Layer）的双重进化。注意——是乘积效应，不是加和。
当模型能力指数级增长，遇上 Agent 框架的指数级成熟，一人公司不再是神话。前提是，你必须完成那场痛苦的脑回路升级：
从如何写出这个循环，转变为这个循环在整个系统中扮演什么角色。
从修复这个报错，转变为评估这个架构是否还需要这个模块。
八、写在最后
Karpathy 在 AI Ascent 2026 上讲的最重要的一件事，不是某一个技术细节，而是一个思维框架的切换。
Software 3.0 不是 Software 1.0 的加速版。它是一种全新的计算范式——LLM 是新型计算机，prompt 是新型代码，上下文窗口是新型内存。
在这个范式里，你精心构建的中间层可能会被一个 prompt 直接消灭。你写的很多代码，可能本来就不该存在。
但理解这一点的人，正在用自然语言编织未来的数字世界。
Karpathy AI Ascent 2026 炉边对话视频：YouTube
Karpathy Software 2.0 原文：Medium
Sequoia Inference：Software 3.0 分析：Substack
Latent Space Software 3.0 深度解读：laten.space
Anthropic Harness 工程实践：Anthropic Blog
夜雨聆风
