夜雨聆风
所有职场人、创业者必看的AI未来预言
---
去年还在说"vibe coding"的AI教父，今年却说：
"我从未像现在这样，感觉自己落后于编程。"
2026年红杉AI Ascent峰会，被称为AI行业风向标的顶级盛会。
Andrej Karpathy的炉边对谈，直接颠覆了所有人对AI的认知。
这不是又一次模型升级的消息，
而是一场关于软件、工作和人类未来的范式革命。
看懂的人，将抓住下一个十年的机会。
软件正在被"蒸发"，很多App根本不该存在
我们一直以为，大模型只是让旧软件跑得更快。
但Karpathy用一个简单的例子，彻底打醒了所有人。
他曾经花了不少功夫，用vibe coding做了一个叫Menu Gen的餐厅菜单应用。
集成了OCR识别、数据库映射、图像生成、界面渲染等复杂功能。
但现在，他只需要上传一张菜单照片，
对大模型说一句："把菜品图片覆盖到原菜单上"。
模型直接输出了最终的图像结果。
中间所有的软件层，全部消失了。
这就是Karpathy最惊人的判断：
大模型不是旧软件的加速器，而是旧软件的终结者。
很多我们今天习以为常的应用，在新的范式下根本就不该存在。
更颠覆的是软件安装方式的变化。
过去几十年，开发者们费尽心思编写复杂的shell脚本，
只为了让软件能在不同系统上正常运行。
但现在，你只需要把安装说明用自然语言写下来，
告诉大模型"照着这个做"。
它就能智能地适配你的系统环境，
自动完成安装和调试。
语言本身，成了新的执行层。
未来最重要的软件接口，
不再是GUI，也不是API，
而是可被模型理解的说明文本。
锯齿智能：为什么AI既是天才又是傻子
大模型的能力分布，诡异到让人无法理解。
它可以重构十万行代码库，
可以发现复杂的安全漏洞，
可以完成艰深的数学证明。
但它也可能一本正经地建议你：
"步行去50米外的洗车店洗车"。
这种荒诞感不是偶然的bug，
而是大模型的本质特征。
Karpathy称之为"锯齿智能"：
模型的能力不是平滑增长的曲线，
而是像参差不齐的山脊线。
某些领域已经达到了人类难以企及的高度，
另一些领域却还停留在幼儿水平。
过去，他认为这是因为可验证性的差异。
代码、数学容易判断对错，适合强化学习优化，所以进步神速。
常识领域难以验证，所以发展缓慢。
今年，他给出了一个更深刻的经济学解释：
实验室关注度。
OpenAI、谷歌这些大实验室的算力和人力是有限的。
他们会优先把资源投入到那些高价值、可量化的领域。
为了让GPT-4显得更聪明，他们可以塞入海量棋谱，
让它在围棋上碾压人类。
但对于"洗车需要开车去"这种常识，
没有人会专门投入资源去训练。
这就是大模型能力不均衡的根本原因：
不是技术做不到，而是经济上不划算。
创业的新机会：寻找尚未被转化的问题
那么，在大模型已经统治了通用领域的今天，
创业者还有机会吗？
Karpathy的答案非常明确：
有，而且机会巨大。关键在垂直领域。
通用模型解决的是广泛问题，
但真正的行业价值都藏在具体的场景里。
只要你能在一个垂直领域构建起有效的反馈机制，
形成独特的环境和案例数据，
你就可以投入强化学习资源，
做出比通用模型强得多的垂直系统。
更重要的是，Karpathy提出了一个颠覆性的观点：
几乎没有什么工作是天然不可替代的。
很多工作之所以还没有被自动化，
只是因为我们还没有为它建立起有效的评估体系。
所以，AI创业的关键：
不是去寻找"不会被AI取代的行业"，
而是去寻找那些"尚未被转化为训练环境的问题"。
谁能先把一个模糊的行业问题，
变成一个可验证、可训练的问题，
谁就能抢占先机。
智能体时代：CPU将沦为配角
Karpathy预测，未来的产品和服务，
将不再是孤立的软件。
而是由传感器、执行器和逻辑共同组成的复杂系统。
这就是智能体原生经济。
今天的大多数数字系统，都是为人类设计的。
开发文档告诉人类该点击什么、配置什么、输入什么命令。
但在智能体时代，系统应该是为AI设计的。
真正的智能体原生标志是：
人类只需给出一个提示词，
比如"构建一个餐厅菜单应用"。
智能体就能自动完成所有的开发、部署、运维工作，
包括服务关联、DNS配置、上线运行，
全程不需要人类干预。
这也催生了一个全新的职业：
智能体工程。
未来的工程师不再需要自己写代码，
而是要学会如何组织多个智能体协同完成复杂任务，
同时保证质量、安全和稳定。
企业的招聘标准也将彻底改变，
从考察算法能力，
转向考察"借助智能体完成真实项目"的能力。
在更远的未来，Karpathy甚至提出了一个极其激进的设想：
神经网络将成为新的主计算层，承担大部分计算任务，
而传统的CPU将退居辅助位置，只负责处理少量确定性的任务。
人类最后的护城河：理解
当AI能写代码、能做数学、能设计产品、
能管理项目，甚至能自己创业的时候，
人类还剩下什么？
这是整个峰会最核心、也最令人深思的问题。
Karpathy给出的答案，让所有人都陷入了沉默：
"你可以外包你的思考，但你不能外包你的理解。" |
在一个智能体越来越能干的世界里，
人类的价值不会消失，但会发生根本性的转变。
我们将从执行者，变成导演。
模型可以生成100个方案，
可以比较所有的选项，
可以执行所有的流程，
甚至可以替你写作和推理。
但它永远无法替你回答这些问题：
什么是重要的？
什么是真实的？
什么是值得追求的？
什么风险是可以接受的？
这些问题的答案，来自于"理解"。
而理解能力，是AI永远无法从人类这里夺走的最后一道护城河。
Karpathy坦言，他自己也正在成为一个认知瓶颈。
他不知道自己是否足够理解这个世界，
不知道该如何更好地指导自己的智能体。
所以他热衷于构建个人知识库和Wiki系统，
不断地重新组织信息，
从不同的角度交叉提问，
让固定的知识生长出新的理解。
给所有人的3个行动建议
1. 停止记忆事实，开始构建自己的认知地图
2. 学会用提示词指挥AI，而不是和AI竞争
3. 深耕一个垂直领域，建立自己独特的理解体系
这或许就是未来学习的本质：
不再是记忆更多的事实，
而是学会如何把海量的信息压缩成自己的认知地图，
如何形成深刻的、独特的理解。
在这个AI无处不在的时代，
最有价值的人，不是懂得最多的人，
而是理解最深的人。
---
互动话题
你觉得未来哪些工作最不容易被AI取代？
你正在如何提升自己的"理解能力"？
欢迎在评论区分享你的看法！
觉得有启发，点个赞和在看，转发给更多朋友看看吧～
