夜雨聆风不是那种「GPT-5 要来了」的预告，也不是「AGI 还有几年」的算命。
而是一些更底层、更让我睡不着觉的东西。
他说，很多 App 根本就不该被做出来。
他说，.md 文件正在替代 .sh 脚本。
他说，CPU 以后可能只是一个配角。
他还说了一句话，让我每隔一两天就会想起来——你可以外包你的思考，但你不能外包你的理解。
今天这篇，我想把这几个观点拆开，然后聊聊我自己是怎么看这些事的。
一、很多 App 不该出生，因为 LLM 把中间层蒸发了
Karpathy 举了一个他自己的例子。
他之前用 vibe coding 做了一个叫 Menu Gen 的应用。功能听起来挺复杂：上传一张菜单照片，应用做 OCR 识别、数据库映射、图像生成、界面渲染，最后把菜品图片覆盖到原菜单对应位置上。
好几层调用链。
当时他觉得这挺酷的。
但现在，他只需要把菜单照片丢给大模型，说一句「把菜品图片覆盖到原菜单上」，模型直接输出结果。
输入是图片，输出是图片。
中间那整个 Menu Gen 应用——没了。被蒸发了。
他说了一句非常扎心的话：那个应用根本就不该存在。
这让我想起了之前写过的一个观点——AI 正在吞噬所有软件。
但 Karpathy 说得更狠。不是「吞噬」，是「证明你一开始就是多余的」。
说人话就是：我们过去几十年做的很多软件，本质上只是在翻译。
把人的意图翻译成机器指令，把一种数据格式翻译成另一种格式，把一个系统的输出翻译成另一个系统的输入。
LLM 直接把这个翻译层跳过了。
你不需要一个 OCR 应用来识别菜单文字，不需要一个数据库来存储菜品信息，不需要一个渲染引擎来合成图片。
你只需要一句话。
这意味着什么？
过去以「信息转换」为核心价值的软件品类，全部面临死刑。
这不是优化，是物种灭绝。
二、.md 替代 .sh：语言本身成了执行层
Karpathy 还讲了一个更具体的例子——软件安装。
过去几十年，开发者习惯写 shell 脚本来处理安装流程。适配不同操作系统、检查依赖项、配置环境变量。几百行 bash，各种 if else，各种 apt-get 和 brew。
这是典型的 Software 1.0 思维：把每一条路径显式编码。
他的做法是：直接写一个 .md 文件，用自然语言描述安装步骤。
然后告诉模型：「照着这个做。」
模型会自己理解你的系统环境，自己判断该用什么包管理器，遇到错误自己调试。
语言本身，成了执行层。
这件事的冲击力，可能比大多数人以为的要大得多。
未来最重要的软件接口，可能不是 GUI，也不是 API。而是一份能被模型理解的、写清楚了的说明文档。
文档即代码。说明即程序。
我自己最近也在做类似的事。把项目的规范、流程、约定全部写成 AGENTS.md，agent 启动的时候自动读取，然后照做。
以前你要配 CI、写 hook、搞一堆自动化脚本才能让规范落地。现在只需要一个 markdown 文件。
这不是效率提升，这是范式的翻转。
三、锯齿智能：为什么 AI 能重构十万行代码，却建议你步行去洗车
Karpathy 以前提过一个概念，叫 Jagged Intelligence（锯齿智能）。
意思是模型的能力不是一条平滑的曲线，而像锯齿一样参差不齐。某个领域突然拔高到离谱，另一个领域又低得吓人。
比如现在的模型可以重构十万行代码库、发现安全漏洞、完成复杂数学证明。
但也可能建议你「步行去 50 米外的洗车店洗车」。
这荒诞感不是 bug，是系统性特征。
他之前的解释是可验证性。代码、数学、博弈这些任务是容易判断对错的，适合强化学习优化。模型在这些领域进步神速。
今年他多给了一个视角：经济学。
实验室的资源是有限的。算力、数据工程师的时间，都会被优先分配到那些高价值或可量化的领域。
为了让 GPT-4 看起来更聪明，实验室决定塞入海量棋谱。
这种人为的数据偏移，导致模型在某些领域突然起飞，而在那些缺乏数据覆盖的常识领域——比如洗车的逻辑——依然表现得像个傻子。
你看到的模型能力，不是它「学会了什么」，而是「实验室选择让它擅长什么」。
四、垂直领域还有机会，但不是你想的那种
既然大模型实验室在数学、编程这些可验证领域已经达到了「逃逸速度」。
后来者还有机会吗？
Karpathy 的回答是：有，但在垂直领域。
只要一个场景能构建反馈机制，有环境数据、有评估标准，你就可以投入强化学习资源做微调，得到明显收益。
通用模型公司解决的是广泛问题。但大量行业价值存在于具体场景里。
谁掌握真实数据、任务流程和评估标准，谁就能做出更强的垂直系统。
他甚至说，即使是写作，也可以通过多个大模型组成评审机制，对结果进行打分和筛选。
这意味着什么？
很多工作不是天然不可替代的。只是还没有人给它建立起有效的评估体系。
AI 创业的关键，可能不是找一个「不会被自动化的行业」——这种行业可能根本不存在。
而是找一个「还没被转化成训练环境的问题」。
这个判断非常精准。
我自己的体会也是。做 AI 内容创作这一年，最深的感受是：通用模型写出的东西千篇一律，但如果你能提供足够的上下文、风格指南、评估标准，它写出来的东西可以是独一无二的。
差异化不来自模型本身，来自你对场景的理解深度。
五、为 Agent 设计，而不是为人类设计
Karpathy 提到一个让我特别有共鸣的点。
他说，今天的大多数数字系统，仍然是为人类设计的，不是为智能体设计的。
他最明显的不满是什么？是开发文档。
文档还在一步步告诉人类该点击什么按钮、该配置什么参数、该输入什么命令。
但真正「智能体原生」的标志应该是：你只需要给一个提示词，比如「构建 Menu Gen」，智能体就能自己处理服务关联、DNS 配置、直接上线。
人类不需要知道中间发生了什么。
由此，一个新职业正在浮现：智能体工程（Agentic Engineering）。
它关注的已经不是写代码，而是如何组织多个智能体完成复杂任务。
面试也不考算法题了，而是看你能不能借助智能体完成真实项目。
这跟我上篇文章讲的 AGENTS.md 和多 Agent 协作，完全是同一个方向。
未来的竞争力，不是你多会写代码。
而是你多能让数据结构、流程说明和系统接口，对 LLM 变得可理解。
六、人类最后的护城河：理解
对谈最后，主持人问了一个比技术更古老的问题。
当智能越来越廉价，什么仍值得深度学习？
Karpathy 提到一条推文。他说自己每隔一两天就会想起它。
大意是：你可以外包你的思考，但你不能外包你的理解。
You can outsource your thinking, but you can't outsource your understanding.
这可能是整场峰会最重要的一句话。
模型可以生成方案、比较选项、执行流程，甚至替你写作和推理。
但它无法替你回答这些问题：什么重要？什么真实？什么值得追求？什么风险可以接受？
用 Karpathy 自己的话说：「人还是需要某些东西来指导思考和处理过程。而这种指导能力，从根本上受限于你的理解。」
他甚至承认，自己并不擅长「理解」。比如「我们知道了什么」「这件事为什么值得做」「我该如何指导我的智能体」。
他说，自己也正在成为一个认知瓶颈。
所以他痴迷于个人知识库、Wiki 系统、以及各种能重新组织信息的工具。
他会把读过的文章持续沉淀进自己的知识系统，不断追问、交叉提问。
因为同一份信息，换一种结构呈现，就会获得全新的洞察。
谁把海量信息压缩成自己的认知地图，谁就更具优势。
听到这里我整个人是麻的。
因为这完全就是我过去一年在做的事。
我的 CLAUDE.md、我的写作风格指南、我的三层记忆系统……本质上都是在做同一件事：
把自己的理解，结构化成 agent 能读懂的东西。
不是为了记住更多信息。而是为了在信息过载的时代，还能保持「什么值得做」的判断力。
七、CPU 沦为配角？这可能是最激进的预测
Karpathy 还提了一个更远的推演。
他说，未来神经网络可能承担大部分计算任务，成为新的主计算层。而传统 CPU 退居辅助位置，只负责少量确定性任务。
这个判断初听像是在画饼。
但你仔细想。现在的 AI 推理已经在从「CPU 上的一个进程」变成「独立部署的一个服务」。未来如果神经网络芯片继续进化，CPU 确实可能退化成类似协处理器的角色。
就像 GPU 当年从「图形加速卡」变成「通用计算的主力」。
历史的韵脚，总是惊人地相似。
写在最后
Karpathy 这场对谈，信息密度极大。
但我反复读了几遍之后，发现所有观点最终都指向同一个方向：
软件在消融，语言在崛起，而人类的价值，正在从「执行」迁移到「判断」。
很多 App 不该出生，因为 LLM 直接把信息转换层蒸发了。
.md 替代 .sh，因为语言本身就是最好的编程接口。
AI 能做几乎所有事，但「理解」——那种对重要性、真实性、值得追求的直觉判断——仍然只能由人来承担。
这让我想起了一句话。
赫伊津哈在《游戏的人》里说：在游戏中，我们最接近自己。
而在 AI 时代，或许可以改成：
在理解中，我们最接近不可替代。
未来不属于最会写代码的人，也不属于最会写 prompt 的人。
未来属于那些能把海量信息压缩成自己的认知地图、然后用它来指导 Agent 做事的人。
不在 AI 奖励函数里的那些东西——
才是人类最后的护城河。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。