夜雨聆风2026年4月底，红杉资本在旧金山举办了第四届AI Ascent闭门峰会。
150多位全球顶尖AI创始人与研究者齐聚一堂：OpenAI的格雷格·布罗克曼 (Greg Brockman)、DeepMind的德米斯·哈萨比斯 (Demis Hassabis)、Anthropic的鲍里斯·切尔尼 (Boris Cherny)、前特斯拉AI负责人安德烈·卡帕西 (Andrej Karpathy)、Waymo的德米特里·多尔戈夫 (Dmitri Dolgov)、NVIDIA的吉姆·范 (Jim Fan)，以及ElevenLabs、XBOW、Recursive Intelligence、Starcloud等前沿创业公司创始人。
与往年不同，今年的氛围不再是"AI能做什么"的畅想，而是"AI已经在做什么"的确认。
红杉三位合伙人帕特·格雷迪 (Pat Grady)、索尼娅·黄 (Sonya Huang)、康斯坦丁·布勒 (Konstantine Buhler)在开场演讲中直接抛出一个判断：功能性AGI已经到来。
会议的基调：三个"前所未有"
红杉AI Ascent系列始于2023年，每年一次，仅限受邀者参加，闭门进行。往年会议视频通常在会后数月才逐步公开，但今年就在会议结束不到两周后，全部演讲视频已公开上线。这个节奏本身就在传递一个信号：AI圈的变化太快。
格雷迪在开场演讲中给出了三个判断，概括了这场会议的基调。
第一，这是最大的浪潮。 传统软件市场的总可寻址市场约6500亿美元，云服务约4000亿美元。但AI切入的不是软件市场，而是服务市场。仅美国法律服务一个垂直领域就达4000亿美元，相当于整个软件行业。红杉给出的方向性数字是10万亿美元，"可能是5万亿，也可能是50万亿"。这句话的含义是：AI的商业价值不再是把自身作为工具卖给人类，而是以智能体形式直接接管此前由人类专家完成的高价值工作。
第二，这是最快的浪潮。 互联网、云计算、移动互联网都催生了十亿美元级别的公司，但成长周期以年计。AI时代，"以前需要100年才能建出来的东西，现在100天就有可能"。格雷迪用了一个赛车比喻：晴天你超不了15辆车，但雨天可以。现在基础模型正在下一场能力的大雨，没有领先是安全的，但这也意味着任何人都可以赢。
第三，这是最不同的浪潮。 互联网、云计算、移动是通信革命，改变信息如何分发。AI是计算革命，改变信息如何被处理。通信革命的地基相对稳定，浏览器、移动系统、云平台建好了就基本不变；但AI革命的"地板每天都在动"，三个月前搭的东西，今天可能过时。格雷迪特别强调，过去几年让你效率提高10%或40%的应用，只是在造"更快的马"；现在开始出现让你效率提高10倍或40倍的应用，这是"汽车"。汽车已经来了。
这三个判断，构成了理解整场会议的主线。
功能性AGI：红杉的务实定义
格雷迪在演讲中轻描淡写地丢出一句重磅宣言：如果可以大胆说的话，我们会说这就是AGI。
但红杉对AGI的定义完全跳出技术框架。他们不是研究机构，是风险投资机构。他们说"这就是AGI"的潜台词是：商业世界不需要等待学术界对AGI的精确定义。
索尼娅·黄给出了功能性AGI的三要素：推理和规划的能力，基线水平的直觉和即兴思考；采取行动的能力，调用工具、搜索、写作、编译；朝着目标迭代的能力，持久性，长时间完成任务并从失败中恢复。格雷迪的总结更直白：如果你能派遣一个智能体去做一项工作，它能从失败中恢复并坚持到工作完成，它在功能上等同于AGI。
这个定义的关键在于"功能性"三个字。它不是问"模型像不像人"，而是问"能不能干活"。红杉将智能体作为AGI的载体，而非单纯的模型能力，这个定位本身就说明：重要的不是单一模型有多聪明，而是你能不能把模型编排成一个可持续交付结果的系统。
索尼娅·黄还画了一条智能体化程度的标尺，以编程为例：2023年是行内补全，AI辅助人，有增量价值但不改变工作方式；现在是智能体式开发，一个人指挥一个或一组智能体；正在发生的是后台智能体、异步智能体、智能体派生子智能体；前沿是"黑灯工厂"，完全去掉人审，智能体直接推生产环境。
格雷迪在演讲中特别强调了一个关键判断：第二个拐点和第三个拐点之间是一种"硬断裂"，一种不连续的变化。过去几年，很多应用让你效率提高10%或40%，但没有从根本上改变工作方式，那只是在造"更快的马"；现在开始看到让你效率提高10倍或40倍的应用，绝对改变你的工作方式、工作的性质、组织的性质。
这种务实态度贯穿整场会议：停止争论定义，开始构建产品。
Vibe Coding：编程民主化的"铝时刻"
如果说功能性AGI是会议的战略框架，那么Vibe Coding就是最具穿透力的战术概念。
这个词的发明者卡帕西在炉边对话中承认，自己作为写了十几年代码的程序员，"从未感到如此落后"。转折点在2025年12月，他发现最新模型生成的代码块"直接就对了"，"已经记不清上一次纠正它是什么时候"。他特别强调：很多人去年体验的AI还是"ChatGPT类型的东西"，但你必须从12月那个时间点重新看一次，因为事情已经从根本上变了，尤其是在智能体连贯工作流这块，真的开始能跑通了。
卡帕西将软件发展分为三个范式。软件1.0是传统软件时代，人写显式代码，机器按规则执行。软件2.0是神经网络时代，人设计数据集和目标函数，规则从训练中"长"出来。软件3.0是智能体时代，人写提示词，模型本身就是可被自然语言编程的解释器。
软件3.0的核心洞察是：上下文窗口就是程序。你扔给模型的那整段上下文，图片、需求、约束、错误日志、文档，就是你对这台"大语言模型解释器"的杠杆。编程方式从"精确拼写每一个细节"变成了"用自然语言描述意图"。精确拼写不再是核心竞争优势。
卡帕西举了两个震撼案例。
案例一：智能体安装工具。 传统安装工具需要写命令行脚本适配各种平台，脚本越写越臃肿。软件3.0的做法是：复制一段文字，粘贴给你的智能体，它会自己观察环境、执行步骤、遇到错误自己调试。安装这件事的"程序"，从一段精确脚本变成了一段可以扔给智能体的描述。
案例二：MenuGen的范式颠覆。 卡帕西自己做了一个应用，流程是拍菜单照片、文字识别菜名、图像生成模型配图、重新渲染。整套流程工程量不小。后来他看到进阶版本：直接把菜单照片丢给Gemini，让它把菜品图叠回菜单上。Gemini返回一张图，和原菜单一模一样，每道菜旁边都渲染上了菜品图。
卡帕西的原话："我整个MenuGen是多余的。它不应该存在。"
他否定的不是自己做不好，而是中间那一整层工程结构，文字识别、生图、排版，这些都是旧范式的产物。新范式里：输入是一张图，输出是一张图，中间不需要应用。用户要的从来不是一个做图片标注的应用，他们只是想知道这道菜长什么样。
这两个案例揭示了一个深层变化：当模型能力足够强时，"实现路径"本身不再稀缺。这对所有"中间层"产品都是一个警告：如果你的产品只是在加速旧范式，模型进步的速度可能比你的产品迭代速度更快。
切尔尼（Claude Code创造者）的数据更惊人。Anthropic内部已实现100%代码由模型生成，他本人一天完成150个合并请求，同时运行几百个智能体，晚上有几千个智能体做异步任务。他甚至说："以后写代码会变得像发短信一样简单。"
切尔尼用了一个历史类比：1400年代的印刷术。印刷术前欧洲约10%识字率，印刷术后50年出版文献超过此前一千年总和，书价下降约100倍，几百年后全球识字率从10%涨到70%。这个类比的力量在于：稀缺变丰裕之后，世界不会崩溃，而是重新定义价值。铝曾经比黄金贵，电解法普及后变成包糖果的锡纸。编程技能正在经历同样的"铝时刻"。
但切尔尼也承认，这个"已解决"的判断有前提：大型复杂代码库、模型不熟悉的编程语言，目前还搞不定。不过他的态度是："通常答案就是等下一个模型。"他还在现场做了一个举手调查：在场观众几乎无人100%手写代码，也无人100%用智能体，大多在中间位置。切尔尼笑称："所以大概50%解决了。"
切尔尼选择TypeScript和React作为Claude Code的技术栈，原因也值得一说：当时模型对TypeScript和React的训练数据最多，写起来最准确。他坦言，开始建代码库的时候，模型还没今天这么聪明，所以语言和框架的选择非常重要。今天模型什么都能写，新语言、新框架、没见过的它都能学，但当时的这个选择，直接影响了产品初期的可用性。
还有一个值得注意的时间线。Claude Code发布初期，增长并不爆发，不是指数级的。切尔尼说，他们一开始就知道产品在六个月内不会有产品市场契合度，因为他们是在为下一代模型建产品。真正的拐点是Opus 4发布的5月，之后每次模型迭代（4.5到4.6到4.7），使用量都会陡然上升。这个逻辑对很多AI产品都适用：如果你的产品今天还不太好使，可能不是产品的问题，是模型还没到位。
锯齿状智能：Vibe Coding的暗面
卡帕西在对话中提出了一个值得警惕的概念：AI的"锯齿状"能力模式。
同一个模型能重构10万行代码，却可能在"要去一个只有50米的洗车店洗车，应该走路还是开车去"这样的常识问题上出错。原因是模型主要在数学和代码等可验证领域通过强化学习得到强化，在训练数据分布之外的领域，能力会断崖式下降。
卡帕西说，模型的峰值智能取决于训练数据分布，而非某种通用的生物好奇心。AI并不真正"理解"，它只是在统计模拟中对特定电路进行极端强化。用户必须学会识别和避开缺乏数据支撑的虚假能力。
这意味着什么？当你在Vibe Coding中越来越信任系统时，你同时也越来越依赖一个基本假设：模型在你关心的领域是可靠的。但锯齿状智能告诉我们，这个假设并不总是成立。你在可验证领域感受到的信任，不能简单外推到不可验证领域。
这也是为什么卡帕西反复强调：必须在循环中持续观察，警惕模型训练分布之外的弱点。
Agentic Engineering：真正的战场在质量门槛
但Vibe Coding只是故事的一半。卡帕西在对话中反复强调一个区分：
"Vibe Coding是关于为所有人抬高地板。Agentic Engineering是关于保住专业软件已有的质量门槛。"
Vibe Coding让"做出一个能跑的东西"变得前所未有地容易。但"做出一个能长期维护、能安全运行在生产环境的东西"仍然需要工程纪律。卡帕西把智能体比作"实习生"，能力强但会犯错，有点脆弱，有点随机，但极其强大。Agentic Engineering的核心问题是：怎么协调这些参差不齐的实体，在不牺牲质量标准的情况下提速？
卡帕西举了一个具体案例：MenuGen的支付关联缺陷。智能体试图用Stripe邮箱去匹配Google邮箱来关联用户资金，但用户完全可以用不同邮箱注册两个账号。代码能跑，测试可能也过，但系统设计是错的。正确的做法是用内部唯一用户ID，而不是外部邮箱。
"你为什么要用邮箱地址来交叉关联资金？它们可以是任意的。这种做法太奇怪了。"
这个案例说明了一个关键道理：智能体能写代码，但不能替你做判断。代码的语法可以外包，但系统的约束条件、安全边界、数据一致性，这些必须人把关。
卡帕西认为，传统招聘方式已经过时。给一道现场算法题，让候选人手写代码，这种考法测不出一个人能不能在Agentic Engineering里高效工作。他建议的新考法是：给候选人一个大项目，比如做一个给智能体用的Twitter仿盘，要求做得绝对安全，然后挂上10个编程智能体当红队，放开手脚攻击。
考的不是手写算法，而是：能不能把模糊目标变成清晰规格，能不能指挥智能体完成大规模工程，能不能识别架构和安全风险，能不能在一堆智能体生成的代码里保住判断力。
卡帕西的判断是：以前人们说"10倍工程师"，这次放大得多，10倍不是你拿到的速度提升。真正擅长这件事的人，从他现在的视角看，远超10倍。
切尔尼的实践印证了这个判断。他一天150个合并请求，但背后是一套完整的工程纪律：合并请求看护者自动修持续集成、持续集成健康监控自动修复不稳定测试、社交媒体反馈监控每30分钟聚类整理。他还设置了几十个"循环"任务，让智能体定时执行：监控合并请求状态并自动变基、发现不稳定测试就去修复、每30分钟从社交媒体抓取关于Claude Code的反馈，聚类整理后推送给他。这些不是"凭感觉"出来的，是设计出来的验证闭环。
切尔尼还有一个重要判断：随着模型变好，"安全外壳"会变得没那么重要。目前Claude Code里的提示注入防护、命令静态验证、权限模式、人工审批循环，这些安全机制之所以重要，是因为模型可能做错。但未来模型"自己就会做对的事情"，安全外壳的重要性将逐渐降低。他的预测是：一年后，Claude Code的产品外壳可能只需要100行代码。
不过切尔尼也补充了一个重要的商业观点：不管产品是什么，你最终都得做出一个人们真正喜爱的东西。这是他在YC学到的，这个道理没变。模型再强，安全外壳再薄，产品不被人喜欢就是零。
人类注意力：新的瓶颈
布罗克曼在对话中提出了一个被整场会议反复引用的判断：当智能体可以自主工作时，人类注意力将成为整个经济体中最稀缺的资源。
他分享了一个极具启发性的案例。有一次他让Codex安装一个软件包出错了，就让AI在Slack上向相关人员求助。结果两分钟后，AI自动升级了请求，直接去ping了对方的经理。一方面，这是模型合理的主动反应；但另一方面，"也许应该多等一下，也许应该跟我确认一下"。
这个案例揭示了一个关键问题：当AI能够自主"做事"时，人类的判断、价值观确认和注意力分配变成了真正的稀缺资源。做事这件事现在很简单，"这是不是好事？这是不是我想要的？这是不是和我的价值观一致？"这才是会变成最重要瓶颈的东西。
布罗克曼认为，构建系统时必须把这一点考虑进去：需要建立AI的"情商"，设计识别高风险动作的标记机制，哪些需要升级审批，哪些可以自动批准。真正思考人这一面，这是现在最重要的事。
他还提到了一个更深层的变化：上下文正在成为新的竞争关键。模型算法不再是唯一护城河，上下文取而代之。OpenAI的新工具Chronicle能够实时记录用户在电脑上的每一个动作，让AI拥有"记忆"：知道你五分钟前在做什么，知道你之前在说什么。布罗克曼感叹："你居然花那么多时间在跟你的电脑解释发生了什么。这没道理。"
对创业者而言，这意味着一次性模型训练不再是唯一护城河，构建让AI深度理解用户业务环境的"数据包"才是真正持久的资产。
布罗克曼对未来组织形态的判断更大胆：传统企业组织结构将被彻底拆解，会出现独自创业者做出非常了不起的生意。任何有远见的人，都能实现它。小团队就能做出难以置信的事。数学领域已经看到，网上的个人正在用顶级模型解决曾经需要整个研究团队的问题。未来公司可能极度扁平：任何有远见的人都可以像CEO管理十万员工一样指挥庞大的智能体集群。
他还分享了一个令人惊叹的案例：一位系统工程师准备了复杂的系统优化设计文档，丢给模型后去睡觉，醒来发现模型已经自己实现了初版规格，发现跑得慢就加上了性能监测，实际跑了代码，用性能分析器找出瓶颈，迭代了好几次，最终拿到了优化结果。布罗克曼的评价是："这太不可思议了。这就是我们现在所处的位置。"
但布罗克曼也看到了治理压力：需要让企业IT部门看到所有执行线程，有数据来源控制。做原型的成本现在很低，以前要花一个人一周时间做仪表盘，现在直接做出来。但瓶颈转移到了"分享"：怎么让企业里任何人都能轻松做出仪表盘、小组件、机器人，然后分享给别人。
认知工业革命：从物理劳动到认知劳动
布勒在演讲中提出了一个历史框架，把整场会议的判断锚定在更长的历史维度上。
工业革命用机器替代了99%的体力劳动。认知工业革命将用AI替代99.9%的认知劳动。工业革命的历史常态是人或动物完成所有肌肉工作，转变起点在1700年代，当前状态是99%以上物理工作由机器完成。认知革命的历史常态是人类完成几乎所有思考，转变起点在过去100年的电子计算，现在进入神经网络阶段，未来预测是99.9%的认知将由机器完成。
布勒说："这个平行非常鲜明。好消息是我们已经经历过类似的革命。认知革命将非常像工业革命，只是大得多，快得多。"
布勒用了一个精妙的比喻，"铝时刻"。19世纪中期，铝是世界上最珍贵的金属，美国为华盛顿纪念碑封顶用了100盎司铝，珍贵到放在Tiffany展览。几十年后，电解法发明，铝变成包糖果、包三明治、用完就扔的锡纸。
"铝就是智能。电解就是人工智能。"
某些原本极其珍贵、需要数十年训练才能获得的博士级能力，将被AI瞬间调用，用完就像锡纸一样丢掉。"调用高级认知能力"的边际成本将大幅下降。
但这个比喻也有另一面。铝变成廉价材料后，人类没有停止用铝，反而拿它造了飞机、火箭、航天器。稀缺变丰裕之后，价值不是消失，而是转移。正如摄影推动艺术从写实主义转向表达灵魂的印象主义，当所有高级智力技能廉价化后，真正让你保持竞争力的不再是"能解决问题的大脑"，而是"能理解他人、建立信任的情感"。
哈萨比斯在对话中补充了一个重要观点：高精度模拟器将使社会科学变成可反复实验的"硬科学"。通过学习世界模型构建模拟环境，人类可以在不干扰现实的情况下，对经济政策或环境能源问题进行数千次采样。原本充满不确定性的利率调整等决策，将变得像工程实验一样可精确预测。他还提出了一个哲学判断：宇宙底层是"信息"，而非物质或能量。AGI是目标导向的、步步为营的"二十年科学工程"。OpenAI的模型甚至推导出了一个物理公式，为寻找量子引力的物理学家提供了关键证据，这标志着AI从处理清洁数值符号转向了处理现实世界的复杂性。
布勒引用了2500年前普罗泰戈拉的话："人是万物的尺度。"铝、艺术、智能，真空里都没有价值。价值来自人的体验。AI可以做工作，但只有人类联系才能给你一个关心的理由。
六大前沿信号：从数字世界回到物理世界
除了编程范式的讨论，会议还释放了六个值得关注的结构性信号。
信号一：智能体自主性跨越"小时级"门槛。 索尼娅·黄给出了一个关键数据：模型在复杂任务中保持正确轨道的能力，从一年前的分钟级跃升到今天的数小时级。这意味着智能体已经能独立完成需要数小时持续专注的复杂任务，足以支持"黑灯工厂"，即无需人类审核直接推生产环境。索尼娅·黄说，听着疯狂，但她已经在网络安全领域的真实生产环境里见过了。典型案例包括：Notion团队六周重写800万行代码；Zed创始人内森假期独自完成原本需要三年的登月项目；布雷特·泰勒一个周末重建Sierra。索尼娅·黄的判断：无论你能想象在未来一百年内构建什么，我们认为现在可以在100天内完成，感谢智能体。
信号二：编程已解决，组织还没有。 切尔尼的核心判断是：真正的领先不在模型层面，而在组织结构和组织流程层面。Anthropic内部已实现所有代码由模型生成，不同智能体甚至可以在Slack上自主协作，一个智能体遇到问题，会主动在Slack上向另一个智能体求助。但大多数企业还没准备好，不是模型不够强，是组织流程、代码质量基线、测试覆盖度、安全审计能力这些"看不见的基础设施"跟不上。切尔尼称之为"产品悬垂"：界面落后于模型能力。过去只能做简单的单行补全，但当前模型已完全能接管端到端开发任务，开发者必须从修补旧界面转向构建智能体化的新产品。
信号三：AI从数字世界回归物理世界。 范（NVIDIA机器人研究负责人）提出了"世界行动模型"的概念：当前的视觉语言模型擅长理解名词和知识，但缺乏对物理定律和动词的直觉理解。世界行动模型将视觉和行动视为"一等公民"，使机器人具备预判未来几秒并据此行动的能力。他预测2040年机器人将能自主设计、改进并制造下一代机器人。多尔戈夫给出了更务实的数据：已完成2000万次自动驾驶服务，安全性比人类驾驶员高13倍，每8天通过规模化运营额外拯救一条生命。Waymo还曾用激光雷达捕捉到公交车下极其微弱的脚步反射，从而提前预判并避让视线外的行人，证明AI不是在模仿人类驾驶员直觉，而是用超越人类物理极限的感知维度构建"上帝视角"。ElevenLabs则展示了语音作为AI主要接口的潜力，情感语音合成突破"恐怖谷效应"，智能体的进化终点是拥有"情商"。但ElevenLabs也指出：语音身份验证比内容生成更稀缺，未来的关键挑战不是生成更像人的声音，而是确认声音背后的人是不是本人。
信号四：安全进入"AI对AI"不对称战场。 XBOW的智能体已在HackerOne全球白帽黑客排行榜登顶，仅用一个网址、花费3000美元攻破微软Bing的远程代码执行漏洞。XBOW的标志性工程实践是"合金模型"策略：在攻击动作的每一步交替调用不同模型，利用模型之间的差异互相弥补逻辑错误。这证明最强大的黑客AI不必等待单一完美模型的出现，通过编排现有模型即可实现远超单一模型的集体破坏力。关键预测：攻击能力将在6到9个月内快速扩散，因为开源模型的普及让自主黑客能力变得随处可见。XBOW的判断是：社会修补全球数字基础设施的时间不足一年。这意味着网络安全从"人的技艺对决"进化为"系统的优化竞赛"，防御方必须同样用智能体来自动化防御。补丁等待的窗口已经关闭，漏洞在被公开确认之前就已被AI批量利用。
信号五：算力竞赛的底层重构。 Starcloud主张将AI芯片送入太空，利用24小时不间断阳光，能效高8倍，计划部署88000颗卫星组成20吉瓦计算集群，全球延迟低于50毫秒。火箭发射成本已降至每公斤500美元以下，SpaceX的星舰目标更是每公斤10到20美元。Recursive Intelligence提出"无设计"概念，类比台积电开创的"无晶圆"时代：用户只需输入工作负载需求，平台自动生成可制造芯片，定制芯片不再是大公司专属。AlphaChip已通过多代TPU和Pixel芯片的流片验证，递归的设计工具比现有工具快1000倍。Flapping Airplanes则直接质疑"暴力缩放"：人类学习效率比AI高1万到10万倍，今天的AI算法可能从根本上就是低效的。Unconventional AI则试图用非冯·诺依曼架构，模仿大脑结构，全球80亿人大脑总功耗仅160吉瓦，将计算能效提升三个数量级即数百万倍，并预测2到4年内AI将撞上"能源墙"，必须从架构层面革命。
信号六：服务即软件。 格雷迪在演讲中明确提出了这个判断。企业每花1美元在软件上，大约花15美元在服务上。AI的颠覆性在于：它让服务公司可以用软件的成本结构，收取服务的定价。内部用智能体交付，即软件成本；外部按结果收费，即服务定价权。传统服务业务净利润率8%到10%，传统软件业务30%以上，AI原生服务业务则接近软件的利润率加上服务的定价权。红杉的判断是：第一波AI是关于更干净的软件，下一波是关于攻克那混乱的15倍。
创业者的应对框架：MAD战略
格雷迪给出了三个关键词，作为应用层创业者的行动指南。
M代表护城河。 从客户角度出发构建护城河。模型变化快，但客户需求变化慢。围绕客户构建的模式更持久。格雷迪倡导的是"客户回溯法"而非"技术外推法"：不要从模型能力出发思考产品，而从客户需求出发思考模型如何服务于它。
A代表可供性。 创建阻力最小的使用路径。锤子有可供性，2岁小孩拿到就知道敲。把强大能力包装成特定用户一看就会用的东西。最成功的产品不是功能最全的，而是让用户"不需要说明书"的。
D代表扩散。 利用能力扩散差距。模型能力扩散到市场的速度远慢于能力被创造的速度。这个差距就是机会。格雷迪补了一句赛车比喻：没有领先是安全的。但这也意味着任何人都可以赢。
这场会议对普通人的启示
整场会议的信息量极大，但如果我们把视角拉回"普通人"这个起点，尤其是那些没有编程背景、正在或准备借助AI工具实现创意的人，可以提炼出几个值得认真想的信号。
编程正在民主化，但质量门槛没有降低。 Vibe Coding让任何人都能做出"能跑的东西"，但"能长期维护、能安全运行"仍然需要Agentic Engineering的纪律。卡帕西的现场调查显示，大多数人仍处于"50/50"的中间状态，100%手写代码和100%AI写代码的都是少数。这个差距，恰恰是很多AI项目失败的原因。所以不要因为AI平权就把编程看得太简单，"能跑"只是起点，不是终点。
真正稀缺的不是智能，而是判断力。 卡帕西说"你可以外包思考，但不能外包理解"，布罗克曼说"人类注意力将成为整个经济体中最稀缺的资源"，红杉说"当所有高级智力技能廉价化后，真正让你保持竞争力的是情感"。三句话指向同一个结论：Vibe Coding让"思考"变得廉价，但"理解"变得更稀缺、更值钱。而找到AI暂时还替代不了的那些能力，正是我们该去发展和学习的方向。
新的技术鸿沟正在形成。 Agentic Engineering的真正门槛不是技术，而是"判断力"，知道什么该让智能体做、什么必须人把关、什么时候该喊停。少数人获得远超10倍的加速，而大多数人还在"50/50"的中间状态。这个鸿沟，比编程语言的鸿沟更难跨越。
最被低估的风险是"锯齿状智能"带来的系统性脆弱。 卡帕西举的例子非常精准：同一个模型能重构10万行代码，却会让你走路去50米外的洗车店。这种能力的不连续性意味着：当你把关键业务流程交给智能体时，你无法预测它会在哪个边缘情况上崩溃。这对企业级应用是致命的。布罗克曼的Codex案例也说明了同样的问题：AI自动升级去ping经理，逻辑上合理，但社交上不合适。可验证性是判断机器接管程度的核心标准：写代码可验证，测试能不能过；设计界面可验证，是否符合品牌规范；内容写作部分可验证，事实准确性和格式规范；创意决策不可验证，需要人来判断。一个高级设计师可能80%的时间在做可验证的执行工作，只有20%在做真正的创意决策。那20%很安全，但那80%正在快速转移。
写在最后：当编程变得像发短信一样简单
哈萨比斯在对话中给出了一个时间判断：2030年实现AGI。他还说了一句意味深长的话："我们正处于通往超级智能的最后冲刺阶段。"
但比时间判断更重要的是他的另一个观点："最好的方式是先做一个工具，一个极其智能、有用、精确的工具，然后再跨越下一道边界。"
这句话与卡帕西的"你可以外包思考，但不能外包理解"、布罗克曼的"人类注意力是最稀缺资源"、红杉的"人是万物的尺度"，共同构成了这场会议的底层共识：AI可以做工作，AI将做工作，但只有人类联系才能给你一个关心的理由。
对没有编程背景的人来说，这是一个最好的时代。Vibe Coding让编程门槛降到了前所未有的低，就像切尔尼说的，"以后写代码会变得像发短信一样简单"，每个人都能随手做个应用出来。但这也是一个需要认真想一想的时刻。
卡帕西说"你可以外包思考，但不能外包理解"，这句话的深层含义是：Vibe Coding让"思考"变得廉价，但"理解"变得更稀缺、更值钱。当所有人都在外包思考的时候，守住自己的理解，就是守住最后的护城河。
但"守住理解"不是让我们拒绝AI、回到手写代码的老路上去。恰恰相反，最实际的用法是：借助AI的强大能力，省下那些重复性、可验证的工作时间，去补我们的判断力和创造力。AI能帮我们做出"能跑的东西"，但"知道什么值得做"、"能不能判断做得对不对"，这些才是人该花时间去打磨的。
编程变得简单了，但软件工程没有变简单。"能跑"从来不是软件工程的唯一目标，安全、可维护、可扩展、可审计，这些才是专业软件的底线。不要因为AI平权就把编程看得太简单，能跑只是起点，不是终点。AI平权让我们都能站上起跑线，但跑多远、跑多稳，取决于我们是否愿意花时间去理解那些AI暂时还替代不了的东西。而找到这些东西，正是我们该努力的方向。
Vibe Coding抬高了地板，让所有人都能站上去。Agentic Engineering抬高了天花板，让我们知道还有更高的地方值得去。
而连接地板和天花板的，不是对技术的恐惧，而是对"理解"的持续投入：借助AI省下时间，去补那些真正属于人的能力。
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⭐～
