Karpathy:App理论上不该存在,别追大模型逃逸速度,去造你自己的RL环境

程序员慌了？Karpathy说他去年12月就"跟不上时代"了，但他兴奋得睡不着。

如果你在过去半年还觉得AI只是"更好的编程助手"，那你可能已经错过了最关键的转折点。

前OpenAI核心创始成员、Tesla Autopilot前负责人Andrej Karpathy，最近在访谈中爆出了一系列令人瞠目的观点：

"那个App理论上根本不不应该存在。""LLM本身就是一种新的计算机。""人类必须负责Plan——我甚至不喜欢所谓的Plan Mode。"

这些不是标题党。这是一个深度参与了AI每一个关键节点的人，在他亲眼看到范式转换之后说出的判断。

下面，我们把这场访谈中最炸裂的几段话，掰开揉碎了讲清楚。

01.

"12月开始，规则变了"

Karpathy坦言，他从去年12月就开始感受到一种剧烈的变化——作为程序员的"落后感"。

不是那种"有点跟不上"的焦虑，而是一种陡峭的认知转折。

"去年大部分时间，我用Cursor、Lovable这些工具写代码，它们能生成一大块代码，但偶尔会出错，你得手动改改。那会儿我觉得它们算'有帮助'。""但12月我休假的时候，突然发现：最新一代模型生成的代码块，开始变得直接可用了。我让它继续写，它是对的；再写多一点，还是对的。我甚至想不起来上一次认真修改它生成的代码是什么时候了。"

这种体验直接把他推进了一个"巨大的兔子洞"——他的side project文件夹里塞满了各种实验，他几乎一直在"vibe coding"。

此刻，你可能觉得自己还在用ChatGPT辅助工作，但底层已经发生了根本变化。

02.

编程这件事被彻底重写了

Karpathy提出了一个三层框架来解释我们现在经历的变化：

1. Software 1.0：亲手写if-else，全部靠人类精确表达
2. Software 2.0：通过整理数据集、设计目标函数来"间接编程"——训练神经网络
3. Software 3.0：编程动作变成了Prompting。你往上下文窗口里塞什么，就相当于你在操控LLM这个"解释器"

这个框架意味着什么？

Karpathy举了一个特别生动的例子：OpenClaw的安装方式。

"正常情况下，安装一个软件无非是跑一段shell脚本。但问题是，你要兼容大量不同平台、不同电脑环境，shell脚本最后会膨胀得极其复杂。""而OpenClaw的安装方式根本不是一段脚本——而是一大段说明文字，告诉你'复制这段内容，丢给你的AI agent'。Agent会自己读取环境、自己判断、自己执行、自己debug。"

你不再需要把环境配置的每一个细节都精确写死。

Agent自己带着智能，它会读取你的电脑环境，自己做判断，自己执行必要动作，自己在循环里debug，让整个过程跑通。

现在你真正要思考的问题已经不是"脚本怎么写"，而是"我该给agent哪一段文字"。

这才是新的编程范式。

03.

"App理论上根本不应该存在"

Karpathy讲了一个让他自己都震撼的例子：

他做了一个叫Menu Gen的应用——你拍下菜单照片，它自动识别菜名并生成每道菜长什么样的图片。听起来挺完整的对吧？

然后他看到了一个真正的Software 3.0版本：

"你只需要把菜单照片丢给Google Gemini，然后告诉它'用Nanobanana把菜品图像直接覆盖渲染到菜单上'。结果Nanobanana返回的，就是我拍的那张原始菜单图，但它直接在像素层面把每道菜长什么样渲染进去了。"

那一刻他意识到：自己做的整个Menu Gen，都已经过时了。

那个App理论上根本不该存在。

因为在Software 3.0里，整个流程变得极度直接：输入一张图，输出还是一张图，中间根本不需要夹着那一层层传统应用逻辑。

如果这件事也让你后背发凉，恭喜你，你终于开始理解Karpathy说的"规则变了"是什么意思。

04.

编程更快了是其次，更关键的是这个

Karpathy特别强调了一个很多人忽略的点：

这件事已经不光是"编程更快了"——它指向的是更广义的信息处理正在变得可自动化。

举个例子：他最近做了一个LLM Knowledge Base项目，本质上是让大模型自动为一个组织生成一套知识Wiki。

"这严格来说都不能算一个传统程序。因为过去，根本不存在一种代码可以根据一堆事实自动生成知识库。但现在你可以把一批文档丢进去，让模型重新'编译'这些信息，以不同方式重组、重新排序，最后产出一个全新的知识结构。"

所以真正的问题不是"以前那些事，现在能不能更快完成"——而是"现在有哪些事，是以前根本不可能存在的"。

05.

"别去追大模型逃逸速度，去造你自己的RL环境"

主持人问了一个尖锐的问题：如果大模型在数学、编程这些最显眼的方向上已经快冲到逃逸速度了，创业者还能做什么？

Karpathy的回答非常直白：

"别去追LLM的逃逸速度，去造你自己的强化学习环境。"

他的逻辑是这样的：

可验证性之所以重要，是因为它意味着这个问题"可以被攻克"——因为你可以往里面持续砸巨量强化学习。即便大模型实验室没有直接盯着你的领域，只要你的任务本身是可验证的，只要你能构建出对应的RL环境，你就有机会吃到大红利。

"有一些价值极高的强化学习环境还没有被真正开发出来，而这里面存在非常肥的创业机会。"

那么为什么现在AI的能力这么"锯齿状"？问它strawberry有几个r它会犯错，但同一个模型能帮你重构10万行代码库。

Karpathy把这归结为两个原因：训练方法和实验室关注什么。

两者叠加的结果是：模型在某些高度可验证的领域（数学、代码）能力出现尖峰，但在其他领域显得粗糙。如果你要做的事正好落在它强化学习训练覆盖的"电路"里，你会飞起来；如果不在，你会非常挣扎。

所以，搞清楚你自己的应用到底属于哪一条能力电路——这才是今天最现实的策略。

06.

Vibe Coding vs Agentic Engineering

Karpathy自己提出的Vibe Coding，和他现在讨论的Agentic Engineering，是两个完全不同的层次：

• Vibe Coding是抬高所有人的能力下限——几乎每个人都能靠它做点东西出来。

• Agentic Engineering讨论的是另一件事：在不牺牲专业软件质量的前提下，如何利用agent把速度提起来。

"你面对的是一群能力尖锐但不稳定的agent——它们有点脆弱、有点随机，但又极其强大。你要解决的问题是：如何协调这些agent，让整体开发速度暴涨，同时又不牺牲质量标准。"

所以Karpathy认为，"10x工程师"的说法已经过时了。真正会用这套体系的人，效率峰值远远超过10倍。

07.

招聘还在用旧方法？过时了

Karpathy直言不讳：很多公司在招聘这件事上完全没跟上。

"大家嘴上说要招agentic engineer，但还让候选人刷算法题、解puzzle——这基本是在筛选上一代工程能力。"

那么应该怎么招？

Karpathy的建议是：给他一个足够大的真实项目，看他能不能借助agent做出来。

比如直接让他做一个类似Twitter的clone，要求功能完整、安全性高，然后让agent模拟大量用户活动，用最强的Codex或Claude实例去疯狂攻击他部署的网站，试着打崩、打穿、打出漏洞。

"如果在这种环境下他依然能把系统撑住，那你才真正看到了他的agentic engineering水平。"

08.

人类干什么？Karpathy的答案是这几个字

当agent做得越来越多，人类的位置在哪里？

Karpathy的回答干脆利落：

"人类必须负责specification，必须负责plan。"

甚至他说了一句值得细品的话：

"我个人都不算特别喜欢那些所谓的'plan mode'——虽然它们当然有用。但更本质的是，你得和agent一起把一份非常细的spec设计出来，某种程度上应该接近完整文档，然后让agent去填充实现。"

你负责顶层监督和大类结构，agent负责底层执行。

具体来说：

• API细节可以外包：PyTorch/Numpy/Pandas里那堆参数命名差异——keepdims还是keepdim，dim还是axis——他承认自己已经完全记不住了，因为没必要记

• 但基础原理不能丢：比如tensor的storage和view是怎么回事，同一块存储上的视图操作和重新复制在性能上差别很大——你仍然需要理解这些

人类真正负责的是品味、工程判断、设计决策。你知道要什么，知道哪些要求必须被写死。

"你可以外包思考，但不能外包理解"

访谈的最后有一个问题特别打动人：当智能变得廉价之后，什么东西仍然值得被深度学习？

Karpathy引用了一条他"每隔两天就会想起一次"的推文：

"你可以外包思考，但你不能外包理解。""信息最终还是要进入我的脑子里。真正的瓶颈变成了：我是否足够理解我们到底在建什么、为什么值得建、该如何指挥这些agent。"

所以他特别喜欢LLM knowledge base这类项目——每读一篇文章，就同步让自己的个人Wiki从文章里生长出来。

"这些工具的真正价值是增强理解，而不是替代理解。而理解这件事目前依然是一个瓶颈——如果你自己都没有形成理解，你就不可能成为一个好的导演。"

这一点，暂时还没有被任何AI取代。

09.

一切都要重写

当被问到"agent世界会是什么样子"时，Karpathy的答案很诚实但也令人震颤：

"一切都要重写。"

我们现在几乎所有系统仍然是为人类写的——文档、API接口、配置流程，全都是写给人看的。

"每次看到文档里还在写'请访问这个URL''请点击这里完成配置'，我内心都会冒出一句：啊，怎么又是我自己来？"

他期待的未来是：所有流程都优先描述给agent，而不是描述给人。

到那时候，你的agent和我的agent先把会议细节谈妥，时间安排、准备事项、资料同步——很多琐碎沟通都由它们先完成。

10.

写在最后

通篇读下来，Karpathy想传递的信息其实很清晰：

1. 规则已经变了——从去年12月开始，不是慢慢变，是陡峭地转折
2. 别追着LLM跑——去造你自己的RL环境，那里有创业者的机会
3. 人类负责plan——agent再强，spec和plan仍然是你的责任
4. 理解比思考更稀缺——你可以外包思考，但不能外包理解

所以，与其焦虑"AI会不会替代我"，不如问问自己：

我有没有在构建自己的"理解力"？我能不能设计出agent实现不了的顶层框架？

这或许就是2026年留给每个技术人的问题。