AI大神卡帕西最新演讲：AGI从幻想到落地，先要直面三个现实

YC人工智能创业学校2025年的闭门课上，AI技术大神、OpenAI联合创始人安德烈·卡帕西抛出了一个相当直白的判断：软件3.0正在把传统编程逼至墙角，程序员们要么学会用提示词“编程”，要么转行去卖提示词生成器。

卡帕西所指的软件3.0，本质上是一种以“提示词即程序”为核心范式的新生产力。它并非简单的手工代码与机器学习的叠加，而是通过大语言模型的多重属性，将提示词、系统设计和模型调优三者融合在一起。听起来很酷，但现实情况是，当前的大模型存在两个显著短板：“锯齿状智能”和“顺行性遗忘”。前者让AI在高难度任务与常识判断之间出现能力断层，后者让对话记忆变得短暂而脆弱。这意味着，我们需要通过系统提示学习等方式，为模型划定清晰的能力边界。

卡帕西还特别强调了人机协作的关键在于“部分自主性”框架。说白了，这就像给AI穿上“钢铁侠战甲”——既要有自主决策能力，又得通过“自主性调节器”来动态平衡AI的自主程度与人类的信任感。整个开发生态都需要为此重构，而智能体则扮演着连接人类与计算机程序的“双语翻译官”角色，推动开发范式从“人适应机器”向“机器适应人”转变。

01 软件3.0：提示词即程序的生态重构

卡帕西在演讲中展示的“软件世代进化图谱”颇为生动。他将软件发展划分为三个阶段：手工敲代码的“软件1.0”、靠机器学习训练模型的“软件2.0”，以及提示词驱动的“软件3.0”。但这不是和平共处，而是赤裸裸的迭代淘汰——正如智能手机淘汰按键机，软件3.0正在以无可阻挡的速度挤压前两代的生存空间。

技术变革的核心并不像“1+2=3”那么简单。卡帕西指出，软件3.0不是机械组合，而是一个揉合而成的新物种。当下AI工程师能甩开纯提示词工程师，靠的正是“提示词设计+系统架构+模型调优”的组合技能。当多数人还在用“单机游戏思维”琢磨提示词时，掌握复合能力的开发者已经开启了“上帝模式”。

更关键的是大语言模型的“多面手”属性。这些AI系统如今像“技术变形金刚”一样切换角色——它们可以充当“数字水电工”提供基础算力，也可以化身“代码生产工厂”直接输出程序内容，还能作为“应用开发者”支撑各类工具运行，甚至成为“在线管家”同时服务多用户。这种全能表现，彻底碘伏了传统技术从研发到商业化的逻辑。

这种属性组合带来的后果是，传统技术的商业化路径被完全打破。以前新技术都是先贵后便宜，大语言模型则反其道而行之——先让你免费玩明白，突然有一天告诉你：“我其实能帮你重构整个行业。”

02 LLM心理学：智能锯齿与记忆缺陷的双重挑战

卡帕西提出了一个“LLM心理学”框架，试图揭示当前大模型的“认知短板”。他抛出两个核心观点——锯齿状智能和顺行性遗忘，直指大模型现阶段的主要问题。

先说“锯齿状智能”。这个理论把AI比作一个“精分学霸”：它能解物理系博士都头疼的偏微分方程，却可能在“9.11和9.9谁更大”这种小学生级别的数学题上翻车。卡帕西举了一组反差极大的例子：当AI写论文能引经据典时，它却可能建议你“鸡蛋剥壳后放进微波炉”；能推导复杂公式，却分不清简单的常识逻辑。这种能力断层和人类线性成长的智商曲线完全不同——人类像打游戏攒经验值，AI却像被雷劈过的技能树，自然语言理解点满20级，常识判断可能只有3级。

他调侃说，现在的AI就像《生活大爆炸》里的谢尔顿，智商超群却生活不能自理。开发者得学会在它“犯傻”之前踩刹车。有趣的是，解决这个问题并不需要砸钱堆算力。卡帕西举例说，LLM就像给AI开“认知疗法”，让模型在回答前先自问“我算对了吗？”——类似于学生考试时多检查一遍。但在生产环境里用LLM，更像是在带熊孩子：让它做擅长的写代码等任务，同时必须盯着别在简单题上踩坑，所谓“人工监督保平安”就是这个道理。

如果说锯齿状智能是智商问题，那顺行性遗忘就是记忆力灾难。卡帕西打了一个非常形象的比方：LLM就像《记忆碎片》里的主角，每次对话都是全新开始——训练结束后，它就像被按了失忆键，除了眼前几百字的上下文，过去的知识全成了过眼云烟。想象一下，你有个同事，昨天刚教过他报销流程，今天问起来还是一脸茫然。ChatGPT的“记忆”功能就像给这种同事发了便利贴，但属于那种会被咖啡洒湿的劣质货。

人类学习靠“记笔记”，AI却缺了这个功能。预训练是往脑子里塞知识，微调是培养行为习惯，但都离不开改参数。而我们真正需要的，是让AI能自己写“学习日记”——比如遇到复杂问题后总结“下次再碰到类似情况，应该先查历史数据”。这就是卡帕西说的“系统提示学习”。

打个比方就是：预训练是上大学，微调是实习，系统提示学习就是工作后写工作总结。

卡帕西把AI的记忆缺陷比作一个没带记事本的外卖小哥，记不住客户偏好，还总在“常识路口”迷路。理想的解决方式是给它一本“数字日记本”，让模型能自己总结解题策略，而不是靠工程师像保姆一样追着喂提示词。这事儿难在哪儿？好比教失忆症患者写日记——得先让AI搞懂“该记什么”，再琢磨“怎么把日记里的经验变成肌肉记忆”。从识别关键信息到将历史经验内化为自主决策能力，这中间的技术关卡，足够工程师们琢磨好一阵子了。

03 部分自主性（Partial Autonomy）：当AI穿上钢铁侠战甲

卡帕西提出一个引人入胜的观点：让AI穿上“钢铁侠战甲”。这套战甲由两部分构成：一是能力增强，赋予使用者力量强化、工具集成、环境感知与信息交互能力；二是自主决策，让AI在多数场景具备自主意志，可以无需人类指令主动执行任务。但问题在于，如何把这套酷炫的设定“焊”进现实中的AI产品？卡帕西给出了三大方向。

第一招：装上“懂事程度旋钮”。他提出“自主性调节器”概念，就像老式收音机的音量旋钮，可以灵活控制AI的“自主度阀门”。以Cursor为例，从Tab键补全时小心翼翼地问“你是不是想打‘hello’？”，到Cmd-I智能体模式霸气宣言“这事儿我全包了”，宛如实习生一路逆袭成项目骨干。Perplexity的搜索功能也从“丢个链接自己看”的基础款，升级到输出带参考文献小论文的“研究员模式”。就连特斯拉的自动驾驶，也是从“你握方向盘我帮看路”的L1级，逐步迈向“你刷手机我来开”的L4级。这背后本质上是人类对AI信任阈值的动态校准。

第二招：踩准人机协同的“快进键”。在AI“出题—人类批改”的协作循环中，卡帕西强调半自主性是破局关键：验证端必须快如闪电，比如要求AI先输出100字极简方案，人类在10秒内就能打勾或打叉；生成端则要用“紧箍咒”划定边界，规定代码必须包含指定函数，防止AI“放飞自我”，写出无法运行的“玄学代码”。

第三招：跨越从Demo到产品的“马里亚纳海沟”。卡帕西以Waymo为例敲响警钟：2014年这家公司推出全程零干预的自动驾驶原型车时，所有人都以为“无人驾驶明天就能上路”，结果现实却让司机至今仍需像防贼一样盯着方向盘。这印证了一个残酷的事实：部分自主性才是跨越技术落地鸿沟的桥梁，开发者必须在功能丰富度与可靠性之间找到微妙平衡点。

04 Vibe Coding与智能体开发生态

卡帕西随手发的一条关于Vibe Coding的推文，如今已经催生出数千家初创公司，甚至拥有了独立的维基词条——这场面堪比“比特币白皮书刚发布时的疯狂”。但魔幻的是，就像网红餐厅排队两小时吃饭五分钟，MenuGen等工具在本地运行后，AI的“光速编程”特效会突然失效，暴露出现实的骨感。

2025年Web开发的割裂现状

如今的开发工具链像“新旧大杂烩”：老工具如Clerk，文档复杂难懂，AI读起来像在破译古文；新工具如Vercel，文档简洁清晰，AI能轻松理解，也被卡帕西点赞。这种新旧割裂就像让程序员同时用算盘和电脑，效率差距巨大。于是DeepWiki这类“知识整理工具”成了刚需，它能帮AI自动关联支付接口、物流API等知识，避免像新手一样反复查资料。

数字信息消费新范式

卡帕西指出，工具开发者需要重新定义三类用户：通过图形界面点击操作的人类用户（类似用钢笔手写笔记）、通过API接口直接交互的计算机程序，以及既能处理数据又能理解人类语言的智能体（像“双语翻译官”，可帮用户用自然语言操控服务器并自动生成规范的API代码）。

05 结束语：从AGI幻想转向务实创新

卡帕西在结语中提出了一个清醒的观点：与其空谈“2027年实现AGI”这种遥不可及的目标，不如脚踏实地解决三个现实问题。

首先，我们需要开发真正实用的半自主系统。就像特斯拉的自动驾驶不是一步到位实现完全无人驾驶，而是逐步完善辅助驾驶功能。这些系统要能理解人类意图，同时具备自主决策能力，关键是要设计好人与AI的协作界面。

其次，软件开发正在经历根本性变革。传统的代码编写（软件1.0）和机器学习（软件2.0）正在进化成软件3.0时代——开发者通过自然语言指导AI生成和优化代码。这就像从手工作坊转向现代化生产线，整个开发流程都需要重构。

最后，大模型应该像水电煤一样成为基础设施。开发者不需要重复造轮子，而是基于这些“AI公用设施”构建应用。就像云计算改变了IT部署方式，AI基础设施将重塑整个技术生态。

这场变革的本质，是从“人适应机器”转向“机器适应人”。未来的赢家不是追求最强AI的公司，而是最懂如何让人与AI协作的团队。这就像工业革命不仅是机器的革新，更是生产关系的重构。我们需要的是实用主义的创新，而非科幻式的空想。