AI大神Karpathy演讲刷屏：软件3.0时代已来，提示词就是新代码

不在 OpenAI 的 Andrej Karpathy，始终是传说。

最近，Karpathy 在 YC AI 创业学校活动上做了一次演讲。视频刚发布，全球网友就迫不及待地开始学习。

表面看，这场演讲有些松散；但细细品味，几乎每个点都埋着深意。

Karpathy 精心准备了 PPT，整个内容编排得像一次编程语言进化史的讲解：从软件 1.0 时代讲起，到以“喂数据”为核心的 2.0 时代，再到如今 3.0 的“对模型说咒语”。他再次强调“LLM 是新操作系统”，并进一步延伸到了 AI 与人类相似的心理特征，最终得出的结论是：AI 应该增强人类，而非替代人类。

这其实是他对 LLM 时代的理解，一个研究者和 builder 的技术世界观。不是激情澎湃的预测，而是一次自我梳理后的分享：语言正在变成控制系统，而每一个人，都拥有语言接口的一部分。

因为演讲内容太丰富，有人将它浓缩成了一套“金句卡片”——一句话锚点加一段解释，像翻读卡片一样直击中心，也许哪一句就能成为下一个创造的起点。

Karpathy 讨论了两种对 LLM 的比喻：电网和芯片工厂。LLM 的发展很像电网——需要巨大的资本支出来建设，然后通过 API 以计量付费的方式提供服务。它又像芯片制造厂，因为构建它需要巨额投资，且技术分支发展迅速。

但他认为，更贴切的比喻是操作系统。他强调，LLM 并非像电力或自来水那样可以随意取用、没有差异的“商品”。相反，它们是日益复杂的软件生态系统——这个特性使“操作系统”成为一个更精确的类比。

他把闭源 LLM 提供商比作 Windows 和 Mac OS，将开源的 Llama 生态比作 Linux，把 LLM 本身比作 CPU，上下文窗口比作内存，而 LLM 的工作方式就是像操作系统一样调度这些“硬件”资源来解决问题。

既然 LLM 是正在形成的复杂生态系统而非简单的商品，那么还可以从计算机体系结构的角度进一步理解大语言模型。作为 CPU 的模型本身是执行计算和推理的核心；上下文窗口就是内存，用来临时存放当前工作所需的信息。

而一个整体的工作流，就像操作系统，负责调度 CPU 和内存等资源，去完成用户提出的复杂任务。

在 Karpathy 的设想里，大模型不再停留在宏观的商业模式，而是一个全新的计算平台。

不过，即便 LLM 会成为一个计算平台，眼下最主流的交互方式——直接通过聊天框式的纯文本与强大的 LLM“操作系统”对话——并不会长久。

Karpathy 以 Cursor 为例：在编程语言中，通过 GUI，用户可以直观地看到红色和绿色高亮显示的代码增删，并用快捷键快速接受或拒绝。这种方式远比用自然语言描述“请接受第二处修改但否决第一处”要高效直观得多。

GUI 利用了人类强大的视觉处理能力，极大地加速了对 AI 工作成果的“验证”和“审计”环节。尽管 LLM 的核心是语言模型，但要构建出真正实用的“能自动化的应用”，就绝不能忽视 GUI 的力量。

一个精心设计的 GUI 是连接人类用户和 AI“操作系统”之间最高效的桥梁，它使得人机协作的“生成‑验证”循环能够飞速运转。

Karpathy 提出的这几个问题，指向的是如何让 LLM 产品更自动化——至少部分的自动化。将任何传统软件改造为 AI 可驱动的“部分自主的应用”，必须满足三个前提条件：

- 感知：AI 袋里需要能够“看到”所有人类用户能看到的信息。
- 行动：AI 袋里需要能够执行所有人类用户能执行的操作。
- 监督：必须有一个机制，允许人类监督 AI 的工作并随时介入——因为 AI 系统目前并不可靠。

一个至关重要的结论是：当前绝大多数软件的界面（各种开关和设置）都是纯粹为人类设计的。这恰恰是实现 AI 自动化的障碍。因此，他呼吁：“所有这一切都必须改变，变得对大语言模型可访问。”

作为前特斯拉总监，Karpathy 的经历和看法自然比一般人更锐利：软件和现实世界的复杂性远超想象。这也是他对 AI agent 的态度。

对于动辄高举的“agent 元年”，他实际上非常谨慎。他认为，这应该是“袋里人的十年”，而不是一年。

归根到底，从一个令人惊艳的演示（99% 的成功）到真正可靠、能处理所有极端情况的成熟产品（99.999% 的成功），中间隔着一条漫长而艰难的鸿沟。

在加入 OpenAI 之前，Karpathy 就对教学非常感兴趣。不仅在斯坦福时当过助教，还自己制作了一系列科普视频。他始终在思考：AI 时代的教育是什么样的？其中的一个关键点是：如何让 AI 不失控。

“失控”的 AI 无法胜任教育的任务。一个完全开放式的、无结构的指令，会让 AI 缺乏方向。即便只是“教我物理”这样的任务，也会导致 AI 无法出具连贯的教学大纲、清晰的知识递进层次和结构化的教学路径，最终教学失败。

这完美印证了他之前关于“过度反应的袋里会产生无用结果”的观点。因此，他认为应该把 AI 限制在人类的产出中。比如让教师与 AI 协作，创建一个结构化的“课程”。这个课程就是一个可以被审核和验证的中间产物，从而确保了教学质量，避免了“迷失方向”的问题。

LLM 也有心理学？起码 Karpathy 相信这一点。毕竟，AI 是通过学习和拟合互联网上几乎所有人类编写的文本数据进行训练的。

但这意味着 AI 既是强大的，也是脆弱的——既包括超能力，也包括认知缺陷。LLM 有着百科全书般的知识储备，Karpathy 把它比作电影《雨人》中的主角。但一系列缺点也都存在：幻觉、智能水平参差不齐，以及像患有“顺行性遗忘症”一样的有限记忆能力等。

AI 是在海量的人类数据上训练出来的，所以它不可避免地涌现出了类似人类的心理特征——无论好与坏。

毫无疑问，LLM 碘伏了传统的技术扩散方向——这也是为什么 Karpathy 说，现在是进入行业的好时机。

过去的碘伏性技术，都是先由政府和企业使用，再逐步普及到消费者。但 LLM 完全相反：它首先通过消费级应用（比如问 ChatGPT 如何煮鸡蛋）触达大众，而政府和企业在采用上反而滞后了。

一整场下来，Karpathy 并没有在“画大饼”，而是在给出一层又一层新的视角，以及一种不断自我迭代的思维方式——而这，正是每个还在学习如何穿上“AI 战甲”的人所真正需要的。