一、软件演进的三个阶段
软件1.0（代码驱动）
核心：人类直接编写确定性指令（如Python/C++），逻辑显式定义。
代表平台：GitHub作为代码托管生态。
软件2.0（权重驱动）
核心：通过数据集训练神经网络生成权重参数，程序由优化器“学习”而非手动编写。
代表平台：Hugging Face成为“模型界的GitHub”，例如Stable Diffusion的LoRA微调即等效于一次“Git提交”。
软件3.0（提示词驱动）
核心：自然语言（如英语）提示词（Prompt）成为新编程语言，直接调度大模型（LLM）完成任务。
案例对比：
情感分析任务：
软件1.0需手写规则代码；
软件2.0需标注数据集训练分类器；
软件3.0仅需自然语言指令+示例。
意义：编程门槛大幅降低，非技术用户可通过语言描述创造软件。
二、LLM的三重本质属性
公共事业属性（Utility）
OpenAI等公司以CAPEX训练基础模型（类比电网建设），通过API提供OPEX服务（按Token计费）。
依赖症凸显：顶级LLM宕机即引发全球“智能停电”。
晶圆厂属性（Fab）
训练需巨额资本与尖端技术，分化为两种模式：
无晶圆厂模式：依赖NVIDIA GPU；
垂直整合模式：如Google自研TPU。
操作系统属性（OS）
架构类比：LLM=CPU，上下文窗口=内存，提示词=命令行输入。
生态现状：
闭源巨头（GPT/Gemini）类似Windows/macOS；
开源社区（LLaMA）类似Linux。
时代定位：处于“1960年代分时计算”阶段——算力集中云端，个人设备（如Mac Mini运行小模型）是革命前兆。
三、LLM的能力与缺陷：“有缺陷的超人”
超能力：
百科全书式记忆（如背诵Git哈希值）。
致命缺陷：
幻觉与低级错误：如判断“9.11 > 9.9”或数错字母；
锯齿状智力：部分任务超越人类，却犯人类不会犯的错；
顺行性失忆：无长期记忆，上下文窗口清空即遗忘（类比《记忆碎片》）。
四、核心机遇：半自主化AI产品
核心理念：不造“钢铁侠”（全自主AI），而是造“钢铁侠战衣”（人机协同）。
关键设计：
自主性滑块：用户控制AI参与程度，例如：
编程工具Cursor：从代码补全到全库重构的多级控制；
搜索工具Perplexity：自主性可调的研究模式。
Vibe Coding实践：Karpathy本人用英语提示词一天开发iOS应用，但部署（支付/认证）仍依赖人工点击——揭示当前基础设施局限。
五、未来基础设施：为AI智能体重构世界
现存问题：当前网站/文档为人类设计（如“点击这里”），AI无法解析。
解决方案：
LLM.txt协议：类似robots.txt，声明网站对AI的开放规则；
机器友好接口：如Vercel/Stripe提供Markdown文档，用curl命令替代图形界面操作；
智能体优先设计：打通系统孤岛，使AI可跨平台调度工具（例：实在Agent自动处理Excel→CRM同步）。
六、技术演进三阶段展望
短期：软件重构为“人类+大模型”协同模式，半自主应用爆发；
中期：大模型渗透企业工作流，代码/文档/数据分析全面智能化；
长期：贾维斯级助手普及，但人类保持最终决策权（自主性滑块右移不失控）。
💡 演讲总结：Karpathy呼吁开发者掌握三种范式技能（1.0代码/2.0训练/3.0提示词），并强调“2025是Agent的十年”——其本质是重建人机协作范式，而非追求完全自动化。软件3.0时代的标志是：自然语言成为创世工具，人类从“程序员”转型为“AI教师”。
发表评论 取消回复