「我从来没有像现在这样，觉得自己已经落后于AI时代。」
当Andre Karpathy——这个一手参与OpenAI创建、让特斯拉自动驾驶真正上路、亲自提出「Vibe Coding」理念的顶级AI工程师——在公开场合说出这句话时，现场鸦雀无声。对于许多人来说，他是AI领域的先驱和布道者，可如今，连他也坦言自己“追不上了”。
1. 震撼时刻：AI进化的断崖式跃迁
如果说2023年大家还在用ChatGPT写点小段代码，纠正下语法错误，那么到了去年12月，Andre突然发现自己几乎不再需要纠错——AI生成的代码越来越准确，越来越可靠，越来越像一个「编程搭档」。他回忆道：
「我甚至已经记不清上一次手动纠正AI生成的代码是什么时候了。AI变得如此可信，我只需要不断地给出新的指令，它就能持续产出正确的结果。」
那一刻，他体会到从“辅助工具”到“智能体”的根本切换。过去AI是你手中的一把瑞士军刀，现在它已悄然成为你的隐形合伙人，甚至在某些领域跑在你前面。
2. 软件3.0：代码、数据、提示词，哪个才是核心？
Andre把AI驱动的软件进化分为三个阶段：
- 软件1.0：人写代码，规则明确，程序员主导一切。
- 软件2.0：人设计数据集和目标，让神经网络通过训练自学能力。
- 软件3.0：提示词和上下文才是「新代码」，AI模型成为真正的“可编程计算机”。
他举了一个菜单识别的例子。过去，如果你想让AI识别餐厅菜单，得开发一个复杂的OCR应用，前端后端一大堆代码。现在，只需拍张照片，扔给Gemini这样的AI，再用另一个AI工具（比如Nanobanana）做图像叠加，几乎不需要写任何“传统意义上的代码”。
「我以前写的那一整套菜单识别App，现在看来根本不该存在。软件3.0时代，很多我们习以为常的中间层、接口、逻辑，正被AI直接跨越。」
Andre观察到，这不仅仅是「编程加速」这么简单，而是信息处理方式的根本变革。AI不只是在帮你写代码，它在帮你“理解、重组、创造”新的数据结构——知识库、文档、图像，甚至策略计划。
3. 反常识洞察：不是所有工作都能被AI替代，但每个领域的“可验证性”决定了AI渗透的速度
Andre用「可验证性」来解释AI为什么在某些领域（比如编程、数学）进步飞快，而在另一些领域却总是磕磕绊绊。他发现，AI越容易对结果进行验证的任务，就越容易被迅速自动化。
「大型模型训练时，越能通过奖励机制‘验证’结果的任务，AI就越容易把能力快速拉满。比如象棋、编程、数学等领域，AI的进步异常迅猛。相反，像美学、判断力、创造力这些难以量化的领域，AI则会显得‘参差不齐’。」
他举例说，GPT-4能同时帮你重构十万行代码，查找零日漏洞，却可能在“我应该步行还是开车去50米外的洗车店”这种常识问题上犯低级错误。这种“智能参差不齐”的现象，他称之为「Jagged Intelligence」。
4. 未来图景：AI的“幽灵”本质与新型协作模式
Andre经常用“幽灵”与“动物”做对比。他认为，现在的AI更像是在数据和奖励函数里被“召唤”出来的幽灵，而不是拥有动机、好奇心和自我进化能力的动物。
「这些AI没有‘本能’，没有情绪。你吼它们，它们不会更努力。它们只是依据数据和统计规律做出反应。」
正因为如此，我们在与AI协作时，需要改变思维方式。过去的软件、文档和工具都是面向人设计的，现在则需要「Agent First」——一切工作流和数据结构，优先考虑如何让AI代理高效理解和执行。
他分享了一个亲身体验：开发菜单识别项目时，开发本身并不难，真正耗时的是各种部署、配置、第三方服务对接。「我多希望能直接给AI一句话‘帮我上线MenuGen’，一切自动完成。」
5. 人类的价值：理解、判断与品味，仍然不可替代
随着AI代理越来越智能，Andre发现自己在某些领域已经“被边缘化”了。比如底层API的参数、各种框架的细节，AI全都记得比他牢。但有三样东西，AI还远远做不到：
- 理解全局：AI可以生成细节，但项目的整体方向、顶层设计、目标定义，依然需要人来把控。
- 判断与品味：AI能写出“能用”的代码，但代码的优雅、可维护性、美学，依然有待人类工程师最后把关。
- 真正的“理解”：如有一条金句所说——「你可以外包思考，但无法外包理解。」AI能帮你梳理信息、生成内容，但“为什么要做这件事”“如何选择最优路径”，依然需要你自己的认知去筛选和把关。
他坦言，自己最担忧的是「理解瓶颈」：信息爆炸，AI能生成无穷信息，但人脑的理解与吸收速度并没有变快。于是，如何用AI帮你构建知识库、协助你消化和升华这些信息，反而成了新的刚需。
6. 未来的协作场景：从“实习生AI”到“合伙人AI”
在Andre的设想中，未来每个人、每家企业都会有自己的AI代理。你的AI和我的AI直接沟通，自动协商会议、交换信息、自动完成任务。整个工作流将被重新设计，人与AI之间的“接口”将越来越模糊。
但他强调，这一切并不意味着人类可以“彻底甩手”。每当AI做错决策、出现诡异bug、在模糊地带游移时，人类依然需要站出来做最终的判断和定夺。
他举了一个“AI实习生”犯低级错误的例子：在MenuGen项目中，AI把两个不同邮箱（Google和Stripe）当作相同用户，导致用户充值无法到账。这个问题，只有具备业务场景理解和常识的人类才能看出症结所在。
7. 教育的终极命题：理解力，依然稀缺
在AI让“思考”外包变得越来越便宜的今天，什么还值得深学？
Andre给出的答案是：「你可以外包思考，但理解只能靠自己。」
他认为，真正值得深学的，是那些能帮助你建立世界模型、提升判断力、理解复杂系统运行原理的知识。AI可以辅助你整理、生成、推理，但最终的“为什么”——选择、评判、统筹的能力，只有靠你的理解力去夯实。
他把自己的知识管理方式概括为「用AI不断生成、重组、提炼信息，最终沉淀为属于自己的知识库」。每当他看到新的信息结构、新的投影方式，都会重新获得洞见。他坚信，未来的AI工具会越来越多地帮助人类提升理解力，而不是单纯替代劳动。
8. 留白：人类与AI的动态平衡
访谈最后，Andre轻描淡写地说：「也许几年后我们会再次坐在这里，看着AI是否已经连‘理解’都自动化了。」
但他话锋一转，眼神坚定——「至少现在，真正的理解，仍然是我们的独特价值。」
世界在变，AI在进化。唯一不变的，是人类对意义的追问，对未知的好奇，以及与AI共舞的勇气。