# 在这场访谈中，Karpathy 分享了他作为程序员在 AI 时代的亲身经历与深刻洞见

- 来源：Berryxia.AI (@berryxia)
- 发布时间：2026-05-01 07:16
- AIHOT 分数：62
- AIHOT 链接：https://aihot.virxact.com/items/cmom5q71z0500sll91e32rqg1
- 原文链接：https://x.com/berryxia/status/2049991262934380898

## AI 摘要

Karpathy指出，2025年12月AI生成代码从需修改变为直接可用，标志进入Vibe Coding状态。软件开发进入Software 3.0大语言模型时代，编程核心转为通过prompt等操纵LLM。LLM能力呈锯齿状智能，在可验证、RL优化领域强，但常识任务上易犯错。他区分Vibe Coding（提高开发下限）与Agentic Engineering（守住质量、安全上限），强调人类理解、品味和判断仍最宝贵。未来可能转向神经计算机，基础设施需Agent-first。

## 正文

在这场访谈中，Karpathy 分享了他作为程序员在 AI 时代的亲身经历与深刻洞见。

他表示，2025 年 12 月成为他的个人转折点：AI 生成的代码从"有帮助但常需修改"转变为"直接可用"，他已记不清上一次亲自修改 AI 输出是什么时候，从此进入
"Vibe Coding"的状态。

Karpathy 将软件开发划分为三个阶段：

Software 1.0 是传统显式代码编程，Software 2.0 是神经网络时代，而 Software 3.0 则是大语言模型时代。

在 Software 3.0 中，编程的核心不再是逐行编写代码，而是通过 prompt、上下文窗口、工具调用和外部环境来操纵 LLM 这个新的"信息处理解释器"。

他以自己开发的 MenuGen 应用为例，指出许多传统 AI 应用可能被模型原生能力直接取代，整个 App 在新范式下甚至"本不该存在"。

他特别强调 LLM 的能力呈现"锯齿状智能"（jagged intelligence）：

在可验证、可通过强化学习（RL）优化的领域（如重构十万行代码、发现零日漏洞）表现极强，但在需要常识判断的任务上却可能犯下低级错误。

例如建议"走路去 50 米外洗车"而忽略车必须被开过去。

Karpathy 认为，这种能力分布并非模型自然进化，而是实验室数据决策和 RL 训练覆盖范围的结果。

Karpathy 区分了两个重要概念：Vibe Coding 显著抬高了所有人开发软件的下限，让更多人能快速做出产品；

而未来的 Agentic Engineering（智能体工程）则需要在利用 Agent 加速开发的同时，严格守住专业软件的质量、安全、可维护性和责任上限。

他认为，智能变得廉价之后，最宝贵的仍是人类的理解、品味、判断、系统设计和规格定义能力，并引用了一句深刻的话：

"你可以外包思考，但不能外包理解"。

此外，Karpathy 还展望了"神经计算机"的未来设想：神经网络可能成为主进程，而传统 CPU 和代码则退居协处理器。

同时强调基础设施需要转向"Agent-first"，让 Agent 能更轻松地读取文档、调用服务和完成部署。

### 引用推文

> 宝玉：http://x.com/i/article/2049616699541090304