OpenAI 聯合創始人 Andrej Karpathy 在最新訪談中指出，聯創大語言模型正作為「新型計算機」全面重塑計算架構。訪談

4 月 29 日，新型計須重寫曾一手主導特斯拉 Autopilot 開發、算機并在 OpenAI 具有舉足輕重地位的東西都必 AI 領軍人物 Andrej Karpathy，在由 AI Sent 主辦的聯創活動上，就當前 AI 代理的訪談技術躍遷及其對軟硬件生態的深遠影響進行了深度拆解。

Karpathy 表示，新型計須重寫自去年 12 月起，算機他開始意識到以代理為核心的東西都必工作流已真正可用，這一轉變標志著 Software 3.0 時代的聯創實質到來。

他說：很多人去年對 AI 的訪談印象還停留在 ChatGPT，但你必須重新審視，新型計須重寫尤其是算機從 12 月開始——事情已經發生了根本性變化。

他同時提出了「代理工程」（agentic engineering）這一新概念，東西都必以區別于去年他所命名的「氛圍編程」（vibe coding），前者指的是專業軟件開發中質量標準的延續與加速。

他直言，大量現有代碼和應用程序在新范式下「不應該存在」，而當前多數組織的招聘流程、開發工具和基礎設施，仍在為人類而非代理而設計。

軟件 3.0 的黎明：底層計算架構的權力交接

科技產業正站在一個從量變到質變的十字路口。

去年 12 月是一個關鍵的轉折點，Karpathy 坦言，面對最新的 AI 模型，他經歷了深刻的震撼：

系統生成的代碼塊越來越完美，我甚至記不清上一次修改它是什么時候。我只是越來越信任這個系統……（這讓我）從未感覺自己作為一名程序員如此落后。

這種沖擊是計算范式的徹底顛覆。在 Karpathy 看來，市場目前低估了這一變化的深度。

他指出，我們正在告別「軟件 1.0（寫代碼）」和「軟件 2.0（整理數據集訓練神經網絡）」，正式邁入「軟件 3.0」時代。

在這個新紀元里，大語言模型本身就是一臺「新型計算機」。

他說：你現在的編程變成了寫提示詞，而在上下文窗口中的內容，就是你操控那個作為解釋器的大語言模型的杠桿，讓它在數字信息空間中執行計算。

更令市場矚目的，是他對未來底層硬件架構演進的大膽預測。

目前，神經網絡仍以虛擬化的形式運行在現有的計算機上，但他認為未來這種主客關系將會反轉：你可以想象，神經網絡將成為主進程，而 CPU 則變成了某種協處理器。神經網絡將承擔絕大部分的繁重工作。

這意味著，主導全市場資本開支的「智能算力」，其戰略核心地位將在未來進一步固化。

下一代基建：重構「代理原生」生態

當執行和編碼被機器接管，人類的核心價值和未來的基建形態將走向何方？

Karpathy 直言：所有的東西都必須被重寫。

目前互聯網的各種框架和庫的說明文檔仍是「為人類編寫的」，這讓他感到無比煩惱。

Karpathy 抱怨道：為什么還要告訴我怎么做？我什么都不想做。我應該復制粘貼什么文本給我的 AI 代理？

未來的市場大機會在于構建「代理優先」的基礎設施。

在這個世界里，系統被拆解為感知世界的「傳感器」和改造世界的「執行器」，數據結構要讓大語言模型高度可讀，機器代理代表個人和機構在云端進行交互。

在如此高度自動化的未來，人類的核心稀缺性將回歸到審美、判斷力以及最深層的商業理解上。

Karpathy 引用了一句令他反復咀嚼的話作為總結：你可以外包你的思考，但你無法外包你的理解。

代理工程：遠超「10 倍工程師」的產能大爆發

在提升生產力這一市場最關心的維度上，Karpathy 區分了兩個核心概念：「氛圍編程（Vibe coding）」與「代理工程（Agentic engineering）」。

他指出，「氛圍編程」抬高了全員開發軟件的下限，而「代理工程」則旨在維持專業軟件的質量上限。

「代理工程」不僅僅是提速，它要求開發者協調那些「有些易錯、帶有隨機性但極其強大」的 AI 代理，在不犧牲質量的前提下全速前進。

這也將極大拓寬企業產出的想象空間。

Karpathy 指出：「人們以前常談論 10 倍工程師」，10 倍已經不足以形容你所獲得的提速了。在我看來，那些在這個領域表現出色的人，其產出峰值遠超 10 倍。

面對這種生產力爆發，企業的組織架構和人才篩選邏輯必須重構。

他建議企業拋棄傳統的算法解題面試，轉而考察候選人如何利用多個 AI 代理協同構建大型項目，并能抵御其他 AI 代理的攻擊。

AI 商業落地的發力點

對于當前急于尋找 AI 應用落地場景的創業者和投資者，Karpathy 提供了一個極具實操性的評估框架：可驗證性。

目前 AI 的能力呈現出一種極其怪異的「鋸齒狀」。

他舉例表示：最先進的模型今天能同時重構 10 萬行的代碼庫或尋找零日漏洞，然而卻告訴我應該步行去 50 米外的洗車店洗車，這簡直瘋了。

產生這種割裂的原因在于，前沿實驗室（如 OpenAI 等）將海量強化學習資源傾注在了「數學」和「代碼」等結果易于驗證的領域。

因此，只要置身于結果可驗證的商業場景中，AI 就能發揮巨大威力。

Karpathy 暗示，市場上仍存在大量高價值，但尚未被頭部實驗室重點關注的可驗證強化學習環境，這正是創業公司進行微調（Fine-tuning）和商業變現的巨大藍海。

This detailed match analysis covers key moments, player performances, and tactical insights.