在人工智能的演进史上，2026年可能是一个很重要的年份——可以自主的AI智能体开始实用化的一年。当大多数人还在惊叹于大语言模型的对话能力时，顶尖的开发者们已经悄然完成了一场范式转移。前OpenAI创始成员、特斯拉前AI负责人Andrej Karpathy在深度访谈中，用一种近乎”技术精神错乱”的热情，描述了他如何从代码的编写者转变为智能体（AI Agents）的指挥官。
在Karpathy看来，传统的软件工程正在消亡，取而代之的是一种通过向智能体传达意志来”显现”软件的新型艺术。这不仅仅是工具的更迭，更是人类生产力逻辑的底层重构。
核心观点
- 编程的本质已从手动编写代码转向向智能体传达意志，传统意义上的”写代码”正在过时。
- Token吞吐量正在取代GPU算力，成为衡量个人与组织生产力的核心指标。
- 未来软件将从繁琐的UI转向API驱动，智能体将作为”智能粘合剂”取代传统的应用程序。
- 科研的终极目标是实现递归自我改进，必须通过自动化实验闭环将人类从”决策瓶颈”中释放。
- “参差感”是当前AI的核心特征：它既可以是系统编程的博士生，也可以是讲五年前冷笑话的白痴。
- 教育体系将被彻底重组：人类的职责是产出核心直觉，而智能体凭借无限耐心承担教学重任。
编程范式的终结：从”编写代码”到”显现意志”
在过去的几个月里，Karpathy的工作流程经历了剧烈的震荡。他透露自己已经从过去80%时间亲手写代码，转变为”20%自己写、80%指派给AI”，甚至在某些阶段，他基本不再敲击一行代码。
“‘编写’这个动词已经不再准确了，我必须每天花16个小时向我的代理程序传达我的意愿。”Karpathy指出，这种转变标志着软件工程进入了”意志显现”阶段。开发者不再关注具体的语法实现，而是关注如何构建更好的指令、如何优化代理框架。这种状态虽然令人着迷，却也带来了一种前所未有的焦虑感——如果不能站在智能体协同的最前沿，就会产生严重的技能滞后感。
Token吞吐量：AI时代的新生产力瓶颈
在GPU算力被视为硬通货的今天，Karpathy提出了一个更具前瞻性的衡量维度：Token吞吐量。他观察到，顶尖工程师如Peter Steinberg已经开始像指挥乐团一样操纵多个智能体，同时开启十个代码库的会话并进行宏观调度。
“理想情况下，当你用完了Codex的额度，就应该切换到Claude。如果订阅额度还有剩余，我会感到焦虑，那意味着我没有实现Token吞吐量的最大化。”Karpathy将这种心态比作攻读博士期间对GPU空转的恐惧。在智能体时代，人类成为了系统的瓶颈。如果一个工程师不能同时并行处理多个任务，不能最大化调用他所能获取的Token，那么他就在浪费这个时代最核心的生产资源。
Dobby效应：当传统软件消亡于API之中
Karpathy分享了一个名为”Dobby”的家庭自动化案例，揭示了软件形态的未来。他仅通过几个提示词，让智能体自主扫描局域网、逆向工程Sonos系统API，并整合了灯光、空调、安防等多个互不兼容的系统。
“我过去常使用大约6个完全不同的应用程序。现在我不再需要它们了，Dobby用自然语言控制一切。”这一实践引出了一个深刻的商业预判：未来或许不再需要那么多定制化的UI界面。软件的客户将不再是人类，而是代表人类行事的智能体。这意味着整个行业必须重构，”一切都应该更多地表现为暴露出来的API端点，而智能体正是其中的智能粘合剂。”
自主研究：让实验室实现递归式自我进化
在科研领域，Karpathy正在推动”自主研究（Auto Research）”的实验。他发现，即使是像微调GPT-2这样他已经从事了二十年的老牌任务，智能体在无人干预的情况下运行一整晚，竟然找到了他从未发现的超参数优化方案。
“你必须将自己从瓶颈中解放出来。你不可能一直守在那里提供提示，你必须进行系统编排，使一切实现完全自主运行。”这种递归自我改进的理念正是前沿实验室的核心战场。Karpathy认为，未来的研究组织将是一套描述角色的Markdown文件，即”Program MD”。人类研究员不应触碰执行细节，而应在元优化层面调整组织的结构和策略。
智能的参差感：在超级天才与蹩脚笑话之间
尽管智能体展现了惊人的杠杆效应，但Karpathy提醒人们注意当前AI表现出的”严重参差感”。这种不均衡性在代码生成等可验证领域表现极佳，但在幽默感或意图理解等模糊领域则显得滞后。
“它既像是一位终身从事系统编程的博士生，又像是一个只会讲五年前蹩脚笑话的10岁孩子。”这种现象源于当前强化学习（RL）的局限性：只有在目标明确、可自动验证的任务上，AI才能像光速一样进化。而在那些超出RL范畴的领域，智能体往往会陷入停滞。这种”参差不齐”意味着我们目前还不能完全放手，人类的判断力在非标准化的领域依然不可或缺。
教育的终局：人类直觉遇见无限耐心的解释者
访谈最后，Karpathy谈到了教育的重构。他以仅有200行代码的micro-GPT项目为例，解释了为什么他不再愿意向人类解释技术细节。
“我不再需要向人类解释了，我是在向智能体解释。如果智能体理解了，它们就能以无限的耐心向人类重传这些知识。”在他看来，传统教育中传授知识的功能将被智能体彻底重组。人类唯一的护城河在于产出那些智能体尚无法构思的核心直觉和战略规划。
关于Andrej Karpathy：
Andrej Karpathy是前OpenAI创始成员、特斯拉前AI负责人，曾主导特斯拉自动驾驶系统的研发。他也是著名的人工智能教育者，创建了nanoGPT、micrograd等广受欢迎的深度学习教程。
来源：虎嗅
