從「AI 幫你加速」到「AI 重寫運作模式」
—— 看 Andrej Karpathy 在 Sequoia 專訪後，我對 AI 未來的重新理解
最近看完 Andrej Karpathy 在 Sequoia Capital 的訪談後，我對 AI 的理解有一個很大的轉變。
過去我一直把 AI 當成「效率工具」：
幫你加速寫 code、整理資料、做摘要、產生文件。
但這次最大的感受是：
AI 不只是加速既有流程，而是正在創造新的運作模式。
這可能才是 2025 之後真正重要的事情。
AI 已經開始進入「不需要人盯著看」的階段
Karpathy 提到一個我印象非常深刻的觀點：
從 2025 年底開始，在 AI 擅長的領域裡，人類已經不需要全程盯著它。
這句話其實很重。
因為這代表：
AI 不再只是 Copilot
而是開始變成「可以被委託工作」的角色
以前：
AI 幫你補 code
幫你生成文件
幫你加快速度
現在：
AI 可以自己完成一段完整工作流程
人類只需要定義目標與驗證結果
這是本質上的差異。
Software 1.0 → 2.0 → 3.0
Karpathy 用了一個很經典的分類：
Software 1.0
人類寫 code。
if x:
do_something()
邏輯由工程師明確定義。
Software 2.0
人類不直接寫邏輯，而是：
建立 dataset → 訓練 model → 產生 weights
也就是 neural network 時代。
我們不再直接定義規則，而是讓模型自己學習規則。
Software 3.0
這是現在開始進入的世界：
Agentic Engineering
人類不再只是寫 code。
而是開始設計：
agent 如何協作
context 如何流動
memory 如何維持
tools 如何被使用
verification 如何建立
系統如何自治
這已經不是單純 coding。
而是在「設計 AI 系統」。
真正重要的，不是 AI 幫你快 10 倍
而是：
AI 讓你能做以前根本做不到的事情。
這是我這次最大的體悟。
很多人談 AI，還停留在：
幫我寫 email
幫我生成 PPT
幫我加速 coding
但真正大的改變是：
如果整個流程本來就是為「沒 AI」設計的，那現在流程本身就該被重寫。
例如：
以前去國外餐廳看不懂菜單。
傳統思維：
用翻譯 App 加速理解
但 Karpathy 提到的案例是：
MenuGen
直接重新生成一份：
你看得懂的 menu
加上圖片
加上解釋
加上推薦
這不是「翻譯」。
而是：
重新定義使用者體驗。
這其實是 AI 時代最關鍵的能力。
未來的世界：Neural Network 將成為主要接口
另一個我覺得很重要的觀點：
未來，neural network 會成為主要 interface。
人類不再直接操作：
database
API
UI
system
而是：
對 LLM 描述需求。
然後：
CPU
traditional software
APIs
infrastructure
會在底層完成真正工作。
也就是：
Neural network 負責理解世界
傳統架構負責執行世界
這可能是未來十年最大的 software architecture 轉變。
為什麼 Code 最容易先被 AI 取代？
Karpathy 提到一個核心概念：
可驗證性（Verifiability）
Code 很容易 verify。
因為：
compile 得過
test pass
output 正確
benchmark 可量化
所以 AI 最容易先吃下這塊。
這其實解釋了：
為什麼 AI coding 的進步速度遠超大家預期。
我們其實都是 LLM 的實驗對象
他還提到一個很有趣的觀點：
GPT-3.5 到 GPT-4 在西洋棋能力上的巨大進步，某種程度上只是因為：
更多資料被餵進去了。
換句話說：
大型模型公司其實也在觀察：
哪些能力會 emergent
哪些領域會突然突破
哪些事情開始可被驗證
某種程度上：
我們都是 LLM 時代的實驗參與者。
而每個人現在都應該做的事情是：
找出自己的領域，哪些部分已經可以被 AI 接管。
最終，所有事情都會變成「可驗證」
這是我覺得最值得思考的一句。
Karpathy 的推論其實是：
只要事情能被 verify，最終就能被 LLM 自動化。
這代表：
coding
testing
data analysis
accounting
legal review
operation flow
infrastructure management
都只是時間問題。
關鍵不再是：
「AI 能不能做」
而是：
我們能不能定義 verify 的方法。
Vibe Coding 與 Agentic Engineering 的差異
現在很多人談：
Vibe Coding
就是：
靠 AI 寫 code
快速 prototype
用 prompt 開發
它的本質是：
提升每個人的 coding 生產力。
但 Karpathy 認為，真正下一階段是：
Agentic Engineering
重點不只是速度。
而是：
code quality
architecture
reliability
verification
maintainability
multi-agent coordination
也就是：
如何讓 AI 生產的系統，真的能進入 production。
未來的 10x，不只是速度提升
以前談 10x engineer。
現在可能是：
AI + 人類，直接改變組織的運作模式。
甚至不只是 10x。
而是：
小團隊做出過去大公司才能做的事情
一個人 orchestrate 多個 agents
AI 自動完成大量知識工作
organization structure 被重新定義
這可能是未來真正的 disruption。
我最有感的幾個建議
1. 盡可能使用現在能用的工具
不要等。
因為很多能力只有在實際使用後，才會真正理解。
2. 投資自己的 environment setup
這點我非常認同。
未來工程師的差異，很可能不是：
誰比較會寫 code
而是：
誰的 AI workflow 比較成熟
誰的 context system 比較完整
誰的 toolchain 比較強
環境 setup 本身會成為競爭力。
3. 傳統招募流程已經過時
Karpathy 提到：
現在很多面試，仍然停留在傳統 coding interview。
但真正應該測試的是：
Candidate 能不能建立完整 agent system。
例如：
做一個 Twitter clone。
但裡面有很多 agents：
自動發文
moderation
recommendation
coordination
然後面試官再用更強的 AI 去攻擊它。
這其實才接近真實世界。
4. 人類仍然需要「品味」
即使 AI 很強。
但：
architecture
design principle
aesthetic taste
system boundary
product judgment
目前仍然很重要。
尤其如果這些東西：
不在 RL（reinforcement learning）流程裡。
那人類依然會保有角色。
Native-Agent World 可能真的會到來
Karpathy 描述的未來很像：
你只需要告訴 LLM 你要什麼。
然後：
sensors
tools
APIs
agents
automation systems
會自己完成全部工作。
這其實已經不是「軟體工具」。
而是：
一個 AI-native operating environment。
最後一句我最喜歡的話
“You can outsource your thinking, but you cannot outsource your understanding.”
你可以把思考流程 outsource 給 AI。
但你不能 outsource：
理解
判斷
品味
世界模型
而 AI 真正的價值，其實不是替代理解。
而是幫助人類更快理解。
沒有留言:
張貼留言