跳转至

软件 3.0 时代来临

Ch01.930 软件 3.0 时代来临

📊 Level ⭐⭐ | 7.0KB | entities/软件-30-时代来临.md

软件 3.0 时代来临

来源: AGI Hunt

发布日期: 2026-05-01

原文链接: https://mp.weixin.qq.com/s/YtJFCXvBP7Qb70qcS77rMA

摘要

Karpathy 在 Sequoia Capital 的 AI Ascent 2026 上提出"Software 3.0"概念：软件正在经历从"人写代码"（1.0）→"神经网络用数据训练"（2.0）→"通过 prompt、上下文、Agent、工具、记忆和验证来编程"（3.0）的第三次范式转移。核心论点是 LLM 不只是加速已有工作流，而是正在完全吞噬某些应用（如 MenuGen 示例中的中间层 App 变得多余）。Vibe Coding 抬高的是入门门槛（让更多人能参与构建），Agentic Engineering 抬升的是质量天花板（用 Agent 的同时不牺牲安全、可靠性、可维护性和品味）。Karpathy 同时提出了"可验证性"作为 AI 自动化边界的分水岭——传统软件自动化的是能规格化的东西，AI 自动化的是能验证的东西。

核心要点

  • Software 3.0 定义：通过 prompt 编程、context window 作为内存、工具调用作为系统调用，LLM 成为新型计算解释器
  • 三范式演进：1.0 作者（手写逻辑）→ 2.0 教练（准备数据+训练）→ 3.0 指挥官（自然语言描述意图）
  • Vibe Coding vs Agentic Engineering：Vibe Coding 抬高的是地板（准入），Agentic Engineering 抬高的是天花板（卓越）
  • 可验证性分水岭：AI 自动化的是能验证的东西——编程、数学、代码安全进步飞速，常识推理却经常犯错
  • 锯齿状智能：能力曲线有高峰也有断崖，高峰在 RL 覆盖的领域，断崖在训练分布之外
  • Harness 概念：为 Agent 编写工程化解决方案防止重复犯错，Karpathy 预言未来的软件应该为 Agent 重写
  • 全神经计算展望：绝大多数计算由神经网络处理，传统 CPU 成为"协处理器"

深度分析

从"how"到"show"到"what"的抽象层级跃迁

Software 1.0 时代，程序员是作者，每行代码都亲手敲出。2.0 时代，程序员变成教练，准备训练数据让优化算法去搜索解决方案。3.0 时代，程序员变成指挥官，用自然语言描述意图让 Agent 执行。这条主线的本质是每一代转移都让人类失去执行细节的控制，同时获得更高层次的杠杆。Karpathy 之前的比喻也很形象：以前焦虑的是 GPU 空闲，现在焦虑的是 token 没花完——以前的瓶颈是计算资源，现在的瓶颈是人。

Karpathy 的 MenuGen 项目是理解 Software 3.0 的关键案例：用传统方式实现一个菜单识别+图片搜索+排版的应用需要几百行代码和多个 API 调用，而直接把照片扔给 Gemini，让它在原图上叠加菜品图片，整个中间层的 App 都变得多余。这个案例说明，Software 3.0 最具颠覆性的地方不是让应用做得更快，而是让某些应用直接被模型的原生能力吞掉。

可验证性：RL 覆盖与锯齿状智能的经济学解释

Karpathy 在演讲中提出的"可验证性"概念可能是最具分析价值的部分。传统软件自动化的是能规格化的东西（写出明确规则），而 AI 自动化的是能验证的东西（评估输出是否正确）。正因为编程、数学、安全等领域可以被客观评估，这些任务才能进入强化学习的循环，让模型越练越强。而"常识推理"类型的任务因为没有明确的奖励信号，模型的进步就慢得多。

Karpathy 进一步扩展到经济学解释：收入和市场规模决定了前沿实验室在 RL 训练中选择覆盖哪些领域。Claude 能重构十万行代码是因为有人付钱训练这个能力；"怎么去洗车"这种问题没人付钱训练。对创业者来说，机会在于找到那些可以构造验证环境、但还没被大实验室的 RL 覆盖到的领域。

Harness 与"为 Agent 重写"的激进主张

Karpathy 对 Harness Engineering 的解读比行业主流更激进：他认为未来的软件应该完全为 Agent 重写，不用考虑人类用户。Agent 不需要按钮、菜单、鼠标——它们需要的是机器可读的接口、明确的权限声明、可分解的工作流。他还用一个具体例子说明：可以用 .md 文件替代 .sh 安装脚本，让 LLM 作为高级解释器根据系统环境调整安装过程。这个"LLM 作为高级解释器"的观点，将文本文件的角色从"静态文档"重新定义为"可执行规格"。

人的位置：理解力不可外包

Karpathy 在演讲中对保持人类控制给出了清醒的判断。他认为有三件事 Agent 还做不了：系统规格设计（需要理解业务逻辑和后果预见）、概念理解（需要真正懂原理而不是 API 名称）、品味（需要识别"能跑但很丑"的代码）。"你可以外包你的思考，但不能外包你的理解"——如果用户不理解系统在做什么，就没办法在 Agent 犯错时知道错在哪里。这个判断与 Anthropic 的"Agent 作为工具而非替代"的立场一致，也为 Agent 安全使用划定了边界。

实践启示

  1. 重新评估哪些应用层可以被 AI 吞掉：不是问"AI 能帮我们更快构建什么"，而是问"AI 让什么变得不再必要"——这个视角转变对产品战略至关重要

  2. 关注 Harness Engineering 作为核心竞争力：在 Agent 能力快速提升的背景下，工程化方案（防错机制、进度文件、交接协议）是保持 Agent 工作可靠性的关键

  3. 在 RL 未覆盖的领域寻找机会：可以构造验证环境但大实验室还没重点优化的问题域，仍存在通过微调获得显著优势的空间

  4. 守住理解力的边界：系统规格设计、概念理解、品味——这三件事不能外包给 Agent，是开发者在 Software 3.0 时代必须自己坚持的核心能力

  5. 适配 Agent 的接口设计：新构建的软件系统应该考虑 Agent 可读性——机器可读的 API 文档、清晰的权限声明、结构化的指令格式

相关实体

  • Vibe Coding 起源与影响
  • Karpathy Software 2.0 论文分析
  • Harness 工程实践指南
  • AI Agent 可验证性模式
  • Harness Engineering 框架

→ 原文存档

关联