• 軟體 1.0 → 2.0 → 3.0：從傳統程式碼（1.0）到神經網路權重（2.0），再到用英文提示 LLM（3.0）。Karpathy 認為三種範式會長期共存，你得知道哪個功能該用哪一種寫。
  • LLM 最像 1960 年代的作業系統：它有點像公用事業（按量計費）、有點像晶圓廠（巨額資本支出），但本質上是一台全新、昂貴、集中在雲端的共享電腦——我們還停在「時間共享」的早期。
  • 別急著做全自動 Agent：他拿自己在 Tesla 做自駕的經驗潑冷水——2013 年就坐過完美的自駕 demo，12 年後還沒真正解決。「2025 是 Agent 元年」這種話讓他很緊張。
  • 要做鋼鐵人裝甲，不是鋼鐵人機器人：產品該有一個「自主程度滑桿」，配上好的 GUI 讓人類能快速驗證 AI 的輸出，而不是丟一個炫但沒人敢用的全自動 demo。
  • Vibe coding 把每個人變成工程師：他幾小時內 vibe 出一個 app，但從 demo 到上線那一週的認證、付款、部署——全是不寫 code 的苦工，而且慢到讓他抓狂。
原始影片：Andrej Karpathy at YC AI Startup School

這場我最大的收穫，一句話：現在不該賭「自主程度」，該賭「人類驗證的速度」——因為 LLM 還停在很不可靠的早期，誰先把人放回迴路、把驗證做快，誰才真的能用。 Karpathy 整場看似在講軟體史和作業系統，但每個比喻最後都收斂到這條線。

為什麼我這樣看？拆成三點給你。

一、要先看懂我們現在站在哪：三種軟體並存，而 LLM 還在 1960 年代

判斷該不該全自動之前，得先承認這東西多新、多早。Karpathy 先把過去十年講清楚：軟體 1.0 是我們手寫給電腦的程式碼；軟體 2.0 是神經網路的權重，你不直接寫，而是調資料集、跑優化器把參數「訓練」出來。他在 Tesla 做自駕時親眼看過 2.0 怎麼吞掉 1.0——隨著神經網路變強，原本一大堆 C++ 寫死的功能被一段段刪掉，搬進網路裡。而現在出現了第三種：

你的提示（prompt）現在就是在編程 LLM 的程式。而且顯著的是，這些提示是用英語寫的。

三種範式不是誰取代誰，是並存——每個功能你都得判斷該寫死（1.0）、該訓練一個網路（2.0）、還是直接提示一個 LLM（3.0）。但更關鍵的是這台新機器處在什麼階段。他試了好幾個比喻：LLM 像「公用事業」，實驗室砸資本訓練、透過 API 按 token 計費供應；最先進的 LLM 當機時，那就像一次「智力的停電」，整個星球越依賴它就一起變笨。他覺得最貼切的還是作業系統——有閉源供應商（Windows、macOS），也有開源替代（Llama 之於 Linux），LLM 坐在 CPU 的位置，context window 就像記憶體。而我們現在這個階段：

我們就像處在 1960 年代——運算太貴，所以 LLM 必須集中在雲端，我們都只是透過網路連進去的客戶，用的是時間共享。

換句話說，個人運算革命還沒發生。一個還停在 1960 年代、會集體停電的東西，本來就不該被當成可以放手全自動的成熟基礎建設——這就是後面那條線的前提。

二、別急著做全自動 Agent——一個完美 demo 和「天天能用」之間，可能差十年

看懂階段之後，最該抄走的結論就是：別被漂亮 demo 騙了。這段是他講得最重、我也最有共鳴的。他直接拿自駕潑冷水：2013 年他就坐過一台 Waymo 在 Palo Alto 開了 30 分鐘、完美無干預的 demo，當下覺得「自駕要來了」。結果 12 年後的今天，還是一堆遠端遙控、還是需要人介入，連「成功」都還沒敢宣布。

當我看到有人說「2025 是 Agent 元年」，我會非常擔心。我覺得這會是 Agent 的十年。我們需要人在迴路裡，要謹慎一點——這是軟體，認真對待它。

同一盆冷水也澆在 vibe coding 上。他週末 vibe 出一個 iOS app，自己根本不會寫 Swift，當天就跑在手機上；但他做的 MenuGen（拍菜單就生成菜色圖片，menu.app）——寫功能那部分幾小時搞定，反而是認證、付款、網域、部署這些「不是 code」的 DevOps 卡了他整整一週，慢到他在螢幕前抓狂。好玩的部分很短，痛苦的部分很長。這正好回到那條線：demo 跑通不等於能用，而「能用」需要的恰恰是人介入、是把那段沒人愛做的可靠度雜活做完。

三、那該怎麼做：鋼鐵人裝甲——把人放回迴路，拼驗證速度而不是自主程度

冷水之後他給了正解，而且這正解就是我那句結論本身。他用「鋼鐵人裝甲」打比方：裝甲既是「增強」（Tony 自己穿著飛），也可以是「Agent」（自己飛去找 Tony），重點是中間那個自主程度滑桿。在這個 LLM 還很不可靠的階段，你要做的不是炫的全自動機器人，而是部分自主的產品——配一個量身做的 GUI，讓人類能用「看的」快速驗證 AI 做了什麼。

GUI 利用的是你大腦裡的視覺處理能力。讀文字很累，但用看的有趣——那是一條通往大腦的高速公路。

他用 Cursor 當例子：傳統介面還在、但旁邊接上 LLM，diff 用紅綠呈現讓你一眼看懂，還能用快捷鍵決定是只改一段、改整個檔、還是放手讓它跑整個 repo。那個放手的程度，就是滑桿。連他丟出的下一步——既然 Agent 要來讀我們的網站，robots.txt 之外可以有 llms.txt，文件從 HTML 轉成對 LLM 好讀的 Markdown，甚至把每一個「點這裡」換成 Agent 能直接跑的 curl 指令（Vercel 和 Stripe 已經在做）——本質也是同一件事：降低人與 Agent 之間的驗證與接手成本。整章合起來就是那句結論：先讓人能快速看懂、快速接受或退回，滑桿再慢慢往右推。

我的 takeaway

兩件事一直在我腦袋裡轉。

第一，「鋼鐵人裝甲」這個比喻，幾乎就是我做 AI 工作流一路在抓的那條線。我也曾經想做「丟一個任務、它全自動跑完」的 Agent，但真用起來就會發現——我才是瓶頸，因為我得驗證它有沒有亂搞。Karpathy 把這件事講清楚了：不要拼自主程度，要拼「人類驗證的速度」。我接下來搭工作流，會先問：這一步，人要怎麼用「看的」在三秒內驗證？

第二，那段自駕的冷水。我很容易在一個漂亮 demo 跑通的當下，就覺得「成了」。但 demo 跑通和「能可靠地天天用」之間，可能差了十年的雜活。誠實講，他承認 MenuGen 那一週的痛、承認自駕到現在還沒解決，反而讓整場更可信——也提醒我，把東西做到「真的能用」這件事，本身就是最難的部分。

想看他怎麼講作業系統那段、還有鋼鐵人滑桿，原片在這裡：Andrej Karpathy at YC AI Startup School。