当顶级AI研究者Karpathy在Sequoia Ascent 2026上直言“LLM的意义远超加速编码”，当独立开发者靠AI驱动的纠纷回应系统第一次在Stripe上赢得争议，当开源社区推出专为“真实工作”设计的万亿参数模型——这些信号共同指向一个事实：我们正在经历的不是工具升级，而是软件本体论的迁移。

核心观点：LLM最大的价值不在于加速现有软件流程，而在于催生了传统代码无法实现的全新功能类型——这要求我们重新理解什么才是真正的“AI Native”。

大语言模型到底改变了什么？如果你去问一位普通的技术从业者，最可能得到的回答是“帮程序员写代码更快了”“让数据分析更高效了”。这种回答并非错误，但它极其危险地窄化了我们对这场变革的理解。安德烈·卡帕斯（Andrej Karpathy）在Sequoia Ascent 2026炉边谈话中提出了一个鲜明的观点：LLM不只加速旧事物，它们正在创造全新类型的功能——那些在古典软件范式下要么本不该存在、要么根本不可能实现的功能。这不是技术的渐进升级，而是计算范式的根本跃迁。

卡帕斯列举了三个例证：第一个是“menugen”，一个完全不需要传统代码的应用程序，输入一张图片，输出一张图片，LLM原生地完成这个任务；第二个是用“安装.md技能”替代“安装.sh脚本”，用一段自然语言描述安装过程，让LLM理解你的系统环境、自动调试、智能适配；第三个是基于LLM的知识库系统，它处理的是来自任意来源、任意格式的非结构化数据——在传统软件中，这类任务因为缺乏确定性的算法路径而几乎不可能完成。这三个例子的共同点是什么？它们都不是在“用AI让老东西跑得更快”，而是在创造“没有AI根本做不了的事情”。

这看似是一个技术细节的讨论，实则触及了一个更深层的问题：我们如何定义“软件”？在冯·诺依曼架构下，软件始终是一组确定的、可执行的指令序列。无论采用什么编程范式，最终都是把人的意图翻译成机器可执行的步骤。但LLM带来的变化是革命性的：你把意图用自然语言描述，模型就自己去理解上下文、推断目标、生成执行路径——它不再是“执行指令”，而是“理解意图”。这不是效率的提升，而是抽象层级的跃迁。

反对者会说：这不过是自然语言编程的又一种包装，代码生成工具已经存在多年。但问题在于，传统代码生成工具（包括早期的GPT辅助编码）本质上仍是模板匹配——你给一段描述，它吐出一段代码，然后人再去调优、编译、测试。而卡帕斯所说的“menugen”和“.md技能”完全不同：它们不再以最终产出“代码”为目标，而是直接以“完成功能”为输出。代码消失了，不是被隐藏了，而是被消解了。这就像在工业革命中，你不再需要建造一个更好的织布机，而是直接用蒸汽机把棉花纺成布——生产线本身被重新定义了。

独立开发者Pieter Levels最近分享了一个生动的案例：他用“vibe coding”的方式写了一个Stripe纠纷自动回应系统，结果十年来第一次在争议中获胜，赢回了1200美元。这个系统的核心逻辑并不复杂——收到Stripe的webhook后，自动收集用户行为数据、生成详细的证据PDF——但关键在于，这种“针对具体用户行为生成定制化证据”的需求，在传统软件范式下几乎不可能低成本实现。你需要为每种纠纷类型写不同的逻辑分支，要考虑各种边缘情况，最后很可能得到一个比人工处理还慢的系统。但Levels用的方法很简单：让AI理解不同用户的活动模式，然后“描述”给银行。结果是他赢得了一场原本必输的纠纷。

这里存在一个深刻的悖论：LLM最强大的能力——理解上下文、生成自然语言、进行非确定性推理——恰恰是古典软件最不擅长的事情。反过来，古典软件最擅长的确定性计算、精确控制、可验证性，却是LLM的弱项。卡帕斯用“锯齿形”来形容这种能力分布：同一个模型可以重构10万行代码库，同时告诉你“走到洗车店去洗车”。这种看似矛盾的表现，根源在于训练数据的分布和强化学习回路的覆盖范围——那些有足够商业价值的领域（如代码生成、客服对话），模型被训练得极其强大；而那些偏离主流数据分布的边缘任务，模型的表现就像在丛林中挥舞砍刀。

这意味着什么？意味着我们正在进入一个混合计算的时代。古典软件没有消亡，也不应该消亡——它们负责那些需要确定性、可验证、低成本的运算；而LLM负责那些需要理解上下文、处理非结构化信息、生成自然语言的环节。两者不是替代关系，而是互补关系，甚至正在形成一种新的计算生态：一个任务可以同时跨越1.0（传统逻辑）、2.0（机器学习和统计）、3.0（LLM推理）三种计算范式。卡帕斯在演讲中提到的“代理原生经济”，本质上就是这个混合生态的商业化版本。

但问题在于，当前绝大多数的“AI应用”仍然停留在1.0思维里。它们把LLM当作一个API调用，塞进传统的软件架构中，然后用原有的指标去衡量价值。比如用“生成的代码行数”来衡量编程助手的效果，用“减少的客服人数”来衡量聊天机器人的价值。这种做法并没有错，但它遮蔽了真正的新机会。那些“没有AI做不了的事情”——比如从任意来源的知识库中提取洞察、根据上下文动态生成用户界面、用自然语言代替脚本进行系统管理——才是范式迁移的主战场。

有人会问：这些新功能真的能产生商业价值吗？Levels的纠纷系统给出了肯定的答案。但更深层的问题是：我们如何识别和规模化这些“LLM独有”的功能？卡帕斯给出的线索是“数据分布”——那些已经有大量训练数据覆盖、有明确商业回报的领域，模型会表现得最好。这意味着第一批大规模落地的“LLM原生应用”，很可能出现在客服、内容生成、代码辅助等已经有成熟商业模式的领域——但真正颠覆性的应用，可能来自那些传统上因为“太难处理非结构化数据”而被忽视的需求。

这也是我对MiMo V2.5这类开源模型感到兴奋的原因。一个万亿参数的开源模型，如果它真的“为实际工作而设计”，而不是仅仅在基准测试上刷分，那就可以让更多开发者绕过商业API的限制，去尝试那些被大公司忽略的边缘需求。开源社区的力量在于，它允许失败——那些在商业公司看来不值得投入的“小场景”，在开源社区里可能变成创新的温床。当然，这也意味着我们需要重新审视AI安全的问题：当模型的能力越来越强，而部署的门槛越来越低，如何确保这些“新功能”不会被滥用？

回到最初的问题：LLM改变了什么？它没有改变计算的基本物理——半导体依然遵循摩尔定律，网络的延迟依然以毫秒计。但它改变了我们与计算交互的方式，改变了“软件”这个概念本身的内涵。软件不再是一组确定的指令，而是一个理解意图、生成解决方案的动态过程。这个转变的深远影响，可能要到十年后才能完全显现——但今天，从卡帕斯的演讲到Levels的实践，从开源模型的发布到开发者社区的讨论，我们已经能够看到这个新范式的轮廓。

这不是技术的进步，这是范式的跃迁。而那些只把AI当作“加速器”的人，正在错过真正的未来。