Andrej Karpathy在Sequoia Ascent 2026上提出，LLM的价值远超加速编码等旧流程，它创造了三类之前不存在或不应存在的功能。这个观点不是技术乐观主义的翻版，而是对当前AI叙事的一次根本性纠偏——我们可能正在经历计算史上最深刻的范式跃迁，而大多数人还将其误解为一场更高效的自动化。

核心观点：LLM的真正革命性不在于它让旧事物更快，而在于它让原本不可能或无需存在的事情变得可能，这一转变要求我们重新定义产品、技能和经济的底层逻辑。

每隔一段时间，技术界就会迎来一次“重新发明轮子”的时刻。但大多数时候，这种发明不过是对现有轮子的打磨、抛光、加装轴承——让它转得更快更顺。LLM的叙事在过去两年里正经历这种“轮子加速”的集体暗示：所有人都在谈论AI如何让程序员一天写两千行代码，如何让客服回复速度提升十倍，如何让文档摘要节省两小时。这些当然重要，但它们回避了一个令人不安的事实：如果LLM只是一个超级加速器，那它最终会撞上人类需求和注意力总量的天花板。

然而，Andrej Karpathy在Sequoia Ascent 2026的发言提出了一个截然不同的框架。他明确指出，LLM的真正爆发力在于三类新功能：第一类是“可以完全被LLM吞噬的应用”——比如一个输入图像、输出图像的纯AI应用，不需要一行传统代码；第二类是“用.md文件替代.sh脚本”——用自然语言描述安装步骤，让LLM理解并执行，彻底绕开传统编程的语法牢笼；第三类是“基于LLM的知识库”——对非结构化数据进行任意来源、任意格式的计算，这在经典编程中几乎不可能实现。这三个例子不是在讨论如何让旧工作变快，而是在划定新工作的边界。它们暗示了一个更深的命题：当某种技术能够重新定义“什么算是一个功能”时，它就不再是工具，而是新的计算范式。

这个转变的激进之处在于，它直接动摇了软件工程的根基。传统软件是模块化的、规则驱动的、层次分明的——我们编写精确的指令，机器机械地执行。LLM带来的则是分布式的、自我组织的、概率性的智能体：它不依赖你写的每一行条件判断，而是从数据、环境和交互中自行推导出行为。用Karpathy的话说，这不再是“Software 1.0”或“Software 2.0”的升级，而是一个混合范式——1.0的经典代码负责确定性逻辑，2.0的神经网络负责非确定性推理，而LLM作为中间层，将两者缝合在一起。更激进的观点来自Reddit上那篇题为《Toward Self-Organizing Neural Civilizations of Intelligence》的文章，它将当前AI智能体视为两种计算范式之间的“过渡妥协”：一边是传统软件工程，另一边是“神经智能”——后者最终可能发展到自我组织、自我重构的程度，完全摆脱人类设计的工作流。这种观点听起来像科幻，但它的逻辑线索是清晰的：一旦你承认LLM可以处理非结构化、不可编程的任务，你就打开了通向自我演进系统的大门。

反对者会说，这些“新功能”不过是旧功能的二次包装。一个由LLM驱动、没有传统代码的应用，本质上仍然是一个API调用和前端框架的组合；一个用自然语言写的安装脚本，最终还是要被解析成系统命令；一个知识库，底层仍然依赖向量数据库和检索算法。这些反驳有道理，但它们忽略了一个关键点：用户体验的范式转变和实现细节的连续性并不矛盾。人们使用电脑的每一次跃迁——从命令行到图形界面，从桌面到移动端——都不是因为底层硬件发生了质变，而是因为交互方式产生了根本性的重构。LLM带来的正是这种界面级重构：用户不再需要学习指令语法，不再需要理解模块依赖，不再需要辨别数据格式；他们只需要表达意图，然后让智能体去处理一切。就像安装软件时，你不再需要手写一个bash脚本去检测环境、下载依赖、配置路径——你只需要写一句话“在Ubuntu 22.04上安装Python 3.11”，LLM就能完成所有工作。这不是加速，这是消除“软件安装”这个本身就不该存在的认知负担。

这也解释了为什么“jaggedness”（参差不齐的能力分布）是当前LLM最令人困惑的特征。一个智能体可以优雅地重构十万行代码库，同时告诉你“去洗车店洗车”——这种矛盾在传统软件中不可能出现，因为代码的行为是一致的、可预测的。Karpathy将这种参差不齐归因于“可验证性”和“经济学”：那些拥有大量训练数据、高收入潜力的领域（如代码生成），被强化学习电路打磨得闪闪发光；而其他“长尾”任务则像在丛林中用砍刀开路。这个框架虽然不完美，但它给出了一个实用的行动指南：要充分利用LLM，你必须学会区分“在轨道上飞行”和“在丛林中开路”——前者可以放心地交给智能体，后者则需要你随时准备介入。

这个区分直接导向了Karpathy提到的第三个主题——“智能体原生经济”。他认为，未来的产品和服务将被分解为传感器、执行器和逻辑三个部分，并分布在1.0、2.0和3.0三种计算范式上。逻辑指的是传统的确定性计算，2.0是神经网络概率推理，3.0则是LLM驱动的自我组织智能。企业需要重新思考如何让信息对LLM“最大可读”——也就是以机器可理解的方式结构化知识，以便智能体能够自主决策和行动。这不仅仅是技术问题，更是组织架构和招聘策略的问题。智能体原生经济需要一种全新的工程师：他们既懂经典软件的严谨性，又懂神经网络的灵活性，还懂得如何设计提示词和智能体协作流程。这种人才目前在市场上极度稀缺，因为教育体系仍然在培养“纯后端工程师”或“纯数据科学家”，而不是这种混合型“智能体工程师”。

那么，这个“新计算范式”到底有多真实？反对意见认为，这不过是一场由资本推高的叙事泡沫。Sonar 4.0的发布、Claude Code的插件集成、各大模型的迭代更新——这些都被包装成“里程碑”，但实际体验仍然充满缺陷。LLM会产生幻觉，会执行错误的命令，会泄露隐私数据。更重要的是，它永远无法完全替代人类的判断力——尤其是在高风险决策中。这些批评是合理的。但真正的问题不是LLM是否完美，而是它是否已经打开了新的可能性空间，并且这个空间正在吸引越来越多的资源和人才。从Karpathy的发言到Reddit上的技术讨论，再到Sonar 4.0和Claude Code的实际产品更新，信号正在从分散走向收敛。也许我们正处于一个典型的“低估长期影响、高估短期影响”的时刻。但无论如何，产品逻辑的基石已经松动。

回到Karpathy的第一个例子：一个完全不需要传统代码的“menugen”应用。如果我们认真对待这个例子，就会发现它隐含了一个颠覆性结论：软件开发的“门槛”正在急剧降低。任何能够清晰描述问题的人——不管他们会不会编程——都可能成为“软件创造者”。这不是说程序员会被取代，而是说“编程”这个概念本身在扩展。未来的编程可能80%是用自然语言描述意图，20%是用传统代码处理那些需要精确定义的边界情况。这种转变将从根本上改变软件行业的供需结构、创新速度和竞争格局。

当然，我们不必立刻接受“自我组织的神经文明”这种宏大叙事。但我们可以接受一个更温和的版本：LLM正在让一些之前“不经济”或“不可能”的产品变得可行。知识库就是一个典型例子——在LLM之前，构建一个能够从任意来源、任意格式的数据中提取知识并回答问题的系统，需要昂贵的NLP管道和复杂的规则引擎。现在，一个简单的RAG（检索增强生成）架构就能实现80%的功能。这种“80%解决方案”的扩散，正在改变“什么值得做”的判断标准。

这就是为什么“LLM只是加速器”是一个危险的误解。它让我们忽略了那些正在发生但难以量化的变化：人们开始用自然语言做数据分析，用对话界面管理项目，用智能体调度任务。这些变化不是使原有流程更快，而是使原有流程变得多余。当“写一个SQL查询”被“问一个问题”取代时，不是因为SQL查询变快了，而是因为“查询”这个动作本身被重新定义了。

最终，Karpathy的讲话和围绕它的讨论指向了一个不可回避的问题：我们是否准备好迎接一个“智能不足”的世界？在智能体原生经济中，产品成功的钥匙不再是“写出最优雅的代码”，而是“设计出最清晰的意图表达系统”。LLM的参差不齐意味着我们永远需要人类的判断力来划定边界。而那些能够平衡“飞行”与“开路”、把握“可验证”与“不可验证”边界的人，将定义下一个十年。

这不是一个技术问题，而是关于我们如何理解“计算”本身。当计算从一个精确的、确定性的过程，变成一个概率的、自我组织的、充满不确定性的过程时，我们衡量“效率”和“创新”的标准也必须改变。LLM不只是让轮子转得更快——它正在重新发明轮子的形状。而大多数人还在用原来的尺子去量它的速度。