当Karpathy在Sequoia Ascent上抛出“install .md”和“menugen”这样的概念时，他其实在暗示一个比AI coding更深远的变化：我们正在从软件1.0（经典代码）和2.0（神经网络）进入一个三者共存的混合范式，而LLM是那个让3.0真正变得可操作的引擎。

核心观点：LLM的真正革命性不在于加速现有流程，而在于开启了经典代码无法实现的全新功能类别，这正在迫使整个软件行业重新思考什么是计算。

最近在Sequoia Ascent 2026的炉边谈话中，Andrej Karpathy提出了一个令人不安的命题：大型语言模型的意义远不止于加速已有的东西。他举了三个例子——menugen（一个完全被LLM吞噬的应用，无需经典代码）、install .md（用自然语言描述安装过程代替bash脚本）、以及基于LLM的知识库（处理任意来源非结构化数据的计算）——来论证一个观点：这些功能要么是经典代码时代根本不可能实现的，要么是突然之间显得不应该再以传统方式存在了。这个论断听起来很技术性，但它实际上指向了一个更深层的、关于计算本身定义的变化。我们正在经历的不是一次升级，而是一次范式的第三次跃迁。

过去十年，我们习惯了将AI视为一种“加速器”。自动驾驶加速了驾驶的自动化，推荐系统加速了内容分发，代码补全加速了程序员写代码。这种叙事非常舒适，因为它让AI看起来只是现有世界的一个更快的插件，而不是一个颠覆者。但事实是，LLM的独特能力——它能够在非结构化、模糊、多义的语境中进行推理——正在开辟一片经典代码和传统神经网络都无能为力的新大陆。这不是一个关于效率的故事，而是一个关于可能性的故事。

让我具体一点。经典代码（软件1.0）的本质是确定性：你写if-else，机器执行。它擅长一切可以被精确量化和逻辑化的任务，但它对模糊性极度过敏。神经网络（软件2.0）通过训练数据学会了处理概率和模式匹配，但它依然需要大量的结构化输入和明确的标签，本质上是被框定在特定任务中的。而LLM（以及更广义的软件3.0）则不同：它可以直接理解自然语言的指令和上下文，甚至是残缺的、矛盾的、来自完全不同领域的信息。这就意味着，过去那些因为“无法被精确编程”而被放弃的需求，现在有了被满足的可能。

以install .md为例。Karpathy的设想是：为什么要写一个复杂的bash脚本来安装软件？你可以只写一个Markdown文档来详细描述安装步骤，然后让LLM去执行。这个想法听起来简单，但它的颠覆性在于它彻底改变了“程序”的定义。在软件1.0的世界里，程序是代码；在软件3.0的世界里，程序可以是一段文字。这意味着，一个不懂编程的人，只要有清晰的逻辑和表达，就可以创建可执行的“程序”。这不仅仅是民主化编程，这是重新定义了编程的边界。那些因为写代码成本太高而无法自动化的边缘任务，突然变得可以自动化了。

当然，反对者会立刻跳出来：LLM太不可靠了，它会胡编乱造，它无法保证确定性。这个批评完全正确，而且恰如其分地引出了LLM能力的核心矛盾——所谓的“锯齿形”能力分布。一个模型可以同时重构十万行代码并建议你“走路去洗车”。Karpathy在谈话中也承认，这种锯齿性源自两个因素：领域的可验证性和经济性。当一个领域的答案可以被自动验证（比如代码，因为你可以编译和运行），RL训练就会把它推入数据分布中，模型表现就好。反之，当答案难以验证或市场价值不足（比如个人生活建议），模型就容易被冷落，表现为“越野模式”。这解释了为什么LLM在某些任务上像天才，在其他任务上像傻瓜。这不是bug，而是经济激励下的特征。

这个现实让“LLM代理经济”的概念变得尤为重要。Karpathy在会上提出了一个框架：将产品和服务分解为传感器、执行器和逻辑，并且让这三者跨越软件1.0、2.0和3.0三种计算范式共存。一个典型的例子是：传感器可以是摄像头（1.0的硬件驱动），逻辑可以是一个LLM agent（3.0的推理核心），而执行器可以是机械臂（1.0的硬件控制）。这种混合架构之所以成为可能，是因为LLM提供了一个统一的、人类可读的接口来协调这些异质组件。过去，我们需要为每种组合写专门的集成代码；现在，我们只需要告诉LLM“当摄像头检测到X时，让机械臂做Y”，它就理解了。

这意味着什么？意味着我们正在进入一个“代理原生”的时代，软件不再是产品，而是服务。一个初创团队可以快速地将一个想法变成由LLM驱动的自动化流程，而不需要深厚的工程背景。与此同时，这也对传统软件公司的商业模式提出了严峻的挑战：当“应用”可以被一段自然语言描述替代时，你卖的是什么？是数据？是体验？还是品牌？这些问题的答案会决定谁在下一个十年生存下来。

但最根本的变化可能不在于工具本身，而在于我们如何看待计算。在1.0时代，计算是确定的、逻辑的；在2.0时代，计算是概率的、模式的；在3.0时代，计算正在变成对话式的、意图驱动的。一个用户不是输入命令，而是表达需求。系统不是执行指令，而是理解意图。这种转变的难度在于，我们的教育体系、工程文化以及绝大部分的基础设施仍然是围绕1.0构建的。Karpathy提到“代理工程”作为一种新技能的出现，但大多数人还停留在如何写更好的prompt的层面。真正需要的是对计算本质的重新理解——不是如何告诉机器做什么，而是如何让机器理解你想做什么。

当然，这条路充满不确定性。LLM的锯齿性意味着，你永远不知道它会在哪个细节上翻车。并且，随着RL训练的经济性主导模型能力的分布，那些“非主流”的任务（比如你的个人笔记助手）可能会被边缘化。但另一方面，开源模型的快速迭代正在打破这种垄断。像Mercury这样的开源agent项目在尝试提供可审计、可定制的替代方案，它们的崛起可能会分散对集中式LLM的依赖。未来的计算生态更可能是一个由多个大小模型组成的联邦，而不是一个单一的超大模型。

最后，让我回到开头那个命题：LLM的真正革命性不在于加速。它带来的不是让程序员写代码更快，而是让非程序员也能“写代码”；不是让数据库查询更快，而是让非结构化信息也能被“计算”。当计算的主要方式从“编程”转向“理解”时，我们实际上是在重新发明计算机。这不仅仅是技术变化，更是一种文化变化。随之而来的问题是：你准备好让你的系统接受不确定性了吗？你愿意放弃一些控制来换取更多可能性吗？如果你的答案是肯定的，那么你已经在进入这个新纪元的路上；如果你的答案是否定的，那么你可能在等待一个永远不会来的1.0世界的完美版本。