在Sequoia Ascent 2026的炉边谈话中，Karpathy提出了一个挑战性观点：LLM的真正价值不是加速编码，而是创造了过去不可能存在的功能。这不仅是技术进步，更是我们对“计算”本身理解的转变。

核心观点：大多数人对LLM的应用停留在“让已有的事情更快”的思维定式中，而Karpathy指出的三个新方向——全LLM原生应用、技能文本化、知识库不可计算性——揭示了真正革命性的范式转移。

在Sequoia Ascent 2026的一次炉边谈话中，Andrej Karpathy提出了一个看似简单却极具颠覆性的论点：大型语言模型的意义远不止于加速现有任务，它们正在创造三类全新的事物——全LLM原生应用、技能文本化、以及基于知识库的不可计算功能。这个表述看似技术性，但如果我们认真拆解，会发现它实际上在挑战我们对“软件”和“计算”的根本认知。

先看第一个新地平线：全LLM原生应用。Karpathy举了一个名为“menugen”的例子，它是一个完全被LLM吞噬的应用——输入一张图片，LLM直接输出一张图片，中间没有任何传统代码作为中介。这听起来像是一个简单的图像处理流程，但仔细想，它的意义远不止于此。传统软件的逻辑是：开发者编写代码，定义输入、处理和输出的规则。代码是确定性的，是可审计的，也是可预测的。但在menugen中，输入到输出的映射由LLM内部的参数空间决定，这些参数不是人类编写的规则，而是从海量数据中学习到的分布。这意味着，你无法像审查代码一样审查它的行为逻辑，你只能通过测试来验证。这是一种完全不同的软件范式，它的边界不再是代码的边界，而是模型能力的边界。

第二个新地平线更具颠覆性：技能文本化。Karpathy提出，用.md文件安装技能，而不是.sh脚本。想象一下，安装一个软件不再需要编写复杂的bash脚本来自动化配置、依赖管理和错误处理，而是直接写一段自然语言描述，告诉LLM：“请安装这个软件，配置网络代理，如果出现权限错误，尝试重新运行。”LLM作为一个高级自然语言解释器，可以智能地针对你的具体环境执行安装，并在出错时动态调整。这听起来像是把系统管理的专业性降低到了自然语言的门槛。但更深层的含义是，它将“技能”从代码中剥离出来，变成了可读、可写、可共享的文本。一个不需要编程知识的领域专家，可以通过撰写一份Markdown文档，就能创造出一个可执行的自动化流程。这是对“编程”概念的扩展，而不是替代。

第三个新地平线是知识库的不可计算性。在经典计算范式中，如果你想要从大量非结构化文本中提取知识、建立关联、回答复杂问题，你需要编写解析器、索引器、检索算法，每一步都有明确的规则和边界。但LLM知识库打破了这一切。它可以接受来自任意来源、任意格式的非结构化数据——网页、PDF、邮件、聊天记录——然后直接提供看似智能的问答。这种功能在经典软件中要么不存在，要么成本高得不可想象。为什么？因为“知识”本身不是一个形式化的数据结构，它存在于上下文、隐喻、类比和不完整陈述之中。经典计算处理的是数据，而LLM处理的是“知识”。这不是量上的改进，而是质上的飞跃。

这三条新地平线共同指向一个事实：我们正在从“软件1.0”——人类编写确定性的指令——向“软件2.0/3.0”过渡，其中模型成为核心的执行引擎。但Karpathy在谈话中也坦诚地指出了这个范式最令人困惑的特性：不均衡性。同一个LLM可以同时完美地重构一个10万行代码的代码库，却告诉你“走路去洗车”，这种行为的“锯齿状”让开发者既惊叹又困惑。他对此的解释非常深刻：这取决于领域的可验证性和经济学。那些收入潜力大、训练数据丰富、RL优化充分的领域，LLM表现出色；而对于边缘的、低流量的、难以验证的领域，LLM则显得笨拙。换句话说，LLM的能力地图是由市场规模和可验证性共同雕刻出来的，而不是由人类对“智能”的抽象定义决定的。

这个解释引发了一个重要的推论：如果你的应用场景落在LLM能力的高地（比如代码生成、常见问题解答），你会觉得LLM已经接近通用人工智能；但如果你的场景在低地（比如罕见的物理模拟、特定领域的反事实推理），你会觉得它连基本的常识都没有。这种不均衡性不是缺陷，而是LLM本质的结构特征。理解这一点，对于有效地使用LLM至关重要——不是抱怨它为什么不万能，而是设计系统时，要把任务映射到它的能力高地，同时为低地准备回退机制。

Karpathy最后谈到了“Agent原生经济”，这个概念值得深思。他提出，产品和服务正在被分解为传感器、执行器和逻辑三个组件，而这些组件可以分布在经典计算、机器学习计算和LLM计算三种范式上。这种分解意味着，未来的软件架构不再是一个单体的程序，而是一个由不同计算范式组成的协作网络。传感器负责采集数据（物理或数字），执行器负责影响世界（发送邮件、控制机械臂），逻辑则决定何时触发哪个执行器。而逻辑本身可以是一段用自然语言写成的策略，由LLM来解释和执行。

这种架构的颠覆性在于，它模糊了“工程师”和“用户”的界限。一个业务人员可以通过描述流程，利用LLM生成一个Agent的原型；一个运维专家可以通过写一篇Markdown文档，创建一个自动化的监控响应系统。软件开发的民主化将进入一个新阶段，这不仅仅是因为LLM帮助人类写代码，而是因为LLM本身成为了代码的执行环境。

当然，这个愿景也面临着巨大的挑战。Karpathy没有回避的问题包括：如何确保Agent的可靠性？当行为不均衡性无法消除时，如何构建值得信赖的系统？如何防止恶意Agent利用自然语言指令的模糊性实施攻击？这些都是有待解决的核心工程难题。

但从长远来看，Karpathy指出的方向是不可逆的。每一次计算范式的革命，都是从“让旧事情更快”开始，然后逐渐发现“新事情成为可能”。LLM已经走过了“更快编码”的阶段，正在进入创造全新功能的阶段。那些仍然停留在“LLM只是加速器”思维中的开发者，可能会错失正在发生的范式变革。而能够理解不均衡性、拥抱混合架构、投资于Agent原生经济的参与者，将有机会定义下一个计算时代的面貌。

Karpathy的这次谈话不是技术预言，而是正在发生的现实的清晰映射。它提醒我们，真正重要的不是问“LLM能做什么”，而是问“哪些事情因为LLM而变成了可能”。答案可能远比我们想象的更深远。