一个能重构十万行代码的模型，却会建议你走路去洗车。这种能力的不规则不是bug，而是AI经济激励下的必然产物。

核心观点：LLM能力的不规则性并非工程缺陷，而是由经济激励和训练数据分布共同塑造的必然结构，理解这种结构是构建可靠AI应用的关键。

人工智能的发展史上，从来没有任何一项技术像大语言模型这样，同时展现出令人惊叹的高阶能力和令人哭笑不得的幼稚错误。一个能够轻松重构整个代码库的模型，在回答一个简单的生活问题时，可能会给出完全脱离现实的建议。这种现象被AI研究者安德烈·卡帕斯称之为“LLM的不规则性”，它正在成为理解现代AI能力边界的关键概念。

不规则性并非缺陷，而是AI经济结构的内生特性。卡帕斯在最近的Sequoia Ascent 2026炉边谈话中提出了一个深具洞察力的解释：这种不规则性源于训练数据分布和强化学习的经济逻辑。当某个领域具有巨大的商业价值和明确的验证标准时，前沿实验室会投入巨大的资源将其打包进训练数据分布。在这些领域，模型如同“在轨道上飞行”，表现极为出色。而在那些缺乏商业激励或验证困难的领域，模型只能“在丛林中挥舞砍刀”，表现拙劣。这不是技术局限，而是经济选择的结果。

这种解释让我想起经济地理学中的“中心-边缘”理论：某些地区因为历史积累和投资获得高密度发展，而边缘地区则被系统性忽视。LLM的能力分布呈现出类似的结构——代码生成、数学推理、文本摘要等具有清晰商业价值的任务位于能力“中心”，而涉及物理常识、长期规划、因果推理等难以量化验证的任务则被推至“边缘”。这种能力分布的不对称性，决定了我们在何种场景下可以信赖AI，又在何种场景下必须保持警惕。

卡帕斯提出了一个极具想象力的例子来说明新范式的可能性：一个完全由LLM驱动、无需任何传统代码的应用程序——输入一张图片，输出一张图片，LLM原生地完成整个任务。这听起来像是科幻小说，但它揭示了一个根本性的转向：我们正在从“加速现有流程”的阶段，进入“创造全新功能”的阶段。传统的观点认为，AI主要是提高编程效率，但卡帕斯展示了三个“新地平线”：第一，完全由LLM吞噬的应用，无需古典代码；第二，以.md文件形式描述的“安装技能”，取代复杂的.sh安装脚本；第三，基于LLM的知识库，能够处理古典代码根本无法处理的非结构化数据。

然而，我们必须清醒地认识到，这些新功能只能在能力“中心”区域内可靠运行。当模型试图处理超出其训练分布的任务时，我们就会看到那些令人哭笑不得的失败案例。这不是一个可以简单通过增加数据或参数规模解决的问题。从根本上说，这是一个经济学问题：对于那些没有足够商业激励来构建高质量训练数据的领域，LLM将永远保持“不规则”的表现。

这种认识对企业和开发者具有直接的现实意义。当我们构建基于LLM的应用时，最危险的做法是假设模型能力是均匀的。这种假设会导致在关键任务上部署AI，结果在边缘场景遭遇灾难性失败。相反，我们应该采用“能力地图”的方法：明确识别模型在哪些领域处于“轨道飞行”状态，在哪些领域只能“丛林跋涉”，并据此设计系统架构和人工干预机制。

卡帕斯提到的“代理原生经济”概念进一步深化了这一观点。他预测，未来的产品和服务将被分解为传感器、执行器和逻辑单元，跨越传统软件1.0、2.0和3.0计算范式。在这个框架下，如何使信息对LLM最大程度地“可读”将成为一个核心工程问题。这意味着，我们不仅要关注模型本身的改进，还要重新设计整个系统的信息架构，使其与LLM的能力分布相匹配。

反对者可能会说，随着模型规模的增长和训练数据的扩展，这种不规则性终将被消除。毕竟，GPT-4在2023年表现出的许多缺陷在GPT-5中已经得到改善。但问题在于，商业激励驱动的训练数据分布永远不可能覆盖所有可能的任务领域。总会有一些任务因为市场规模太小、验证成本太高或伦理约束而无法获得充分的训练资源。因此，不规则性不是暂时现象，而是AI时代的结构性特征。

更值得深思的是，这种经济驱动的能力分布可能会加剧AI应用的“马太效应”：那些已经具有高商业价值的领域将获得更多的AI能力提升，从而进一步扩大其优势；而那些缺乏商业价值的领域（如很多公共服务、边缘学科、小众文化）则可能被AI能力分布的系统性忽视。这不是技术中立性的问题，而是技术经济学的必然结果。

卡帕斯在谈话中坦诚，他对自己构建的LLM能力模型“还不太满意”。这种诚实是罕见的，也是必要的。我们正处于一个理论尚未成熟的阶段，正在摸索如何准确描述和预测LLM的能力边界。但至少我们已经认识到，不规则性不是一个需要“修复”的bug，而是一个需要“理解”的结构。

对于决策者而言，这意味着需要建立更精细的AI治理框架，识别哪些领域可以依赖AI，哪些领域需要保持人类控制。对于开发者而言，这意味着需要开发新的工程实践，专门处理模型能力的不规则性。对于公共政策而言，这意味着需要思考如何通过公共投资来弥补商业激励不足的领域，避免AI能力分布的不平等加剧社会不平等。

当我们还在为AI能力的突飞猛进感到惊叹时，或许更应该关注那些被系统性忽视的能力边缘。因为正是在这些边缘地带，人类的判断力、常识和伦理感知仍然不可替代。LLM的不规则性不仅是一个技术问题，更是一面镜子，反射出我们社会中那些有商业价值和无商业价值领域的真实不平等。

卡帕斯最后谈到了“全神经网络计算”的梦想，其中绝大多数计算由神经网络完成，传统的CPU只作为协处理器存在。这是一个诱人的远景，但通往这个远景的道路必须穿过不规则性的丛林。我们无法通过忽略不规则性来抵达那里，唯有通过深刻理解它的经济和技术根源，才能构建真正可靠、公正的AI系统。

不规则性不是AI的弱点，而是它的指纹。它提醒我们，即使在最先进的技术背后，经济逻辑仍然在不知不觉地塑造着能力分布。理解这种塑造机制，比简单地追求更大、更强的模型更重要。因为在AI时代，真正决定技术走向的，从来不仅仅是技术本身。