在2025年的最后一个月，特斯拉前AI负责人、OpenAI创始成员Andrej Karpathy经历了其20年编程生涯中一次堪称“最颠覆”的巨变。
去年11月，他的编程工作流还是80%依赖手动编码和自动补全，剩下20%交给AI。然而，就在刚刚过去的几周内，这个比例发生了惊人的180度对调——AI接管了约80%的代码编写工作，而他本人只负责剩下的20%修改与微调。
用Karpathy自己的话说：我现在基本上是在用英语编程，虽然这种角色转换有时会带来一丝复杂的心理调整，但体验过后的感觉实在太值了。
当许多人仍对AI编码持有“会出Bug”的刻板印象时，Karpathy已然宣告，“最热门的新编程语言是英语”。他逐渐放下曾引以为傲的手写代码技能，转而拥抱“用自然语言指令驱动AI编码”的全新范式。
Karpathy在社交媒体上分享道，这是他二十年编程生涯中，对基础编码工作流程所经历的最大、最迅速的一次转变。他推测，已有“两位数百分比”的工程师正在经历类似的转变，而普通大众对此的认知可能还停留在个位数水平。
这意味着，这场由大模型驱动的编程方式革命，并不仅仅局限于顶尖开发者的小圈子，它正悄无声息地渗透到大量普通程序员乃至非编码工程师的日常工作中，重塑着无数人的职业生涯。
编程变成一种“不好意思”的对话
Karpathy在描述这段剧变时，用词颇为微妙。他坦言，现在的编程过程偶尔会让他感到一丝“伤自尊”。原本需要一个团队耗时数日搭建的架构，现在只需他用英语与AI进行几轮对话，代码便能如潮水般自动生成。
就在去年11月，他还视AI为副驾驶，自己掌控着80%的方向盘。但到了12月，他猛然发现，AI已经坐进了主驾驶位，自己则退居副驾，仅负责20%的路线修正与细节打磨。这种“身份互换”带来的冲击是前所未有的。对于一位资深程序员而言，甚至会为这种“不劳而获”的高效产出感到“有些不好意思”。
但这种转变已是不可逆转的趋势。尤其是像Claude和Codex这类模型的编程能力，在去年12月左右似乎跨过了一个关键的“一致性”阈值，从而引爆了整个软件工程领域的变革。当对话的质量（即提示词工程）直接决定了代码产出的质量，“英语编程”本身便成了一种新的硬核技能。
IDE、智能体蜂群与模型易错性：哪些说法被夸大了？
在这篇分享中，Karpathy也冷静地指出了当前生成式AI在编程应用中的一些局限，认为部分流行说法存在过度炒作之嫌。
例如，“AI来了就不再需要IDE（集成开发环境）”或“智能体蜂群将统治一切”等观点，在他看来都言过其实。他承认AI是巨大的进步，但模型依然会犯错，并非万能。
1. 保持警惕，关键代码仍需人工监督
对于核心且重要的代码，Karpathy的建议是：不要抛弃IDE。相反，应该在一个屏幕宽大、体验舒适的IDE旁，像鹰一样紧密监视AI的输出。现在的错误类型已经转变，不再是简单的语法错误，而更像是有些马虎、急于求成的初级工程师会犯下的概念性错误。
2. AI的常见问题：基于错误假设一路狂奔
AI倾向于自行“脑补”一些错误的假设（例如误解需求），然后不加以验证就继续编写代码，最终可能导致整个模块崩溃。它不像人类工程师那样，会在不确定时主动提问请求澄清，也不会指出代码中的潜在矛盾、比较不同方案的优劣，或在用户想法有误时提出反对意见。在某种程度上，它仍然显得有些“过度讨好”。
Karpathy认为，让AI进入“计划模式”（先规划再执行）会有所改善，但行业还需要一种更轻量、可随时介入的“轻计划模式”。
3. 倾向于将简单问题复杂化
AI在编码时容易陷入过度抽象（添加不必要的层级）、结构臃肿，并且经常忘记清理自己留下的废弃代码（死代码）。它可能会生成一大堆低效且易出错的、长达数千行的代码，而当你要求它简化时，它又可能立刻将其精简到百行左右。
此外，AI有时会“多管闲事”，即便与当前任务无关，它也可能顺手修改或删除那些它不理解或不喜欢的注释和代码。即使在项目根目录放置 CLAUDE.md 等指令文件进行约束，这些问题依然可能发生。
尽管如此，Karpathy依然认为AI辅助编程带来的提升是革命性的。习惯了这种高效之后，再回到纯手动编码的时代几乎是不可想象的，那感觉“像是回到了石器时代”。这说明，AI虽强大，但需要人类智慧地引导和使用，才能发挥其“超能力”。
提速之外，更是能力边界的扩展
AI辅助编程到底带来了多大的“加速”？这个数字很难精确量化，但Karpathy的直观感受是：完成既定任务的速度明显更快了。
然而，比单纯提速更重要的是，他现在有能力去做远超原计划范围的事情：
- 可以轻松编写许多过去认为不值得花费时间去写的工具性代码。
- 敢于涉足以前因为知识或技能短板而完全不敢触碰的技术领域或代码库。
因此，除了效率提升，人工智能编码带给Karpathy更深刻的一个变化是：个人能力边界的显著扩张。
AI的韧性：真正的“魔法”源于“闭环尝试”
令Karpathy这样的大神都感到震撼的，是AI智能体所具备的一种人类极度稀缺的特质：韧性（Tenacity）。
他观察到，当一个代码Bug困扰人类超过30分钟，大多数人会逐渐变得烦躁、焦虑，甚至萌生放弃的念头。但AI不会。它会像一台不知疲倦的机器，为了修复一个逻辑漏洞而持续死磕，可以连续尝试数十种不同的解决方案，且每一次尝试都保持着最初的状态。
“耐力”本身是人类创造性工作的核心瓶颈之一，而大模型的出现极大地放宽了这一限制。因此，在Karpathy看来，AI的强大并非仅仅源于其“知识储备”，其真正的“魔法”来自于“闭环尝试” 的能力。
大模型极其擅长在一个循环中不断尝试、反馈、调整，直到满足明确设定的目标条件。Karpathy认为，这正是大多数让人产生“AGI体感”的神奇体验的来源。
人类的局限性在于，我们在编码时一旦遇到错误，心智负担和挫败感会迅速累积。但AI的优势在于它不知疲倦。如果你给它一个清晰的目标（例如：“这个网页必须有一个功能完整的登录框”），它可以在循环中尝试上百次。这种“不断试错直至成功”的机制，在感官上非常接近人类智慧所展现的某种特质。
声明式指令：给予“终点”，而非“路线图”
AI这种“闭环尝试直至成功”的特质，要求我们的思维方式从“命令式”转向“声明式”。
我们不应再事无巨细地告诉AI每一步该怎么做，而是清晰地定义“成功标准”，然后让它自主探索实现路径。
- 命令式编程（旧思维）：告诉AI第一步打开文件，第二步解析字符串，第三步过滤空格……如果其中任何一步指令有误或条件变化，整个流程可能崩溃。
- 声明式编程（新思维）：告诉AI“我需要一个能处理这种特定CSV格式并输出统计图表的脚本，这是数据规格说明”。只要成功标准定义清晰，AI就会利用其“闭环尝试”的能力去攻克所有中间环节。
测试驱动与工具集成：具体实操策略
Karpathy还分享了一些具体的实践策略，以更好地驾驭AI的编码能力。
1. 测试驱动开发：先写测试，再过测试
他认为这是最有效的策略之一。先让AI编写用于验证程序正确性的测试用例。只要测试未通过，AI就必须在循环中不断修改代码，直到测试通过。测试用例在这里扮演了“监考老师”的角色，确保产出符合预期。
2. 引入MCP等工具协议
例如，通过集成Model Context Protocol将浏览器等外部工具的能力接入循环。AI编写完前端代码后，可以自动在浏览器中运行并检查结果。如果页面白屏或报错，AI能“看到”错误信息，然后自动返回循环中修复Bug。整个过程可以实现高度自动化，无需人工干预。
3. 杠杆效应：用“AI的时间”换取“人的自由”
这里的杠杆效应，核心是延长智能体的有效循环时间。不要一开始就让AI尝试编写最复杂、最优化的架构。相反，先让它生成一个“虽然笨拙但绝对正确”的初始版本。有了这个正确的基础后，再指导它进行重构和性能优化。
如此一来，个人的编程成本，很大程度上被压缩为撰写“规格说明”的那几分钟。而AI可能在后台默默循环、尝试、报错、重启长达一个小时。我们获得的“杠杆”就在于：投入的“指令时间”越短，AI运行的“有效循环时间”越长，最终获得的生产力提升倍率就越高。
AI编程的乐趣与“废用性萎缩”的警示
出乎意料的是，AI编程为Karpathy带来了更多的乐趣。他认为，用智能体编程反而比从前更有意思：当大量填空式、重复性的苦活被剥离后，剩下的更多是创造性和决策性的部分，他也更少陷入令人沮丧的“卡住”状态。
借助AI，他在面对未知技术挑战时也变得更有勇气，因为几乎总能找到一种方式与AI协作，将项目向前推进。Karpathy预想，AI编程可能会将工程师群体大致分为两类：一类主要享受“编写代码”的过程本身，另一类则主要热爱“构建产品/系统”。
在享受乐趣与效率的同时，Karpathy也敏锐地察觉到了一个令人不安的趋势，并提出了 “废用性萎缩” 的警示。
“我已经明显感觉到，自己手写代码的能力在慢慢退化。”他指出，当我们习惯于只负责判别与审核（这是大脑的一种能力模式），而将生成工作完全外包给AI（另一种能力模式）时，我们手动编程的“肌肉”就像长期不锻炼一样开始萎缩。这不仅是某项具体技能的退化，更可能是一种深层次的认知能力“降级”。
这引发了一个值得深思的问题：如果有一天，由于某种原因，AI提供的“梯子”被撤下，那些已经习惯了云端协作、失去了徒手攀爬能力的开发者，将如何应对？
Karpathy的2026预言：垃圾内容大爆发与人才结构洗牌
自2022年末ChatGPT引爆生成式AI热潮以来，这场变革已进入第四个年头。Karpathy表示，他已经为2026年做好了心理准备——那可能会是GitHub、Substack、arXiv、社交媒体乃至几乎所有数字媒介平台的“垃圾内容大爆发”之年，同时也会伴随大量关于AI生产力的过度炒作。
当然，真实的、扎实的技术进步也会同步发生。他最近持续思考的几个问题是：
- “10倍效率工程师”的概念会发生什么变化？
- 普通工程师与顶尖工程师之间的生产力差距，会因此被拉大还是缩小？
- 在大模型的加持下，通才型人才是否会越来越胜过专才？因为大模型在补齐细节方面很强，但在宏观战略和跨领域洞察上仍依赖人类。
- 未来的大模型编程体验会更像什么？是像指挥《星际争霸》中的多线操作，像规划《异星工厂》的复杂流水线，还是像演奏一首交响乐？
- 社会中究竟有多少难题，本质上是被数字化知识工作的效率瓶颈所卡住的？
Karpathy提到，以Claude、Codex为代表的AI编码能力在2025年底跨越了某个关键的“一致性阈值”，突然之间在集成度、新工作流的组织以及广泛传播性上，明显走在了其他技术前面。因此，他认为2026年将是一个“高能量”的年份，整个行业都在全力消化和吸收这种全新的能力。
在这种激荡与混乱中，人才结构必将经历一次大规模的洗牌。那些在宏观策略上具有深刻洞察、能够进行跨领域思考的通才型人才，因为拥有了AI这个强大的执行工具，他们的生产力可能被放大数百甚至上千倍。相反，那些只掌握单一领域技能、仅擅长机械执行的“专才”，可能会面临巨大的竞争压力。
一个可能让人扎心的现实是：AI并未如一些人预期的那样抹平差距。一种更可能的情景是，一位顶尖开发者利用AI所能爆发出的能量，与一位普通开发者之间的差距，将被拉大到远超传统意义上的“10倍”以上。
这场变革正在发生，它既带来了前所未有的效率与可能性，也伴随着技能演进和职业生态的深刻挑战。对于这场由人工智能驱动的生产力革命，你准备好了吗？欢迎在开发者广场分享你的看法与体验。
发表于 4 天前
|
查看: 23|
回复: 0
