卡帕西说「我从未感到如此落后」——但我认为他真正想说的是另一件事
Andrej Karpathy 在红杉资本的演讲里说了一句让很多人共鸣的话：
「作为一名写了十几年代码的顶级程序员，我从未像现在这样感到落后。」
这句话迅速在技术圈流传，引发了两种截然相反的解读：
一种是焦虑派：连 Karpathy 都落后了，我们普通工程师还有什么未来？
另一种是鸡汤派：你看，AI 会让每个人都更强大，机会无处不在。
但我认为，这两种解读都没抓住要点。
卡帕西真正想说的，是一条可以操作的判断框架
演讲里最让我感同身受的，是他提出的 可验证性（Verifiability） 概念。
他说：
传统计算机能自动化你「能明确定义」的事物。
新一代大语言模型能自动化你「能明确验证」的事物。
这一字之差，是理解 AI 能力边界的密钥。
什么叫 可以定义但无法验证 ？比如：写出一篇”有感染力的文章“。你能描述它，但你很难给出一个客观的验证标准——什么叫有感染力？谁来判断？标准是什么？
什么叫”可以验证“？代码跑通了，测试通过了，数学证明是否成立——这些有清晰的对错边界。
AI 在高可验证性领域已经碾压人类顶尖专家。在低可验证性领域，它连”应该开车去洗车还是走路去“都搞不清楚。
这不是 AI 的 bug，这是训练机制的必然结果：强化学习只能在有清晰反馈的领域工作。
这对我们意味着什么？一个简单的自测
你现在做的工作里，有多大比例是”可以被明确验证的“？
如果你写代码：测试覆盖率、功能是否达标、性能指标——可验证性极高，AI 替代速度极快，你必须尽快升维到架构设计和系统判断层面。
如果你做产品决策：这个功能上线后用户会怎么反应——可验证性中等，AI 可以辅助分析，但最终判断权仍在人类。
如果你做战略方向：我们该押注哪个市场——可验证性低，AI 无法替代，理解力和判断力是唯一竞争力。
Karpathy 的意思不是”所有人都会被取代“，也不是”没人会被取代“。他的意思是：你工作中可验证性高的部分会被极速重构，你必须搞清楚自己不可替代的部分是哪里。
氛围编程是入场券，智能体工程才是真正的护城河
2025年 氛围编程 这个词火了，大家发现不懂代码的人也能靠 AI 做出软件。很多人以为这就是终点。
Karpathy 在这次演讲里明确说：不是的。
氛围编程的问题在于——它只追求做出来，不追求做得好、做得安全、做得可维护。这在个人项目里没问题，在企业生产环境里是一颗定时炸弹。
他提出的新概念叫 智能体工程（Agentic Engineering）。
二者的区别很明显：
- 氛围编程 = 让每个人都能做软件（抬高下限）
- 智能体工程 = 在保持专业质量的前提下，实现极致效率（守住上限）
在智能体工程的范式里，开发者99%的时间不再直接写代码，而是统筹智能体、监督智能体、把控全局。
AI 智能体是能力极强但极不稳定的”AI实习生“——它们能完成代码填充、API 调用、文档整理，但会犯出人意料的低级错误（比如他举的 MenuGen 案例：用邮箱地址关联用户数据，而没用持久 UserID，结果两个平台的邮箱一不一致就出 bug）。
人类的价值，就是发现这种系统级的逻辑漏洞，并做出正确的架构决策。
这不是悲观的观察，这是机会的定义：能做到这件事的人，效率将超越传统高效工程师无数倍。
笔者观点
Karpathy 在演讲最后说：
你可以外包你的思考，但永远无法外包你的理解。
这句话值得反复琢磨。
AI 是思考的放大器——它可以帮你生成方案、写代码、分析数据、输出文案。但它无法替你理解：这个方案的假设是否成立？这段代码逻辑在边界情况下是否正确？这个方向是否值得做？
当你缺乏理解力时，你会：
- 看不出 AI 输出的明显错误
- 无法给出清晰的指令
- 无法做最终的正确决策
你会成为 AI 的附庸，而不是驾驭者。
在智能变得越来越廉价的时代，理解力是唯一不会贬值的资产。
所以，我们该怎么做？
不焦虑，也不盲目乐观。做好三件具体的事：
第一，评估你工作的可验证性分布。 把你的日常任务列出来，判断哪些高可验证、哪些低可验证。高可验证的部分，主动用 AI 做，快速释放时间；低可验证的部分，专注打磨你的判断力。
第二，从氛围编程升级到智能体工程。 不要满足于”AI帮我做出来了“，要追问”这个输出是否正确、安全、可维护“。把自己训练成质量把关者，而不是需求描述者。
第三，坚持深度学习底层原理。 Karpathy 自己说，他不再死记 PyTorch、NumPy 的 API 差异，但他绝对不会放弃对底层原理的理解。API 可以查，可以让 AI 帮你写；但系统架构的判断力，只来自于真正理解底层是怎么运转的。
Karpathy 感到落后，不是他不够聪明，而是他足够诚实。
那些感觉不到落后的人，大概率是因为他们还没有真正用起来，感受不到差距的量级。
真正看清楚这场变革的人，不会陷入恐慌，也不会盲目乐观。
他们会做的，是搞清楚自己理解力的边界在哪里，然后持续拓展它。
这才是这场范式革命留给每个人最真实的功课。
本文观点基于 Andrej Karpathy 在 2026 年红杉资本 AI Ascent 大会的演讲内容
