@runes_leo: Karpathy 4/30 在 Sequoia Ascent 把今年最有用的 AI 解释，压缩成三个论点。读完你看 AI 的方式会变。 1. AI 不只是"更快"，是新范式 过去 2 年大家都在讲 AI 让事情变快。 Karpathy 说…

Karpathy 4/30 在 Sequoia Ascent 把今年最有用的 AI 解释，压缩成三个论点。读完你看 AI 的方式会变。 1. AI 不只是"更快"，是新范式 过去 2 年大家都在讲 AI 让事情变快。 Karpathy 说这是误读。 举 3 个 AI 重新定义任务的例子： - menugen：图进图出，没有传统代码，整个 app 被 LLM 吞掉 - .md skills：装软件不写 .sh 脚本，写一段中文/英文说明，让 LLM 自己理解你的环境去装 - LLM 知识库：传统代码做不到的事——把任意格式的非结构化文本变成可计算的知识 第一类是"减少代码"，第二类是"用英文当代码"， 第三类是"传统代码本来就做不到"。 2. Jagged Edge — 为什么 AI 同时全能又愚蠢 最核心的论点。 为什么同一个 AI 能 refactor 10 万行代码， 又会建议你走去洗车？不是模型抽风。 Karpathy 原话： "You're either on the rails of the RL circuits and flying, or off-roading in the jungle with a machete." 要么你在 RL 训练好的圆圈里飞， 要么你在丛林里挥砍刀。 决定哪些任务进训练分布的两个因素： verifiability（结果可验证）+ economics（值不值得 frontier labs 砸钱 RL） 数学竞赛 / 编程 / 定理证明： 高可验证 + 高 TAM → 进圆圈 → 你用的时候在飞 日常生活建议 / 冷门语言文学 / 长尾任务： 低 TAM → 没进 RL → 你在丛林挥砍刀 不是 AI 越来越强这种线性叙事。 是参差不齐的边界，你必须知道自己站在哪边。 3. Agent-native economy 最后一个论点：未来软件分解成 sensor（输入）+ actuator（执行）+ logic（推理） logic 层全部跑在 LLM 上， sensor / actuator 用传统代码做协处理器。 含义：把信息做得对 LLM 最易读， 是接下来软件设计的核心约束。 --- 三个论点是一个连贯框架： 新范式让你看见 AI 能做什么之前做不到的事， jagged edge 让你识别 AI 做不到的事在哪里， agent-native 让你知道剩下的事怎么 wrap 给 AI。 不是"AI 越来越强"。 是"哪些任务在圆圈，哪些任务在丛林"。