Karpathy 在 Sequoia AI Ascent 2026 上做了一场炉边对谈，随后他自己在推特上总结了三个核心主题，信息密度很高，我来拆一下。

第一个主题：LLM 带来的远不止「加速现有工作」这么简单。他举了三个例子来说明新的可能性。一是 MenuGen，一个可以被 LLM 完全吞噬的应用，输入一张图，输出一张图，中间不需要任何传统代码。二是用 install.md 替代 install.sh，既然你可以用自然语言把安装步骤写出来让 LLM 去执行，为什么还要写复杂的 bash 脚本？LLM 本身就是一个高级的英语解释器，能智能适配你的环境并自动调试。三是 LLM 知识库，这种东西在传统代码时代根本不可能存在，因为它需要对来自各种来源、各种格式的非结构化数据进行计算和重组。他反复强调这一点：每次范式变革，大家最先看到的总是「让旧事物变快」，但真正重要的是那些以前根本不可能做到的新事物。

第二个主题：LLM 能力的「参差不齐」到底怎么解释。同一个模型，能连贯地重构十万行代码库，却会告诉你走路去洗车。他之前写过这跟「可验证性」有关，这次他补充了经济学维度：前沿实验室选择在 RL 训练中放入什么数据，取决于收入和市场规模。如果你的应用场景恰好在模型的 RL 电路上，你就像在铁轨上飞驰；如果不在，你就像拿着砍刀在丛林里开路。他坦言自己对这个解释还不完全满意，但这是一个持续的努力，目的是建立一个准确的 LLM 能力模型，好让你能利用它的长处同时避开它的坑。

第三个主题：Agent 原生经济。他谈到如何把产品和服务拆解为传感器、执行器和逻辑层，如何让信息对 LLM 最大程度可读，以及正在快速成形的 agentic engineering 这门新学科和相关的招聘实践。他甚至畅想了一种未来：神经网络处理绝大部分计算，传统 CPU 反而退化成协处理器。

#科技先锋官##How I AI#