AI大神最新演講：AGI要落地,先要直面三個現實
來源：倍可親(backchina.com)6月19日消息，日前在YC人工智慧創業學校2025年的閉門課上，AI技術大神、OpenAI聯合創始人安德烈·卡帕西稱，軟體3.0正在把傳統編程逼至牆角，程序員們要麼學會用提示詞「編程」，要麼轉行去賣提示詞生成器。
卡帕西指出，軟體3.0正以「提示詞即程序」的範式顛覆傳統編程—它並非簡單疊加手工代碼與機器學習，而是通過大語言模型的多重屬性，將提示詞與系統設計、模型調優融合為新生產力。
問題在於，當前大模型存在「鋸齒狀智能」（高難度任務與常識判斷的能力斷層）和「順行性遺忘」（對話記憶局限）兩大缺陷，需通過系統提示學習等方式劃定能力邊界。
他強調，實現人機協作的關鍵在於「部分自主性」框架：既需像「鋼鐵俠戰甲」那樣通過自主性調節器來平衡AI自主決策與人類信任，又要重構開發生態，而智能體作為連接人類與計算機程序的「雙語翻譯官」，正推動開發範式從「人適應機器」轉向「機器適應人」。
01 軟體3.0：提示詞即程序的生態重構
卡帕西在演講中展示的 「軟體世代進化圖譜」 頗具看點：他將軟體發展劃分為三個階段—手工敲代碼的「軟體1.0」、靠機器學習訓練模型的「軟體2.0」，以及提示詞驅動的」軟體3.0」。但這並非和平共處的局面：正如智能手機淘汰按鍵機，軟體3.0正以開掛般的勢頭擠壓前兩代生存空間，這一趨勢被他稱為「不可逆轉的技術迭代」。
談及技術變革的核心爆點，卡帕西打破「1+2=3」的簡單疊加邏輯。他指出，軟體3.0並非前兩代技術的機械組合，而是揉合成的全新物種。就像當下AI工程師能甩開純提示詞工程師，靠的正是「提示詞設計+系統架構+模型調優」的組合技能—當多數人還在用「單機遊戲思維」玩提示詞，掌握複合能力的開發者早已開啟了「上帝模式」。
更具顛覆性的是大語言模型的「多面手」屬性：這些AI系統如今像「技術變形金剛」般切換角色—當「數字水電工」時提供基礎算力，當「代碼生產工廠」時直接輸出程序內容，當「應用開發者」時支撐各類工具運行，當「在線管家」時同時服務多用戶互動。這種全能型表現，正徹底重構傳統技術從研發到商業化的固有邏輯。
這種屬性組合，把傳統技術的商業化邏輯攪了個底朝天。以前新技術都是先貴后便宜，大語言模型倒好，先免費讓你玩明白，突然有天告訴你：「我其實能幫你重構整個行業。」
02 LLM心理學：智能鋸齒與記憶缺陷的雙重挑戰
卡帕西提出了「LLM 心理學」（LLM Psychology）框架，揭秘當前大模型的「認知短板」。
他拋出鋸齒狀智能（Jagged Intelligence）和 順行性遺忘（Anterograde Amnesia）兩大觀點，直指當前的大模型存在的主要問題。
其中，「鋸齒狀智能」理論把 AI 比作「精分學霸」—能解物理系博士都頭疼的偏微分方程，卻可能在「9.11和 9.9誰更大」這種小學生都會做的數學題上栽跟頭。
卡帕西用一組反差萌例子揭開能力斷層：當 AI 寫論文能引經據典時，卻可能建議「雞蛋剝殼後放進微波爐」；能推導複雜公式，卻分不清常識邏輯。這種現象和人類線性成長的智商曲線完全不同—人類像打遊戲攢經驗值，AI卻像被雷劈過的技能樹，自然語言理解點滿20級，常識判斷可能只有3級。
他戲稱現在的AI就像《生活大爆炸》里的謝爾頓，智商超群卻生活不能自理，開發者得學會在它「犯傻」前踩剎車。有趣的是，解決之道並非砸錢堆算力。卡帕西舉事例說，LLM就像給AI開「認知療法」，讓模型回答前先自問「我算對了嗎？」，像學生考試時多檢查一遍。但在生產環境里，用LLM仍像帶熊孩子—讓它做擅長的寫代碼等任務，同時得盯著別在簡單題上踩坑，猶如 「人工監督保平安」。
如果說鋸齒狀智能是智商問題，那順行性遺忘就是記憶力災難。
卡帕西打了個狠比方：LLM就像《記憶碎片》里的主角，每次對話都是全新開始——訓練結束后它就像被按了失憶鍵，除了眼前幾百字的上下文，過去的知識全成了過眼雲煙。想象你有個同事，昨天剛教過他報銷流程，今天問他還是一臉茫然，ChatGPT的「記憶」功能就像給這種同事發了便利貼，但還是那種會被咖啡灑濕的劣質貨。
人類學習靠「記筆記」，AI卻缺了這個功能。預訓練是往腦子裡塞知識，微調是培養行為習慣，但都得改參數；而我們更需要的是讓AI能自己寫「學習日記」——比如遇到複雜問題后總結「下次再碰到類似情況，應該先查歷史數據」，這就是卡帕西說的「系統提示學習」。
打個比方：預訓練是上大學，微調是實習，系統提示學習就是工作后寫工作總結。
卡帕西給AI的記憶缺陷打了個生動比方：現在的AI就像沒帶記事本的外賣小哥，記不住客戶偏好還總在「常識路口」迷路。理想的解決之道，是給它一本「數字日記本」，讓模型能自己總結解題策略，而不是靠工程師像保姆一樣追著喂提示詞。
這事兒難在哪兒？好比教失憶症患者寫日記—得先讓AI搞懂「該記什麼」，再琢磨「怎麼把日記里的經驗變成肌肉記憶」。從識別關鍵信息到將歷史經驗內化為自主決策能力，這中間的技術關卡，足夠工程師們琢磨好一陣子了。
03 部分自主性（Partial Autonomy）：當AI穿上鋼鐵俠戰甲
卡帕西拋出了讓AI穿上「鋼鐵俠戰甲」的觀點。這套戰甲由兩部分組成：一是能力增強（Augmentation），賦予使用者力量強化、工具集成、環境感知與信息交互能力；另一個是自主決策（Autonomy），讓AI在多數場景具備自主意志，可無需人類指令主動執行任務。
但如何將這套酷炫設定「焊」進現實AI產品？卡帕西拋出了三大解題思路。
第一招：裝上 「懂事程度旋鈕」。卡帕西提出 「自主性調節器」 概念，就像老式收音機的音量旋鈕，能靈活控制 AI 的 「自主度閥門」。以 Cursor 為例，從 Tab 鍵補全時小心翼翼問 「你是不是想打『hello』？」，到 Cmd-I 智能體模式霸氣宣言 「這事兒我全包了」，宛如實習生一路逆襲成項目骨幹；Perplexity 的搜索功能也從 「丟個鏈接自己看」 的基礎款，升級到輸出帶參考文獻小論文的 「研究員模式」；就連特斯拉自動駕駛，也是從 「你握方向盤我幫看路」 的 L1 級，逐步邁向 「你刷手機我來開」 的 L4 級，背後本質是人類對 AI 信任閾值的動態校準。
第二招：踩准人機協同「快進鍵」。在 AI「出題—人類批改」的協作循環中，卡帕西強調半自主性是破局關鍵：驗證端必須快如閃電，比如要求AI先輸出100字極簡方案，人類 10秒內就能打勾打叉；生成端則要用「緊箍咒」劃定邊界，規定代碼必須包含指定函數，防止AI「放飛自我」，寫出無法運行的「玄學代碼」。
第三招：跨越從Demo到產品的「馬里亞納海溝」。卡帕西以Waymo為例敲響警鐘：2014年這家公司的全程零干預的自動駕駛原型車，曾讓所有人以為「無人駕駛明天就能上路」，結果現實卻讓司機至今仍需像防賊一樣盯著方向盤。這印證了殘酷真相：部分自主性才是跨越技術落地鴻溝的橋樑，開發者必須在功能豐富度與可靠性之間找到微妙平衡點。
04 Vibe Coding與智能體開發生態
卡帕西隨手發的一條關於Vibe Coding推文，如今已催生數千家初創公司，甚至擁有獨立維基詞條——這場景堪比「比特幣白皮書剛發布時的瘋狂」。但魔幻的是，就像網紅餐廳排隊兩小時吃飯五分鐘，MenuGen 等工具在本地運行后，AI的「光速編程」特效會突然失效，暴露出現實的骨感。
2025年Web開發的割裂現狀
如今的開發工具鏈像「新舊大雜燴」：老工具如Clerk的文檔複雜難懂，AI讀起來像破譯古文；新工具如Vercel的文檔簡潔清晰，AI能輕鬆理解，還被卡帕西點贊。
這種新舊割裂就像讓程序員同時用算盤和電腦，效率差得老遠。於是DeepWiki這類「知識整理工具」成了剛需，能幫AI自動關聯支付介面、物流API等知識，避免像新手一樣反覆查資料。
數字信息消費新範式
卡帕西指出，工具開發者需重新定義三類用戶：通過圖形界面點擊操作的人類用戶（類似用鋼筆手寫筆記）、通過API介面直來直去交互的計算機程序，以及既能處理數據又能理解人類語言的智能體（像 「雙語翻譯官」，可幫用戶用自然語言操控伺服器並自動生成規範 API 代碼）。
05 結束語：從AGI幻想轉向務實創新
卡帕西提出一個清醒的觀點：與其空談「2027年實現AGI」這種遙不可及的目標，不如腳踏實地解決三個現實問題：
首先，我們需要開發真正實用的半自主系統。就像特斯拉的自動駕駛不是一步到位實現完全無人駕駛，而是逐步完善輔助駕駛功能。這些系統要能理解人類意圖，同時具備自主決策能力，關鍵是要設計好人與AI的協作界面。
其次，軟體開發正在經歷根本性變革。傳統的代碼編寫（軟體1.0）和機器學習（軟體2.0）正在進化為軟體3.0時代——開發者通過自然語言指導AI生成和優化代碼。這就像從手工作坊轉向現代化生產線，整個開發流程都需要重構。
最後，大模型應該像水電煤一樣成為基礎設施。開發者不需要重複造輪子，而是基於這些「AI公用設施」構建應用。就像雲計算改變了IT部署方式，AI基礎設施將重塑整個技術生態。
這場變革的本質，是從「人適應機器」轉向「機器適應人」。未來的贏家不是追求最強AI的公司，而是最懂如何讓人與AI協作的團隊。這就像工業革命不僅是機器的革新，更是生產關係的重構。我們需要的是實用主義的創新，而非科幻式的空想。