Andrej 结合他在斯坦福、OpenAI 和特斯拉的工作经验，洞察到一个转变在产生——软件在再次经历刷新。我们已经进入了「软件 3.0」时期，在这个时期，天然说话成为新的编程接口，而模型则实现剩下的工作。
他探求了这一转变为开发者、用户以及软件设计自身带来了什么，并指出我们不仅仅是在使用新工具，更是在构建一种新型的推算机。
他将软件的发展划分为三个阶段：从人为编写指令的「软件 1.0」，到以神经网络权沉为主题的「软件 2.0」，再到由 LLM 开启的「软件 3.0」。为了援手理解 LLM 的性质，Karpathy 提出了多个类比，其中最贴切的是将其视为一种「新型操作系统」。它如同 1960 年代的早期推算机，算力集中在云端，用户通过类似号令行的界面进行交互。这是一个职能壮大但仍处于极度低级的生态系统。LLM 是「出缺点的超人」：它们知识渊博，但会产生幻觉、犯低技误且没有持久影象。因而，我们必须学会在监督下利用其能力，同时躲避其不成靠性。他以为，当前最大的机缘并非齐全自主的 AI，而是「部门自主性」产品。我们应构建像「钢铁侠战衣」一样加强人类能力的工具，通过高效的人机合作循环来实现工作，而非钻营一步到位的自动化。瞻望未来，Karpathy 呼吁为 AI 沉新设计数字基础设施。当前为人类设计的网站和文档对 AI 并不敦睦，未来的关键工作是使其变得机械可读、可操作，从而为更高阶的 AI 智能体摊平路路。
哇，这里人真多�。「魅撕茫『苄老步裉炷芾吹秸饫�，和各人聊聊软件和人为智能时期。我相识到在座有好多学生，蕴含本科生、硕士生和博士生等，你们即将进入行业。我感触此刻正是进入这个行业一个极度怪异、也很有意思的时期。
我以为，底子原因在于软件又一次在产生变动。我说「又一次」是由于我其实已经做过这个演讲了。但问题是，软件一向在变动。所以我其实有好多素材能够筹备新的演讲，并且我感触这种变动是尤为沉要且影响深远。
粗略地说，软件在七十年里险些没有在基础层面上产生太大变动。然而，最近几年它已经产生了两次相当迅速的沉大刷新。因而，此刻有大量的工作必要做，有大量的软件必要编写和沉写。
让我们来看看软件领域吧。若是我们把这设想成软件的地图，这里有一个极度棒的工具叫做「Github 地图」。这就像是所有编写过的软件的一个汇总。这些就是给推算机的指令，用来在数字空间里执行工作。若是你放大这里，这些都是分歧类型的代码仓库，而这些就是所有已经写好的代码。
几年前，我把稳到软件在产生某种变动，周围出现了一种新型的软件，其时我称之为「软件 2.0」。这里的理想是，软件 1.0 是你为推算机编写的代码，而 软件 2.0 根基上就是神经网络，尤其是神经网络的权沉。
你并不是直接编写这些代码，而是更多地调整数据集，而后运行优化器来天生这个神经网络的参数。我以为，在其时，神经网络被看作只是另一种分类器，好比像决策树之类的。因而，我感触这种框架更为适当。
此刻，现实上我们已经在软件 2.0 领域占有了类似 Github 的平台。我以为 Hugging Face 根基上就是软件 2.0 领域的 Github。此表还有 Model Atlas，你能够在那里可视化所佑赘代码」。
顺便说一下，若是你好奇的话，那个巨大的圆圈、中央的点，现实上就是图像天生器 Flux 的参数。因而，每当有人在 Flux 模型之上微调 LoRA，你根基上就是在这个空间里进行了一次 Git 提交，从而创造了一种分歧类型的图像天生器。
单一来说，软件 1.0 就是我们编写的推算机代码，用来编程推算机 ；而软件 2.0 则是神经网络的权沉，也就是用来「编程」神经网络的器材。这里举个例子，好比说 AlexNet 图像鉴别神经网络。
到此刻为止，我们熟悉的神经网络都类似于固定职能的推算机，好比把图像造成类别之类的。我以为真正产生变动的是，神经网络此刻可能通过 LLM 变得可编程。我感触这一点极度新鲜和怪异，它是一种新型推算机。所以在我内心，值得给它一个新的称号，叫做软件 3.0。
根基上，你的提醒词此刻就是用来编程 LLM 的法式。并且极度心奇的是，这些提醒词是用英语（天然说话）写的，所以它造成了一种极度有趣的编程说话。
也许能够这样总结区别：好比说你在做感情分类，你能够设想写一些 Python 代码来实现感情分类，或者你能够训练一个神经网络，或者你能够用提醒词去疏导 LLM。这里就是一个少样本提醒，你能够设想通过扭转它，用稍微分歧的方式编程推算机。
所以，根基上我们有软件 1.0、软件 2.0，并且我以为此刻我们看到——也许你已经把稳到——好多 GitHub 上的代码已经不只是代码了，有好多英语同化在代码里。所以我感触在出现一种新类型的代码。
这不仅是一种新的编程范式，对我来说，更神奇的是它用的是CA88母语——英语。所以几年前这让我极度震惊，我在推特上发了这个设法，我感触引起了好多人的关注。这就是我此刻置顶的那条推文：「极度心奇的是，我们此刻在用英语编程推算机。」
当我在特斯拉的时辰，我们在研发自动驾驶系统，致力让汽车可能自动驾驶。那时辰我展示了一张幻灯片，你能够设想汽车的输入在底部，它们通过一个软件栈来产生转向和加快。
其时我观察到自动辅助驾驶系统中有大量的 C++ 代码，那就是软件 1.0 的代码。而后还有一些神经网络在做图像鉴别。我把稳到，随着我们让自动辅助驾驶系统变得更好，神经网络的能力和规模都在增长。除此之表，所有的 C++ 代码在被删除，好多正本用 1.0 方式编写的职能和能力转移到了 2.0。
举个例子，从分歧摄像头网络的图像信息以及跨功夫的信息拼接，好多都是由神经网络实现的，这样我们就能删除好多代码。所以软件 2.0 仓库现实上已经贯通了自动驾驶系统的软件栈。其时我感触这极度了不得，并且我以为我们此刻又在经历同样的事件，根基上我们有一种新的软件，它在「吞噬」整个软件栈。
我们此刻占有三种齐全分歧的编程范式。我以为若是你要进入这个行业，纯熟把握这三种范式是极度有益的，由于它们各有曲直。你可能必要凭据情况选择用 1.0、2.0 或 3.0 范式来实现某些职能——好比该训练神经网络？还是直接提醒 LLM？又或者应该编写显式代码？我们必要做出这些决策，并且现实上可能必要在分歧范式之间流畅切换。
好比：这台新型推算机是什么？它长什么样？生态系统又是怎么的？多年前吴恩达（Andrew Ng）的一句话让我印象深刻（他应该在我之后讲话），他说：「AI 是新型电力。」
我的确以为这句话捉拿到了一个极度有趣的主题——如今的 LLM 的确拥有基础设施属性。像 OpenAI、Gemini、Anthropic 等 LLM 尝试室投入本钱支出训练模型，这相当于建设电网 ；而后通过运营支出将智能通过 API 提供给我们所有人。接见方式是按量计费（例如按每百万 tokens 付费），我们对这类 API 提出类似公共设施的需要：低延长、高可用性、质量不变性等。
在电力系统中，你能够用转换开关切换电网、太阳能、电池或发电机等电源。在 LLM 领域，我们可能有盛开路由层（open router），轻松在分歧 LLM 供给商间切换。由于 LLM 是软件，不占用物理空间，因而能够有多个「电力供给商」（例如六家），用户可自由切换——终于它们不存在直接物理竞争关系。
我感触这也挺有趣的，并且这几天我们就看到了这种情况：好多 LLM 都宕机了，人们就像被卡住一样无法工作。我感触很有意思的是，当最先进的 LLM 宕机时，世界就像是经历了一次「智能断电」。就像电网电压不稳时，整个地球都变得更痴钝了一样。我们对这些模型的依赖已经极度显著，并且我以为这种依赖还会持续增长。
我感触这个类比也有些吞吐，由于正如我提到的，这是软件，而软件的可防御性较低，由于它极度容易扭转。所以我感触这是个挺有意思的思虑点。现实上你能够做好多类比，好比 4 纳米造程节点，或者某种具备最大算力的集群。
你能够设想，当你只用 NVIDIA 的 GPU 做软件，而不做硬件时，这有点像晶圆代工模式 ；但若是你像谷歌那样自研硬件，用 TPU 训练，那就是像英特尔模式，你占有自己的晶圆厂。所以我感触这里有一些合理的类比。
但在我看来，最贴切的类比可能是把 LLM 看作操作系统——它们不仅仅是像电力或水那样的商品，不是从水龙头里流出来的尺度化产品，而是日益复杂的软件生态系统。
我感触有趣的是，这个生态系统的形成方式也极度类似：你有几个关源提供商，好比 Windows 或 macOS，而后有开源的代替品，好比 Linux。对于 LLM 来说，也有几个竞争的关源提供商，而 Llama 生态系统目前可能最靠近未来可能发展成类似 Linux 的角色。
再次注明，我以为此刻还为时过早，由于这些只是单一的 LLM，但我们起头看到它们将会变得复杂得多。这不仅仅是关于说话模型自身，还关乎所有工具的使用、多模态能力以及这些职能若何协同工作。所以当我前阵子意识到这一点时，我尝试把它画出来，在我看来 LLM 有点像一种新的操作系统，对吧？
所以，LLM 是一种新型推算机。它的主题设置有点像 CPU，高低文窗口有点像内存。而后，LLM 通过协调内存和推算能力，利用这里的所有职能�？槔唇饩鑫侍�。因而，从这个角度看，它的确极度像一个操作系统。
再举一些类比。好比你想下载一个利用，如果我要下载 VS Code，我能够下载 VS Code，并在 Windows、Linux 或 Mac 上运行它。同样地，你能够拿一个基于 LLM 的利用，好比 Cursor，而后能够在 GPT、Claude 或 Gemini 系列上运行它，对吧？只必要鄙人拉菜单里选择一下。所以在这方面也是类似的。
另一个让我印象深刻的类比是，我们此刻似乎处于上世纪 60 年代的推算纪元。对于这种新型推算机而言，LLM 的算力依然极度昂贵，这迫使 LLM 必须集中在云端，而我们都只是通过网络与其交互的「瘦客户端」，我们中没有人能齐全独占这些推算机的资源。
因而，选取「分时共享」系统是合理的，我们每幼我都只是云端推算机运行时批处置中的一个维度。这与其时推算机的状态极度类似。操作系统在云端，所罕见据都是流式传输，并且存在批处置。
所以，「幼我推算革命」尚未产生，由于它在经济上还不划算。但我想，有些人在尝试。事实证明，像 Mac Mini 这样的设备，就极度适合运行某些 LLM，由于若是你进行的是单批次（batch-1）推理，整个过程是极其受限于内存带宽的，而这刚好是它的优势。
我以为这些可能是幼我推算时期的一些早期迹象，但这尚未真正产生。它未来会是什么样子还不明显� ；蛐砟忝侵械囊恍┤私岱⑾殖鏊鞘裁础⑺艉喂ぷ�，或者它应该是什么样子。
我再提一个类比，每当我在纯文本环境中与 ChatGPT 或某个 LLM 直接对话时，我都感触自己像是在通过终端与一个操作系统对话。它就是纯文本的，是与操作系统的直接衔接。并且我以为，一个通用的 GUI 尚未被真正发现出来。
好比，ChatGPT 是否应该有一个超过文本气泡的 GUI？当然，我们稍后会提到的一些利用的确有 GUI，但还没有一种能贯通所有工作的通用 GUI，若是你们能领略我的意思。
在某些相当怪异的方面，LLM 与早期推算时期的操作系统有所分歧。我曾写过关于一个个性的文章，这个个性在我看来这次是截然分歧的。
那就是 LLM 颠覆了通常存在于技术中的技术扩散方向。例如，对于电力、密码学、推算、飞杏注互联网、GPS 等很多刷新性技术，通常当局和企业是首批用户，由于新技术既昂贵又复杂。它只在后期才会扩散到消费者层面。
但我感触 LLM 把这个挨次颠倒了。早期推算机可能齐满是为了弹路学和军事用处，但对于 LLM，它的利用却是关于「若何煮鸡蛋」之类的事件。这的确是我的好多用法。所以，我们占有了一台神奇的新型推算机，而它在助我煮鸡蛋，这对我来说太奇妙了。它不是在援手当局做一些像军事弹路推算或某些特殊技术那样疯狂的事件。
事实上，企业或当局在选取这些技术方面，反而落后于我们通常公共，这齐满是反过来的。我以为这或许能启发我们思虑该若何使用这项技术，或者最早的利用会是什么样。
所以，总结一下目前为止的概想：我以为，将 LLM 称为复杂的操作系统是正确的说法。它们就像是上世纪 60 年代的推算机，我们在沉新经历整个推算演进的过程。它们目前通过度时共享的方式提供，像公共事业一样被分发。而全新且史无前例的是，它们不把握在少数当局和企业手中，而是把握在我们所有人手中，由于我们都有电脑，而它只是软件。ChatGPT 就像是瞬间被传送到了我们数十亿人的电脑上。这太疯狂了。我至今都感触这种情况的产生很不成思议。
此刻，轮到我们进入这个行业，为这些推算机编程了。这太棒了。所以，我以为这是极度了不得的。在我们为 LLM 编程之前，我们必须花些功夫思虑这些器材到底是什么。我尤其喜欢讨论它们的「生理」。我偏差于将 LLM 看作是「人类心智」，它们是对人类的随机仿照。
在这种情况下，这个「仿照器」刚好是一个自回归 Transformer。Transformer 是一个神经网络，它在词元（token）的层面上工作，一块接一块地处置，每个区块亏损的推算量险些相称。
当然，这个仿照器性质上蕴含一些权沉，我们用互联网上所有的文本数据等来拟合它。最终你就得到了这样一个仿照器。由于它是在人类数据上训练出来的，它涌现出了类似人类的生理特点。
所以，你首先会把稳到，LLM 占有百科全书式的知识和影象力，它们能记住好多器材，远超任何单幼我类个别，由于它们阅读了太多的器材。这让我想起了电影《雨人》，我真的极度推荐各人去看。这是一部很棒的电影，我极度喜欢。达斯汀·霍夫曼在片中表演一个学者症候群患者（autistic savant），占有近乎美满的影象力，他能够读完一本电话簿，而跋文住里面所有的名字和电话号码。
我感触 LLM 在某些方面极度类似。它们能够等闲记住 SHA 哈希值和很多分歧种类的器材。所以，它们在某些方面简直占有超能力，但它们也有一系列的、我称之为「认知缺点」的器材。好比，它们会相当频仍地产生幻觉、胡编乱造，并且没有一个很好的内部自我认知模型，至少是不够美满的。这一点固然有所改善，但仍不美满。
它们还阐发出「锯齿状的智能」，也就是说，它们在某些解决问题的领域会阐发出超人的能力，但又会犯一些根基上任何人类都不会犯的谬误。好比，它们会对峙以为 9.11 比 9.9 大，或者对峙以为「strawberry」（草莓）这个单词里有两个「r」。
这些都是一些驰名的例子。但根基上，你总会遇到一些容易让你栽跟头的辣手问题。所以，我以为这也是其怪异之处。它们（LLM）还患佑赘顺行性忘却症」。我这里想说的是，若是你的公司来了一位新同事，随着功夫的推移，这位同事会逐步相识你的组织，他们会理解并堆集大量关于组织的布景信息。他们回家、睡觉、坚韧知识，并逐步成立起专业技术。
LLM 天生不会这样做。并且我以为，在 LLM 的研发领域，这个问题也尚未真正解决。所以，高低文窗口现实上就像是「工作影象」，你必须极度直接地去编程这段工作影象，由于它们不会默认就变得更聪明。
我以为好多人都被盛行文化中关于 AI 的类比误导了。我推荐各人看两部电影：《影象碎片》和《初恋50次》。在这两部电影中，主角的「权沉」是固定的，他们的「高低文窗口」每天早上城市被清空，倒剽种情况产生时，去上班或维持人际关系都变得极度有问题。而这种情况不断刻刻都在所有 LLM 身上产生。
我想指出的另一点是与使用 LLM 有关的安全限度。例如，LLM 相当容易受骗（轻信），它们很容易受到提醒词注入攻击，可能会泄露你的数据等等。此表，还有很多其他与安全有关的考量。
所以，长话短说，你必须同时思虑这个占有超凡能力，却又带着一堆认知缺点和问题的器材。我们该若何驾驭它们？我们该若何躲避它们的缺点，同时又能享受到它们的超凡能力？
我此刻想切换到下一个话题，谈谈我们该若何使用这些模型，以及其中最大的机缘是什么。这并非一个详尽的清单，只是我以为对于本次分享来说比力有趣的一些点。我首先感应兴奋的是我称之为「部门自主性利用」的器材。
举个编码的例子，你当然能够直接去用 ChatGPT，四处复造粘贴代码、谬误汇报之类的器材，获取代码，而后再把所有器材都复造粘贴回来。但你为什么要这样做呢？你为什么要直接通过这个「底层系统」来操作？占有一个专门为此设计的利用法式要合理得多。
所以我以为，就像你们中的很多人一样，我也在使用 Cursor。Cursor 正是你想要的那种工具，而不是直接去用 ChatGPT。我以为 Cursor 是一个极度好的早期 LLM 利用的例子，它具备了一系列我以为在所有 LLM 利用中都通用的、极度有效的个性。
你会出格把稳到，我们保留了一个传统界面，允许人类像以前一样手动实现所有工作。但除此之表，我们此刻有了 LLM 集成，这让我们能以更大的代码块为单元进行操作。
第一，LLM 根基上处置了大量的高低文治理工作。 第二，它们编排了对 LLM 的屡次挪用。以 Cursor 为例，其底层有效于分析你所有文件的嵌入模型，还有将代码差距（diffs）利用到代码中的谈天模型。而这所有都为你自动编排好了。
另一个我以为极度沉要但可能未被充分赏识的，是特定于利用的 GUI 及其沉要性。由于你不会想直接通过文本与这个「底层系统」对话，文本很难阅读、诠释和理解。并且你也不想直接在文本中执行某些操作。
好比，以红色和绿色的高亮大局查看代码差距，就要直观得多。你能够明显地看到哪些是新增的，哪些是被删除的。通过 Command + Y 接受或 Command + N 回绝也要容易得多。我不应该必要用打字的方式来实现这些，对吧？所以，GUI 允许人类审计这些易犯错系统的工作，并能提升效能，这一点我稍后还会再谈。
我想指出的最后一个个性，是我所说的「自主性滑块」。例如，在 Cursor 中，你能够只使用 Tab 键进行代码补全，这时重要由你掌控。你也能够选中一个代码块，而后用 Command + K 只批改那部门代码。你还能够用 Command + L 来批改整个文件，或者用 Command + I，这根基上就是让 AI 在整个代码仓库（repo）里得心应手地批改。这就是齐全自主的、智能体化的版本。所以，你能够掌控这个「自主性滑块」。凭据手头工作的复杂性，你能够调整你愿意为此工作烧毁的自主水平。
或许能够再举一个相当成功的 LLM 利用的例子——Perplexity，它也拥有我刚才在 Cursor 中指出的极度类似的个性。它打包了大量信息，编排了多个 LLM 的挪用，它有一个允许你审计其部门工作的 GUI。
例如，它会引用起源，你能够查抄这些起源。它也有一个「自主性滑块」。你能够只做一个急剧搜索，也能够进行通常钻研，或者选择深度钻研，而后在 10 分钟后回来看了局。这些都只是你赋予工具的分歧水平的自主性。
所以，我的问题是，我感触好多软件都将变得部门自主。我正试图思虑那会是什么样子？对于你们中很多在守护产品和服务的人来说，你将若何让你的产品和服务变得部门自主？LLM 能否看到人类能看到的所有？LLM 能否以人类能做的所有方式行动？以及，人类若何监督并维持在整个流程中？由于，沉申一次，这些都是易犯错的、尚不美满的系统。好比，在 Photoshop 里，一个「差距（diff）」看起来会是什么样的？
并且，此刻好多传统软件，它们有各类各样的开关和选项，这些都是为人类设计的。所有这些都必须扭转，变得能让 LLM 接见和使用。
关于这些 LLM 利用，我想强调一点，我不确定它是否得到了应有的关注。我们此刻正与 AI 合作，通常是它们掌管「天生」，而我们人类掌管「验证」。让这个「天生-验证」循环尽可能快地运行，是切合我们利益的，这样我们能力实现大量工作。
第一，你能够极大地加快验证速度。我以为 GUI 对此就极其沉要，由于 GUI 利用了我们每幼我大脑中的「推算机视觉 GPU」。阅读文本费劲又无趣，但「看」器材很有趣，它就像一条直通你大脑的高速公路。所以我以为 GUI 以及各类可视化出现方式，对于审计系统极度有效。
第二，我想说的是，我们必须「约束住 AI」。我以为好多人对 AI 智能体过于兴奋了。给我一个上千行代码的差距（diff）提交到我的代码仓库，这对我是没有效的。我依然是瓶颈，对吧？只管那 1000 行代码是瞬间天生的，但我必须确保它没有引入新的谬误，确保它做的是正确的事件，并且没有安全问题等等。所以我想，是的，根基上，让这个流程急剧运行是切合我们利益的，我们必须设法约束住 AI，由于它太容易反映过度了。
这有点像我在进行 AI 辅助编码时的感触。若是我只是在进杏赘氛围编程」，所有都很好很棒。但若是我真的想实现工作，有一个反映过度的智能体在那儿做各类事件，感触就没那么好了。所以这张幻灯片做得不太好。
抱愧，但我想，和你们很多人一样，我正试图摸索出一些在我的编码工作流中利用这些智能体进行 AI 辅助编码的步骤。在我自己的工作中，我总是胆怯收到过大的代码差距（diffs）。我总是以幼步、增量的方式进行。我想确保所有都好，我想让这个循环转得非�？�。我偏差于处置幼块的、具体的单一工作。所以我想，你们中的很多人可能也在形成类似的使用 LLM 的工作方式。
我也看到过很多试图为 LLM 的利用总结最佳实际的博客文章。这是我最近读到的一篇，我感触写得相当不错。它探求了一些技巧，其中一部门是关于若何「约束」人为智能。
举个例子，若是你给出的提醒（prompt）很吞吐，那么人为智能可能无法正确地执行你的意图。在这种情况下，验证就会失败。而后你就会要求它做此外事件。若是验证失败，你就会陷入反复批改的循环。因而，多花一点功夫让提醒更具体味更有意思，这能增长验证成功的概率，让你得以持续推动工作。我想我们好多人最终城市发现类似的技巧。
我以为，我的大量思虑都集中在若何约束 AI 上。我不以为直接去对 ChatGPT 说「嘿，教我物理」这种方式是可行的。我以为这行不通，由于 AI 很容易就会「在丛林里迷途」（意指失去方向）。因而，对我来说，这其实是两个独立的利用法式。
例如，有一个供老师创建课程的利用法式，而后有另一个利用法式，接管这些课程并将其提供给学生。在这两种情况下，我们此刻都有了一个「课程」作为中央产品，这个产品是可审查的，我们能够确保它的质量是好的，内容是一致的，并且 AI 被约束在特定的讲授纲领和项目进度规划之内。这是一种约束 AI 的步骤，我以为这种步骤成功的可能性要大得多，AI 也不会迷失方向。
我还想提及另一个类比，那就是我对「部门自主性」并不陌生。我在特斯拉为此工作了五年。那也是一个部门自主性的产品，并拥有很多共同的特点。好比，仪表盘上就是自动驾驶的 GUI，它会向我展示神经网络所看到的器材等等。我们还有一个「自主性滑块」，在我任职期间，我们通过它为用户逐步增长了更多的自主工作。
我想单一分享一个故事，我第一次乘坐自动驾驶汽车是在 2013 年。我有一个在 Waymo 工作的伴侣，他约请我在帕洛阿尔托（Palo Alto）履历一次。这张照片是我其时用谷歌眼镜（Google Glass）拍的。你们中好多人可能太年轻了，甚至不知路那是什么。但它在其时但是盛行一时。我们坐进陈凤，在帕洛阿尔托的高速公路、街路上行驶了约莫 30 分钟。那次驾驶履历极度美满，全程零人为过问。那是在 2013 年，距今已经 12 年了。这让我相倒仞惊，由于在经历了那次美满的驾驶和演示后，我感触自动驾驶的时期即将到来，由于它看起来已经实现了，险些不成思议。
但 12 年后的今天，我们依然在钻研自主性，仍在开发驾驶智能体。即便是此刻，我们现实上也还没有齐全解决这个问题。你可能会看到 Waymo 的汽车在路上行驶，看起来是无人驾驶的，但你要知路，其中仍有大量的远程操作和「人类在环」的染指。所以我们甚至还没有颁发成功，但我以为它最终注定会成功，只是破费了很长的功夫。
所以，我以为这类软件真的极度辣手，就像自动驾驶一样辣手。因而，当我看到诸如「2025 年是智能体元年」之类的说法时，我会感应极度管心，我更偏差于以为，这应该是「智能体的十年」，这必要相当长的功夫。我们必要「humans in the loop」，我们必须审慎行事。这终于是软件，我们必须端庄对待。
我时时想到的另一个类比是钢铁侠战衣。我一向很喜欢《钢铁侠》，我以为它在好多方面都极度精准地预感了技术将若何发展。我最喜欢钢铁侠战衣的一点是，它既是一种加强工具——托尼·斯塔克能够驾驭它，同时它也是一个智能体。在一些电影里，钢铁侠战衣阐发出高度的自主性，能够自己飞行，找到托尼等等。这就是所谓的「自主性滑块」——我们能够构建加强工具，也能够构建智能体，而我们但愿两者兼得。
但在现阶段，我想说，思考到我们使用的是尚不成靠的 LLM，我们更应该构建的是「钢铁侠战衣」式的加强工具，而不是「钢铁侠机械人」那样的自主智能体。我们应该少做一些弄虚作假的自主智能体演示，多开发一些部门自主性的产品。这些产品占有定造化的职能和用户界面/用户履历设计。我们这样做是为了让用户的「天生-验证」循环变得非�？�，但我们也不能忽视这样一个事实，即这些工作准则上是有可能被自动化的。你的产品中应该有一个「自主性滑块」，并且你应该思虑若何推动这个滑块，让你的产品随着功夫的推移变得越发自主。我以为这类产品中存在着大量的机遇。
此刻我想转换一下话题，谈谈另一个我以为极度怪异的维度。不仅出现了一种支持软件自主化的新型编程说话，并且正如我所提到的，它是用英语来编程的，这是一种天然接口，因而忽然之间，似乎人人都是法式员了，由于每幼我城市说像英语这样的天然说话。
这让我感应远景极其光明，也极度有趣，我以为这是史无前例的。从前，你必要花五到十年的功夫进建某样器材，能力在软件领域有所作为。此刻情况已经分歧了。我不知路是否有人恰巧听说过「氛围编程（Vibecoding）」。
就是这条推文引入了这个概想，但我听说它此刻已经成了一个沉要的网络迷因（meme）。关于这件事有个幼故事：我使用推特（Twitter）或许有 15 年了，但我依然搞不明显哪条推文会病毒式传布，哪条会无人问津。
我其时以为这条会是后者，只是一些灵光一现的设法。但它最终造成了一个景象级的迷因，我真的无法预测。但我想，这或许是它引起了各人的共识，为一种人人都能感触到但无法言说的器材命了名。所以此刻它都有维基百科页面了，如同成了一项沉大贡献之类的。
我发现这个视频极度暖心，我太喜欢这个视频了。你怎么能看着这样的视频而对未来感应消极呢？未来是美好的。我以为这最终会成为通向软件开发的「入门砖」。我对下一代的未来并不消极。是的，我真的很爱这个视频。
我也尝试了一下「氛围编程」（vibecoding），由于它真的太有趣了。当你想要构建一个看起来齐全不存在的、超等定造化的器材时，「氛围编程」就极度棒，你只是想即兴阐扬一下，可能由于那天是周六或者此外什么原因。所以我做了这个 iOS 利用，我其实并不会用 Swift 编程，但我能构建出一个超等基础的利用，这让我自己都感应震惊。
我就不诠释具体内容了，固然有点傻，但这根基上就是一天的工作量，当天晚上它就在我的手机上运行了，我其时就感触，「哇，这太神奇了。」我齐全不必要为了入门而去读好几天的 Swift 文档。
我还「氛围编程」了另一个叫 Menu Gen 的利用。这个是上线的，你能够在 menuGen.app 上试试。我遇到的问题是，每次去餐厅，我看完菜单也不知路那些菜到底是什么，我必要图片。但并没有这样的工具，所以我想，「嘿，我要用『氛围编程』做一个。」
它看起来是这样的：你接见那个网站，拍一张菜单的照片，而后它就会为菜单天生图片。每个注册用户都能获得 5 美元的免费额度，因而，这成了我生涯中的一个重要成本中心。所以这对我来说是个负收入利用，我在 Menu Gen 上已经亏了一大笔钱。
好吧，但 Menu Gen 对我来说最奇妙的一点是，「氛围编程」——也就是写代码的部门——反而是整个项目里最单一的部门。绝大无数工作量都产生在我试图把它做成一个「真实」产品的时辰，也就是当你必要参与用户认证、支付、域名和 Vercel 部署时。
这部门真的极度难题。并且这些跟写代码都不要紧，所有这些「开发运维」（Devops）的工作都是我在浏览器内行动点击实现的。这整个过程极其单调，额表花了我一个星期。所以，一件真正让我沉迷的事件是，我只用了几个颖厩在我的笔记本上做出了 Menu Gen 的主题演示版本，但之后却花了我整整一个星期，仅仅由于我想把它造成一个正式上线的产品。原因就是，这个过程切实太烦人了。
举个例子，当你想给你的网页增长谷歌登录职能时，我知路这字很幼，但你看这个 Clerk 库为了通知我若何集成，给了巨量的指令。这太疯狂了。它通知我：接见这个 URL，点击这个下拉菜单，选择那个选项，再到另一个处所点击那个按钮。它就像在指挥我该做什么。一台推算机在通知我应该执行什么操作。那你为什么不自己做呢？我到底为什么要干这个？见鬼了！我必须遵循所有这些指令，这太疯狂了。
好的。所以概括地说，我以为此刻出现了一类全新的数字信息消费者和把持者。从前只有通过图形界面（GUI）操作的人类，或者通过利用法式接口（API）交互的推算机。而此刻，我们有了一个全新的物种——「智能体」（agents）。
它们是推算机，但在某种水平上又很像人类，对吧？它们就像是互联网上的「人类心智」，必要与CA88软件基础设施进行交互。我们能为它们而构建吗？这是一个全新的课题。
举个例子，你能够在你的域名下搁置 robots.txt 文件来批示或建议网络爬虫在你网站上的行为方式。同样地，你或许能够有一个 llm.txt 文件，它只是一个单一的 Markdown 文件，用来通知 LLM 这个域名是关于什么的。
对于 LLM 来说，这会极度易于读�� ；相反，若是让它去获取你网页的 HTML 并尝试解析，则极度容易犯错，也很难题，它会搞砸，底子行不通。所以我们能够直接与 LLM 对话。好多文档目前都是为人类编写的，所以你会看到列表、粗体和图片，这些内容 LLM 无法直接接见。
我看到此刻一些服务在将他们的文档大量地转为专门面向 LLM。例如，Vercel 和 Stripe 是这方面的先行者，但我也看到了其他一些公司已经起头这样做了。他们用 Markdown 体式来提供文档。Markdown 对于 LLM 来说超等容易理解，这很棒。
再举一个我自己的单一例子，可能有些人知路 3Blue1Brown，他造作了极度优美的数学动画视频。是的，我超爱他写的那个叫 Manim 的库，我想用它来做我自己的动画。
网上有大量关于若何使用 Manim 的文档。我其实不想读完它们，所以我把整个文档复造粘贴给了 LLM，描述了我想要的成效，而后它直接就搞定了。LLM 就像是为我「氛围编程」出了我想要的动画。我其时就感触，「哇，这太神奇了！」
所以，若是我们能让文档对 LLM 来说是清澈易读的，这将解锁巨大的利用潜力。我以为这极度了不得，并且应该得到更宽泛的推广。
我想指出的另一点是，很遗憾，你不能只是单一地把你的文档转换成 Markdown 体式。那只是最单一的部门。我们现实上必须扭转文档的内容，由于任何时辰当你的文德凤出现「点击」（click）这个词，这就不好了，LLM 目前无法原生执行这个作为。
所以，Vercel 在做的一件事就是，把每一个「点击」都代替成一个等效的 curl 号令，这样你的 LLM 智能体就能够代表你来执行。我以为这一点极度有趣。当然，还有 Anthropic 公司提出的「模型高低文和谈」（Model Context Protocol，MCP），这也是另一种直接与作为新型数字信息消费者的「智能体」对话的方式。因而，我非�？春谜庑┥璺�。
我极度喜欢的另一点是，此刻出现了很多幼工具，它们能援手我们以对 LLM 极度敦睦的体式来接管数据。举个例子，当我想用我的一个 Github 代码库，好比我的 nanoGPT 库时，我无法直接把它输入给 LLM 而后提问，由于我们此刻看到的，是 Github 上为人类设计的交互界面。
所以，你只必要把 URL 从 Github 改成 get ingest，它就会自动把所有文件拼接成一个巨大的文本文件，并创建出目录结构等等。这样处置好的内容就能够直接复造粘贴到你最喜欢的 LLM 里使用了。
Deep Wiki 是一个更能注明问题的例子。它处置的不仅仅是这些文件的原始内容。这是来自 Devin 的一个职能，他们让 Devin 对 Github 代码库进行分析，而后 Devin 会为你的代码库构建一整套文档页面。你能够设想，这样的内容对于复造粘贴到 LLM 中会更有援手。所以我很喜欢所有这些幼工具，它们只必要你改一下 URL，就能让某些内容能够被 LLM 所接见。这所有都极度好。是的，我以为未来应该有更多这样的工具。
但我依然以为，我们自动向 LLM「妥协」或「折钟坠是极度值得的，让它们能更容易地接见所有这些信息。由于我以为，目前让 LLM 这样做的成本依然相当高昂，并且难度也大得多。因而，我的确以为，对于大量的软件，会有一个长尾效应，它们不会自动去适配（LLM），由于这些代码库或数字基础设施并非「实时活跃」的。所以我们将必要这些（数据提�。┕ぞ�。
但我以为对其他人来说，在某个中央点与模型达成某种妥协是极度值得的。所以，若是这样说得通的话，我对（模型自动适应和我们自动适配）两个方向都维持乐观。
总而言之，此刻是投身这个行业的绝佳机遇。我们必要沉写大量代码，这些代码将由专业人士和氛围编程者（byte coders）编写。这些 LLM 就像是基础设施，有点像芯片造作厂（fabs），但它们尤其像是操作系统，不外还处于极度早期的阶段，就像是 1960 年代的操作系统。我以为好多类比都是相通的。这些模型就像是会犯错的、你知路的，如同「魂灵」般的存在，我们必须学会若何与它们共事。为了做到这一点，我们必要相应地调整CA88基础设施。
因而，当你构建这些 LLM 利用时，我刚才描述了一些与这些模型高效合作的步骤，以及一些能实现这种合作的工具，还有若何急剧地迭代这个循环，并最终创造出「部门自主」的产品。而后，是的，我们还必要为「智能体」（agents）更直接地编写大量代码。
但无论若何，回到钢铁侠战衣的那个迸作，我以为在未来约莫十年里，我们将见证（技术的）指针从左向右移动。我对它未来的状态充斥了极大的兴致，也很等待看到它最终的样貌。我如饥似渴地想与各人一路创造未来，感激。
《免费的网站www/大全百度搜索免费》塞尔塔的阵容身价中还包括费尔南多·洛佩斯，他在去年1月开始的租借期结束后已从维戈返回狼队。这位维戈球员的身价为1600万欧元，在塞尔塔短暂效力期间保持不变，俱乐部今年夏天将尝试继续留住这位年轻球员。另一方面，奥斯卡·明格萨（1500万欧元）、约瑟夫·艾杜（100万欧元）、米哈伊洛·里斯蒂奇（80万欧元）和弗朗哥·塞尔维（60万欧元）将在6月30日合同到期后正式离开塞尔塔，球队目前以两名22岁的年轻球员作为足球市场上的最高身价球员。可想要杀进决赛一路夺冠冠军呢？遗憾的是，尽管“特勤组”的说法被抄得火热，但球队缺乏限制亚马尔、拉菲尼亚、姆巴佩等顶级天才球员的关键特质。《免费的网站www/大全百度搜索免费》九一麻花传剧免费旁观2023年上映-百度而OpenSquilla 的路由长在 Harness 里，本质上是一个本地集成树模型，它看的是这个 Agent 长期怎么干活：哪些任务成功了，哪些失败了，哪些地方烧 token，哪些模型性价比更高，这些信号会回流到路由里，继续训练它。北京时间6月2日，Squawka列出了25/26赛季欧洲五大联赛中成功过人次数排名前10的球员榜单，巴萨球员亚马尔凭借133次成功过人位居榜首。
20260606 ? 《免费的网站www/大全百度搜索免费》品牌方争着入驻各平台的Agent生态，未必意识到自己正在参与一场更深的博弈：在AI介入之后，它们和用户之间的那段关系，究竟还属于谁？《娇妻终将沦为他人千面神像幼说最新》尽管合同到2028年，但种种迹象表明，特尔施特根今夏会在机会有限的情况下离队。德国人准备开启一段远离巴萨的新旅程，他在2014年加盟巴萨。说起来轻松，但这期间已经过去很多年，留下了许多冠军和情感。34岁的特尔施特根，前方仍可能有一条很有吸引力的新路。
20260606 ? 《免费的网站www/大全百度搜索免费》但伯克希尔投谷歌这件事，其实是在提醒所有人，真正赚钱的不是那些训练模型的公司，而是那些提供算力、存储、网络的基础设施供应商。《国产一线二线三线女装品牌大全》算力设施迭代速度快，建设周期通常以月为单位，而电网发展规划以年为单位。算力需求爆发式增长与电力设施长建设周期形成明显错配，“电等算”容易导致过度配置和资源浪费，“算等电”则会制约产业发展。特别是智算中心已从传统的兆瓦级负荷跃升至吉瓦级，成为区域电网的关键负荷，但在电力规划中过去往往缺乏前瞻性考虑。
京公网安备11010202000001号
