“我不记得上一次手动修改 AI 的输出，是什么时候了。”
在红杉 AI 2026 大会的现场，当 Andrej Karpathy 平静地说出这句话时，台下不少听众心里都咯噔了一下。一个写了十几年代码的顶尖专家，开始不需要修改工具的输出了——这背后意味着什么？
过去一年，很多人对 AI 的理解，或许还停留在“一个更快的工具”层面。但这场峰会传递出的信号，远不止效率提升那么简单。它更像是一次规则的改写，关乎我们如何做事、由谁来做，以及最终为何而做。
接下来的四年，变化可能比过去十年加起来还要剧烈。
第一节｜做事方式彻底换了
在那场对话里，Andrej Karpathy 分享了一个深刻的转变：两三年前写代码，是在一行一行地规定机器该怎么做；而现在很多时候，你只需要把目标讲清楚，模型自己就能把路径走完。
这背后，是软件底层范式的根本性迁移。
传统软件是明确规则的集合，人负责把每一步逻辑写死。进入机器学习时代后，人不再手写规则，转而用海量数据去训练模型。而如今，大语言模型让“不动手”成为可能：你只需提供上下文和指令，一个全能的解释器就能完成整段工作。
表面看，这只是效率的加速。但真正碘伏之处在于，中间层正在被拿掉。
Karpathy 举了个自己的例子。他曾为了一个“拍菜单看菜品”的功能，写过一个完整的应用：先识别文字，再调用图像模型，最后重新排版呈现。这是经典的软件工程思路——把复杂问题分解成若干步骤，逐一攻克。
但后来他发现，直接把照片扔给最新的模型，附上一句指令，它就能在原图上生成结果。没有中间应用，没有冗长流程，一步到位。
传统的产品逻辑是这样的：我有一个功能需求，所以需要搭建一套实现路径。这套路径本身，往往就是企业的护城河。用户为你的产品买单，很大程度上是因为你把这条路径做得更流畅、更稳定，或者成本更低。
然而，当模型能力足够强大时，路径本身就不再稀缺了。用户要的从来不是一个做图片标注的应用，他们真正要的只是看到这道菜长什么样。一旦结果能被直接生成，那些围绕“如何实现”建立起来的产品，其存在理由就得打上问号。
首当其冲的，是那些核心价值在于格式转换的工具。各类文档转换服务、数据清洗工具、格式适配层，过去解决的是“系统看不懂原始文件”的问题。但当模型能够直接理解原始输入时，这些中间转换环节就成了多余的累赘。
同样，低代码平台的一部分核心价值也在被重新定义。它们原本的使命是降低分解步骤的门槛。但如果未来做事的方式，本身就从“分解步骤”变成了“描述目标”，这类平台要么必须向更深的行业专业领域扎根，要么就得回答一个致命问题：当生成能力接近免费时，你到底在帮用户解决什么？
如果你的价值是把复杂的事情拆成一步步的操作，这件事正在变得不再稀缺。但如果你的价值是帮用户判断“什么结果才算对”，这件事反而变得前所未有的重要。
以前做事，是把步骤理清楚；现在做事，是把目标讲清楚。
第二节｜人机分工正在重构
谈到像 OpenClaw 这类智能体的爆红，Andrej Karpathy 打了个生动的比方：
“现在的智能体，很像实习生。”
它们可以独立完成一大段工作，在某些环节上表现稳定，又会在一些细节上犯下让人哭笑不得的错误。
Karpathy 指出，未来有一个核心标准决定了哪些事情会被机器完全接管：可验证性。
如果一件事的结果可以被清晰地判断对错——比如代码能不能跑通、数据符不符合格式——那它就很容易被自动化。反之，如果一件事需要在多种可能性中做权衡，没有唯一标准，模型就很难单独完成。
但这并不意味着机器能做的事情是固定不变的。因为“可验证”的范围，一直在扩大。
过去，写代码被认为需要创造力，是不可验证的。但当你把它分解成“实现某个具体功能”时，它突然就有了验证标准：测试能不能过。同样，设计界面看起来很主观，但如果验证标准变成“是否符合品牌的视觉规范”，它也就变得可验证了。
所以，判断一个岗位会不会被影响，不能只看职位名称，得看它的工作有多少比例可以被分解成有明确验证标准的任务。
一个高级设计师，可能 80% 的时间都在做可验证的执行工作，只有 20% 在做真正的创意决策。这 20% 很安全，但那 80% 正在快速转移。
同样的逻辑也适用于会计、法务和客服。大量的规则验证、文档审查、标准问题响应，都在被自动化。但最终的签字责任、风险判断、复杂纠纷处理，依然需要人来承担。
于是，一个新的分工图景逐渐清晰：模型负责执行，人负责设定边界和方向。
人不再需要盯着每一个细节，也不需要死记硬背繁琐的操作步骤，但必须清楚一件更核心的事：这件事应该怎么被定义，什么样的结果才算正确。
“做”的环节交给机器，“定”的环节留在人手里。
不过，这种分工模式，会持续多久呢？
第三节｜为 AGI 做准备
回答这个问题的，是 Demis Hassabis。在接下来的对话中，他给出了一个明确的时间判断：2030年。
这是他对 AGI（通用人工智能）实现时间的预测。距离现在，只有四年。
想想看，如果你今天开始创业，按通常的节奏，公司走向成功可能需要5到8年。而AGI，很可能就在这个时间窗口的中间点出现。
这绝不是一个可以忽略的变量。你必须思考，做什么东西在AGI到来时，依然具有不可替代的价值。
Demis 分享了他的观察：
“智能体的发展，我们才刚刚起步。过去几个月，人们才开始找到真正有价值的应用点。未来6到12个月，会有更大的进展。”
那创业者到底该怎么办？
他给出的建议很明确：结合AI与深科技（Deep Tech）。去做材料科学、医学，去做那些真正艰难的物理领域。这些方向有一个共同点：它们涉及真实的原子世界，通往成功的路上没有捷径。换句话说，它们不会被基础模型的下一次更新浪潮轻易洗牌。
在纯软件层面，变化太快了。今天你辛苦搭建的中间层，明天可能就被模型自身能力的提升给覆盖了。但如果你在解决一个需要深入理解物理世界、生物系统或材料特性的问题，护城河就会深得多。
公司要找护城河，个人也一样。
在这场峰会上，Andrej Karpathy 还有一句发人深省的话：你可以把思考过程交给AI，但你不能把理解力交给AI。
什么是理解力？
是知道问题到底出在哪，
是知道为什么这件事值得做，
是知道目标究竟该被如何定义。
Karpathy 发现，现在的他反而成了整个工作流的瓶颈。瓶颈不在于执行，而在于弄清楚到底要做什么以及为什么值得做。大语言模型可以无限生成、可以高效执行，但它无法替你理解一件事对于人类而言，为什么重要。
所以，什么变得更重要了？
记住API参数已经不重要了，掌握提示词技巧也不是核心。真正重要的是建立更深的理解——理解一个行业的底层逻辑，理解用户真正的需求，理解商业价值究竟从何而来。
你可以把“怎么做”交给AI，但你不能把“知道为什么”交给AI。
四年后，当AGI真正到来时，这种理解力的价值，会变得前所未有的清晰。
因为到那时，能被自动完成的动作会有无数个，能被一键生成的方案会有无数种。但依然需要有人去定义：到底什么值得被完成，什么值得被生成。
AI可以做无数件事，但只有人知道哪件事值得做。
结语｜最后的护城河
过去，人围绕工具安排工作。
现在，工具开始深度参与工作。
接下来，人只负责决定方向，把实现彻底交出去。
你可以把思考过程交给模型，让它帮你生成、执行。但有一件事始终不能交出去：知道什么是对的，什么是真正值得去做的。
这是2026年的起点，也是接下来四年的主题。
