最近看了 Karpathy 在 YC AI Startup School 的演讲，"Software Is Changing (Again)"。四十分钟，没有一句废话。看完之后想了很久，不是因为他说了什么惊人的预言，而是因为他把我这一年多隐约感觉到但说不清楚的东西，用一个干净的框架讲明白了。

他把软件分成三代。Software 1.0 是我们熟悉的代码，Python、C++，人写的逻辑。Software 2.0 是神经网络，你不直接写逻辑，你给数据和目标，让训练过程「长出」逻辑。Software 3.0 是现在正在发生的事，你用自然语言写提示词，让 LLM 执行。编程语言变成了英语，或者中文。

这不是修辞。我回头看自己这半年的工作方式，发现确实如此。我写给 AI 的那些配置文件和规则文档，表面上是 Markdown，但它们的功能是程序。分流规则是路由逻辑，流程说明是函数定义。我不是在「用」一个工具，我是在给一台新型计算机编程。只不过编程语言碰巧是我说的话。

想通这件事之后，「学得快是不是无用功」这个问题就变了。

网上流传一句话，说 AI 时代学得够慢就不用学了。这句话被安在 Karpathy 头上，但他没说过。他说的是一件更具体的事：提示词模板会过时，工具安装教程会过时，某个版本的操作技巧会过时。这些确实在以月甚至周的速度贬值。如果你学的就是这些，那确实很容易产生「学了也白学」的感觉。

但 Karpathy 真正在讨论的问题比这大得多。他说的是，一个全新的计算范式出现了，规模相当于操作系统的诞生。不是某个 App 更新了版本，是整个计算的底层逻辑变了。在这个尺度上，「学不学」根本不是问题，问题是你学的是哪一层。

1960 年代这个定位很值得停下来想一想。如果它成立，意味着我们面前还有小型机、个人电脑、互联网、移动互联网至少四五轮范式迁移。每一轮，具体的语言、框架、工具都会换一遍。1960 年代学的 FORTRAN 语法到今天确实没什么用了。但 1960 年代建立起来的对计算本质的理解，对「程序是什么、数据结构解决什么问题、系统怎么拆分模块」的直觉，穿越了之后的每一轮换代。

Karpathy 自己造了一个词叫 Jagged Intelligence，参差不齐的智能。他说跟 LLM 协作的感觉是，同时在跟一个顶尖的系统编程博士和一个十岁小孩说话。它上一秒解决了一个复杂的架构问题，下一秒可能会犯一个离谱的低级错误。

这个观察和我的日常体验完全吻合。但更值得思考的是他从中引出的判断：人类在这个协作关系中的核心角色，是在 AI 表现为十岁小孩的那些时刻介入。

这件事听起来简单，做起来不简单。因为 AI 不会告诉你「我现在是十岁小孩模式」。它犯错的时候和它正确的时候一样自信。你必须自己判断什么时候该信它，什么时候该拦它。这个判断力不是读一篇文章就能获得的，它来自于大量的、具体的、和 AI 一起工作的经历。每一次你发现 AI 的输出有问题并纠正了它，你的校准就精进了一点。

那些「不学」的人，并不是在省时间，是在放弃建立这种感知的机会。等他们终于开始用 AI 的时候，工具确实更好用了，但他们面对的是一个从零开始的校准过程，没有任何存量直觉可以借用。

Karpathy 还提了一个判断 AI 边界的维度：可验证性。他说 AI 能自动化的是你能验证的东西。代码对不对，跑一遍测试就知道。数学算得准不准，有标准答案。这些领域 AI 进步极快，因为强化学习有清晰的奖励信号。

但很多真正重要的决策落在可验证性的另一端。一个选题值不值得深入，一篇文章的调性是否匹配读者的期待，一个产品方向该不该继续投入，这些判断没有标准答案，也没有自动化的验证方式。AI 可以帮你生成选项、整理素材、加速执行，但「选哪个」「要不要做」「做到什么程度停下来」这些决策，依然完全依赖于人的判断力。

Karpathy 在演讲里讲了自己的一个经历。他用 vibe coding 做了一个小应用，写代码本身几个小时就搞定了。但部署上线花了整整一周，全是配置认证、支付、域名这些环节，每一步都是在浏览器后台手动点击。他说，代码是最容易的部分。

这句话背后的含义比表面更深。它说的不只是「部署很烦」，它说的是：AI 降低了把想法变成代码的门槛，但没有降低把代码变成产品的门槛。后者需要的不是编程能力，是工程判断力，知道一个东西从原型到上线之间有哪些环节、哪些坑、哪些决策点。这种结构性理解不会因为换了一个框架或换了一个部署平台而失效。

他的建议是小步快跑，让 AI 生成小块的、可审查的输出，人快速验证，然后进入下一轮。他把这叫做「生成-验证循环」，说让这个循环尽可能快地转起来，才是当前阶段的关键。

所以学得快是不是无用功？

要看你学的是什么。学某个工具的操作界面，大概率会过时。学怎么设计人和 AI 协作的流程，怎么在 AI 的参差不齐中保持判断力，怎么区分哪些事该放手让 AI 做、哪些事必须自己把关，这些不但不会过时，反而会随着模型变强而增值。因为模型越强，你能驾驭的范围越大，你的判断力的杠杆越长。

我没有资格说学得慢的人就一定吃亏。对很多人来说，等一等确实是合理的选择。

但我自己选择不等。不是因为焦虑，是因为这件事本身有意思。每天和一台新型计算机协作，感受自己对它的理解一点点变深，这个过程本身就值得。

至于学的东西会不会过时，我不太担心。那些会过时的部分，恰好不是我花时间最多的地方。