编程范式的革命：从“写代码”到“指挥 Agent”

软件工程的工作流正被 Agent 彻底改写。Karpathy 指出，他个人的代码工作比例已发生戏剧性反转：80% 甚至更多的代码工作由 Agent 完成，人类的角色已从“写代码的人”转变为“用自然语言向 Agent 表达想法的人”。这种变化要求从业者掌握全新的 Skill，例如编写精准的 agents.md 指令、配置记忆工具以及实现 Agent 的并行工作。通过从细节执行转向任务分配与方向把控，人类可以实现创造力的指数级增长。

生产力指标的转移：从算力瓶颈到 Token 吞吐量

AI 行业的焦虑点已发生根本性转移：不再是能不能跑满 GPU 算力，而是能不能用完 Token。在算力不再是核心瓶颈的时代，Token 吞吐量成为了衡量生产力的核心指标。当系统中的瓶颈从算力转向人类的操作能力时，从业者的核心竞争力在于能否指挥更多的 Token 同时运行。这种焦虑将推动人类不断提升操作技巧，形成从“技能提升”到“能力解锁”再到“效率提升”的正向循环。

自动研究与锯齿状能力：AI 研发的新范式

“自动研究”（AutoResearch）旨在将人类从研究循环中移除，让 Agent 成为研究主体，人类仅负责设定目标、指标与行为边界。Karpathy 通过 nanoGPT 项目证明，AI 在处理有客观指标、可量化的研究任务时，能力可以超越人类专家。然而，大模型的能力呈现出“锯齿状分布”：在可验证的领域（如编写 CUDA 算子）表现得像天才，在缺乏明确标准的领域（如理解人类细微意图）则表现得像 10 岁小孩。这种特性预示着未来大模型将出现“物种分化”，即从追求全能的单一大模型转向针对特定生态位的专用小模型。

数字与物理世界的重构：Agent 作为数字粘合剂

Agent 将成为数字世界的“粘合剂”，未来的应用本质上都应该是 Agent 可调用的 API 端点。Karpathy 认为，AI 会先引发数字世界的爆炸式变化，重构所有的信息处理工作，而物理世界的规模化应用会相对滞后。在生态格局上，开源模型将扮演类似 Linux 的角色，提供安全、可信的基础设施，而闭源模型则服务于高难度的前沿科学研究，两者共同维持行业的权力平衡。随着 AI 向“数物接口”延伸，人类甚至可能成为 AI 的传感器与执行器。