看完了 Andrej Karpathy 在 YC AI Startup School 近 40 分钟的分享，有点意犹未尽。推荐观看完整视频（链接贴在文末阅读原文），没有任何模型架构，也没有任何算法细节，适合 AI 领域的所有从业者，包括 Agent Builder 和 Agent User。我们将一些核心观点进行了延展，并尝试用更易于理解的方式进行表达。
Software
软件 1.0 是“人写代码，机器照做”。我们用 if/else 来定义代码逻辑，告诉计算机每一步怎么干，就像在教一个听话但不会思考的助理。
软件 2.0 是“人给样本，机器自己学”。我们喂数据训练模型，让它自己学怎么做，再对输出进行调试，虽然过程有点黑箱，但效果不错，就像一个模仿能力很强的学徒。
软件 3.0 是“人说目标，机器理解并执行”。我们用自然语言告诉 AI 要做什么，它自己决定怎么做，就像在指挥一个聪明但偶尔出错的助手，我们不用再写具体的代码，而是在“发指令”。
LLM
认同 LLM 是一种新的电力，有基础公共设施的属性。
LLM 不只是建造一个发电厂，像投资晶圆场那样，还需要投入大规模的资金和高精尖人力。
更恰当的比喻是 LLM 是操作系统，并且是一个越来越复杂的软件生态系统，这不仅是大模型自身的多样性所决定的，也受到上下游的开发和部署工具的影响。
Agent
“滑动自治 Autonomy Slider”是获得 Agent 最大输出效果的必备产品工程，通过多轮的提示词和验证等机制，将 LLM 的自治能力纳入可控轨道，而不是让 Agent 完全自主。就像自动驾驶的分级（L1~L5），Agent 允许人在关键时刻“接管方向盘”。
把 Agent 拴在链子上，不要给 Agent 发大而泛的提示词，应是小而具体，输出要有验收逻辑。这不是在弱化 AI，而是在提升其产品稳定性，把 Agent 的行为纳入产品级约束框架中。例如，你提问“教我物理”，这会让 Agent 在森林里迷路，你也无法得到你想要的答案。
不要再尝试回答什么时候实现 AGI，而是提升产品工程和技术工程的质量（关于工程质量，推荐阅读这篇），让用户更易于去使用滑动自治。
Programming
编程越来越简单，但是部署依旧很难，例如要考虑身份安全、访问认证、支付验证等可用性问题，规模级的应用还要准备好可观测等稳定性相关的措施，这些不只是通过代码就能解决的，还依赖上下游的基础设施以及架构设计能力。
传统的基础设施是为人类设计的应用服务的，AI Infra 则应该是为 AI 设计的应用服务。Programning 是用户命令 LLM 做什么，但当前，Engineering 是各个 Vendor 的文档命令用户做什么，这是很大的区别。（🤔：这也许是 AI Infra Builder 们的机会？）
