从软件 1.0 到 3.0：AI 如何重塑软件与出行

一篇发表于 Hacker News 的长文对 AI 浪潮进行了系统性的回顾与展望，作者结合 Andrej Karpathy、Benedict Evans、Fei-Fei Li 等业内人物的公开观点，提出软件正在经历从「规则编程」到「自然语言界面」的范式切换，并把 LLM 定位为继电力、互联网、GPS 之后的下一代通用目的技术（General-Purpose Technology，GPT）。原文主要是对既有演讲和概念的个人化整理，本身并不发布新产品、新论文或新数据。

软件的三次范式迁移

文章沿用 Karpathy 在「Software in the Era of AI」演讲中的框架，把软件发展划分为三个阶段：

• 软件 1.0：人类用 C++、Python 等语言手写确定性逻辑，由开发者穷举 if-then-else 规则解决问题，强在可控，弱在受限于人能显式表达的范围。
• 软件 2.0：逻辑从人写代码迁移到神经网络学到的权重与偏置。开发者改为整理数据集、设计损失函数，让模型自行发现规则。自 AlexNet 在 ImageNet 上借助 NVIDIA GPU 突破后，深度学习架构快速爆发。系统变得概率化而不再是确定性的。
• 软件 3.0：自然语言成为人机接口，逻辑来自模型的涌现能力而非预编程。开发者角色转向「意图架构师」，需要精确给出上下文与目标。LLM 在这一阶段具备跨任务泛化能力，但也带来幻觉与概率性错误等固有缺陷。

Karpathy 在演讲中曾以「LLMs are kind of like these fallible people spirits that we have to learn to work with」形容这种新型协作关系。

LLM 作为通用目的技术

文章引用 Benedict Evans 的判断：LLM 不仅是大语言模型，也是通用目的技术，其特征是应用面广、可规模化，并能在应用层催生全新产业。以「考古视角」看技术史，每一次平台更迭都呈 S 曲线，胜出的公司正是率先在新平台堆叠价值的玩家：

• PC 时代：Microsoft；
• Web 时代：Google；
• 智能手机时代：Apple、Samsung、Google；
• 生成式 AI 时代：估值飙升的 Meta、Anthropic、NVIDIA、Google、OpenAI 等被作者合称「MANGO」。

随着 LLM 趋于商品化、成为基础设施，差异化价值会向应用层、体验层、专有数据与领域 know-how 迁移，这与过去电力、铁路重塑社会的逻辑一致——通用目的技术从来不只是「更快的旧工具」，而是重组工作方式与产业边界。

对出行与软件架构的启示

原文副标题把视角拉回自动驾驶与出行领域：在 ADAS 与自动驾驶场景里，识别精度必须高于 99%，靠手写规则的传统软件范式难以覆盖，这也是软件 2.0 时代神经网络成为主流的根本动因。文章暗示，软件 3.0 的自然语言接口与涌现推理，可能进一步降低复杂系统（出行、机器人、企业软件）的开发门槛，把工程重心从「写代码」转向「设计意图与上下文」。

评价与局限

需要指出的是，文章是一篇概念综述，主要价值在于把 Karpathy、Evans 等人的公开观点串联成统一叙事，并未发布新模型、新 benchmark 或新数据。论据多以类比（S 曲线、MANGO、通用目的技术）为主，缺乏具体数字、行业规模或对照实验支撑。因此，它更适合作为对软件范式演进的入门读物，而非追踪 AI 前沿动态的核心信源。