Karpathy 4/30 在 Sequoia Ascent 把今年最有用的 AI 解释，压缩成三个论点。读完你看 AI 的方式会变。

1. AI 不只是"更快"，是新范式
过去 2 年大家都在讲 AI 让事情变快。
Karpathy 说这是误读。
举 3 个 AI 重新定义任务的例子：
- menugen：圖進圖出，沒有傳統程式碼，整個 app 被 LLM 吞掉
- .md skills：裝軟體不寫 .sh 腳本，寫一段中文/英文說明，讓 LLM 自己理解你的環境去裝
- LLM 知識庫：傳統程式碼做不到的事——把任意格式的非結構化文本變成可計算的知識
第一類是"減少程式碼"，第二類是"用英文當程式碼"，
第三類是"傳統程式碼本來就做不到"。
2. Jagged Edge — 為何 AI 同時全能又愚蠢
最核心的論點。
為何同一個 AI 能重構 10 萬行程式碼，
又會建議你去洗車？不是模型抽風。
Karpathy 原話：
"You're either on the rails of the RL circuits and flying,
or off-roading in the jungle with a machete."
要麼你在 RL 訓練好的圓圈裡飛，
要麼你在叢林裡揮砍刀。
決定哪些任務進訓練分布的兩個因素：
verifiability（結果可驗證）+ economics（值不值得 frontier labs 砸錢 RL）
數學競賽 / 編程 / 定理證明：
高可驗證 + 高 TAM → 進圓圈 → 你用的時候在飛
日常生活建議 / 冷門語言文學 / 長尾任務：
低 TAM → 沒進 RL → 你在叢林揮砍刀
不是 AI 越來越強這種線性敘事。
是參差不齊的邊界，你必須知道自己站在哪邊。
3. Agent-native economy
最後一個論點：未來軟體分解成
sensor（輸入）+ actuator（執行）+ logic（推理）
logic 層全部跑在 LLM 上，
sensor / actuator 用傳統程式碼做協處理器。
含義：把資訊做得對 LLM 最易讀，
是接下來軟體設計的核心約束。
---
三個論點是一個連貫框架：
新範式讓你看見 AI 能做什麼之前做不到的事，
jagged edge 讓你識別 AI 做不到的事在哪裡，
agent-native 讓你知道剩下的事怎麼 wrap 給 AI。
不是"AI 越來越強"。
是"哪些任務在圓圈，哪些任務在叢林"。