AI 时代的核心范式转变
根据 Andrej Karpathy 的第一性原理与技术路线展望，未来 AI 与软件开发将发生以下四大核心范式转变：
Source: test-time-scaling · llm-training-pipeline
1. 从“快思考（System 1）”走向“慢思考与推理规模化（System 2）”
- 旧范式：模型每生成一个 token，其前向传播（Forward Pass）的计算开销是完全恒定的。强迫模型对复杂问题“脱口直答”，必然导致逻辑崩溃与幻觉。
- 新范式：test-time-scaling。未来的大模型将拥有 System 2 慢思考能力——允许用户用“时间换精度”（比如“你可以花 30 分钟思考这道题，不用急着回答”）。模型会在内部通过树状搜索（Tree of Thoughts）、自我修正（Self-Correction）等机制寻找最优路径。这正是类似 OpenAI o1 和 DeepSeek-R1 推理模型的技术终局。
2. 从“人工对齐（RLHF）”走向“ Verifier 驱动的真正强化学习（True RL）”
- 旧范式：依靠人类标注员打分来训练偏好模型（RM），进而对大模型进行对齐。这容易导致模型产出冗长、虚伪的官腔（Reward Hacking），且受限于人类本身的能力天花板。
- 新范式：llm-training-pipeline的自主进化。在数学、编程（具有编译器和 TestCase 强校验）等拥有硬性客观物理校验的领域，模型通过在沙盒中自我博弈（类似 AlphaGo 左右互搏），无需人类干预，通过数百万次的尝试自主涌现出超越人类上限的推理智商。
3. 从“包装传统软件”走向“原生大模型操作系统（LLM OS）”
- 旧范式：将 LLM 仅仅作为一个外部的智能 API（如传统的 Chatbot 界面），塞进用 C++ 或 Java 编写的庞大传统软件中。
- 新范式：software-3-0 与 llm-os。LLM 将作为底层硬件操作系统的“内核进程”。未来的软件工程师主要精力不再是编写确定性的业务逻辑，而是进行“上下文工程（Context Engineering）”与“外设工具调度”。大模型直接通过自然语言调度工作内存（Context Window）、外部磁盘（RAG）和协处理器（Python/Browser），以极简的形式重构传统软件栈。
4. 从“单兵 Copilot”走向“超高人机比的智能体群（Agentic Swarms）”
- 旧范式：AI 扮演人类键盘上的助手，一问一答，人类肉身执行全部指令。
- 新范式：agentic-systems。数字世界将重演物理工厂的变革——出现极高的人机比例（Human-Agent Ratio）。人类成为拥有 Taste & Judgment（品味与判断）的管理者，旗下运行着数以万计的自治智能体，智能体之间通过带外梦境自愈（Dreaming）和持久性记忆网络进行自我管理与进化。