别再问什么工作被AI取代！Karpathy直指本质：你的工作「可验证」吗？

【导读】当整个科技界还在为「AGI何时到来」激烈争辩时，前特斯拉AI负责人Andrej Karpathy悄然抛出一枚思想炸弹：「软件1.0自动化你能指定的任务；软件2.0自动化你能验证的任务。」

如果说PC时代的革命，是让每个人都能「用上计算机」，那么大模型时代的革命，则是第一次让计算机自己学会「写程序」。

从软件1.0到软件2.0，人类不再负责穷举规则，而是只需给出一个清晰的目标，让神经网络在巨大的可能性空间中试错、迭代、收敛。

在这场悄然进行的范式跃迁中，一个新的判断标准浮出水面：一项任务能否被 AI 接管，不再取决于它是否机械重复，而取决于它是否满足「可重置、可高效试错、可自动奖励」这三条准则。

最近，Karpathy分享了关于AI对经济影响的有趣对话。

计算范式跃迁

如果回到1980年代，个人计算机刚刚出现，你要预测其对就业市场的影响，最需要关注的任务/工作流程是否固定，是否遵循指定的简单规则机械地进行信息处理，例如打字员，速记员等。

这是在因为那个时代，开发者必须手动编写程序，为此他需要知道程序中的每一步要做什么。

这一时代出现的软件1.0，只能自动化可以明确定义的信息处理流程。

如果你只知道达成一个任务的目标，但却说不出该如何达到，那在AI成熟之前，这样依靠经验或直觉的任务将无法进行通过编程自动化。

而到了机器学习，尤其是大模型技术成熟之后，开发者只需要指定信息处理的最终目标（例如分类精度、奖励函数），并通过梯度下降搜索可能性空间，就可以找到在目标上表现良好的神经网络。

在这个新的编程范式（软件2.0）下，开发者不需要预先知道程序中每一步要怎么做。

因此，要判断一个任务能否被自动化，最具有预测性特征变成了可验证性。

如果一个任务是可验证的，那么它可以通过强化学习进行优化，并且可以训练神经网络，在该任务上表现出色。

什么样的任务是可验证，有下面3条标准，分别是

1 环境可重置（可以开始新的尝试）

2 试错成本低（可以进行大量尝试）

3 可奖励（存在某种自动过程来奖励任何特定的尝试）

3条都满足，AI便能像围棋少年日复一日打谱——只是它的「一天」，是百万局自我对弈。

不同于AI被比作各种历史先例，如电力、工业革命等，Karpathy给出的类比是将AI视为一种新的计算范式（Software 2.0）。

软件1.0和2.0都是关于数字信息处理的自动化，区别只是自动化的范围。

相比将AI与工业革命类比，这无疑是一种直指内核的直觉增强器。

AI「快车道」

高可验证性任务

有了可验证这样一个可操作、可检验、可落地的评估框架，就能明白为何Copilot能写代码却编不出《百年孤独》，为何AlphaFold能预测蛋白结构却当不了院士——

答案不在算力多强，而在任务本身的「可验证性」。

举例来说，不论是下象棋，下围棋，还是在星际争霸这样的多人实时战略游戏中获胜，都满足可验证性的三条判别标准，因此已经被AI逐个击破、

在代码生成与修复上，当前大模型超越了普通程序员，这同样是因为编程任务具有可验证性：解释器可检查语法正确性，单元测试可自动验证逻辑正确性，静态分析工具可检测潜在bug，性能优化时也有内存占用，CPU时间等明确的指标。

除此之外，看看当下AI取得突破的应用场景，例如数学证明，结构化信息提取，问答与事实核查（Jeopardy类的常识问答）等，都是有明确的评价指标的，可实时打分，且答错也影响不大。

而那些AI表现得还可以的任务，则是在可验证性的3条标准中，有部分满足。

例如机器翻译，的确存在一些测试算法用的金标准，但语义流畅性，跨文化的语义迁移难以量化，需人工校准，不存在能自动打分的奖励体系，因此机器翻译的也只是能准确，却难以言辞优美典雅。

另一个部分可验证的例子是，使用Alphafold进行蛋白质结构预测。

虽然蛋白结构可通过实验（如冷冻电镜）最终验证，但计算过程本身不可实时奖励，环境无法重置，只能依赖对已有数据库的监督学习，这导致Alphafold还不能完全取代实验方法。

低可验证性任务

人类的「护城河」，还是暂时的喘息？

至于Karpathy列出的难以验证的任务，AI也表现较差。

例如，小说创作中什么是「好故事」？并无客观标准。

在战略决策，例如选创业方向、并购判断等问题上，反馈延迟数年，不可重置。当前有尝试将AI用于心理咨询，但疗效受主观感受影响，同样难以量化。在这些任务上。

目前，AI还完全无法达到可接受的水平。

按照可验证性这一标准，CEO将难以被人工智能取代。

CEO的工作更具主观性，他们需要在很长时间内做出数百个决策。虽然这项工作可以有可衡量的回报（最大化股东价值），但它不可重置（CEO不能撤销他们的决策并重新开始）也不高效（公司运行迭代数百次将花费太长时间）。

不过，可验证性低的任务中，也有一部分可以被外包给AI，例如科学研究中的可验证部分是文献检索、数据可视化、论文语法校对，这些任务现在已经逐渐交由AI完成。

而难以验证的的部分，例如确定研究方向，给出原创的实验方案等，由于「重要性」，「创新」由共同体长期共识决定，这些子任务上则应当由人来执行。

了解了Karpathy的洞见，下次有人问起AI会不会取代人类时，你就可以指出只要一项任务还不满足可验证的3条指标，那AI肯定做不好，若3条指标中有部分不满足，那AI的表现也难以超越人类。

而这意味着在未来十年，最大的职业风险不在于你做什么工作，而在于你的工作能否被拆解出足够多的「可重置-高效-可奖励」子任务。

在「软件2.0时代」，人类的价值不再是执行者，变成了「创造意义」（例如在小说中设计人物弧光，升华主题），以及「架构设计」（例如为企业运营创立更多维度更全面的评估标准）。

当AI在可验证的高原上疾驰，人类的使命，便是不断为它点亮下一座灯塔，并永远守护那片不可验证的、属于惊奇、犹疑与自由的深海。

参考资料：

https://x.com/karpathy/status/1990116666194456651?s=20

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定极速推送！