红杉 AI 大会2026：工作方式，彻底变了

“我不记得上一次手动修改 AI 的输出，是什么时候了。”

在红杉 AI 2026 大会的现场，Andrej Karpathy 说这句话时，语气很平静。一个写了十几年代码的人，开始不需要改工具的输出了。

过去一年，大多数人对 AI 的理解，仍停留在“它是一个更快的工具”。但这场峰会所传递的信号，不是效率的提升，而是规则的改写。

什么样的规则？ 怎么做事，谁来做事，以及为什么做事的规则。

接下来的四年，可能比过去十年的变化都要剧烈。

第一节｜做事方式彻底换了

在那场对话中，Andrej Karpathy 说：两三年前我们写代码，是在一行一行地规定机器该怎么做；现在很多时候，你只需要把目标讲清楚，模型自己就会把路径走完。

软件的底层范式变了。

过去，软件是明确规则的集合，人负责把每一步写清楚。后来进入机器学习时代，人不再手写规则，通过海量数据去训练模型。而现在，大语言模型让“不动手”成为现实：你只需要提供上下文和指令，让一个全能的解释器去完成整段工作。

表面上看，这只是一种效率的加速。但真正颠覆的地方在于，中间层被拿掉了。

他用自己做过的一个项目举例。为了让用户拍下菜单就能看到菜品长什么样，他曾经写过一个完整的应用：先识别文字，再调用图像模型，最后将结果重新排版展现。这是最典型的软件工程思路，把复杂问题分解成若干步骤，再逐一实现。

但后来他发现，把照片直接扔给最新的模型，附上一句指令，它就可以直接在原图上生成结果。没有中间的应用，没有那一整套冗长的流程。

传统的软件设计思路是这样的：我有一个功能需求，所以我需要搭建一套实现路径。这套路径本身，就是企业的护城河。用户之所以为你的产品买单，很大程度上是因为你把这条路径做得更流畅、更稳定，或者成本更低。

但当模型能力足够强大时，这套路径本身就不再稀缺了。用户要的从来都不是一个做图片标注的应用，他们真正要的只是看到这道菜长什么样。一旦结果能被直接生成，那些围绕怎么实现建立起来的产品，存在的理由就要被重新审视。

首当其冲的，是那些核心价值在于格式转换的工具。各种文档转换服务、数据清洗工具、格式适配层，它们过去解决的是系统看不懂原始文件的问题。但当模型能够直接理解原始输入时，这些中间转换的环节就变成了多余的步骤。

同样，低代码平台的一部分核心价值也在被重新定义。它们原本的使命是降低分解步骤的门槛。但如果未来做事的方式，本身就从分解步骤变成了描述目标，这类平台要么必须往更深的行业专业领域扎根，要么就得回答一个致命问题：当生成能力接近免费时，你到底在帮用户解决什么？

如果你的价值是把复杂的事情拆成一步步的操作，这件事正在变得不再稀缺。但如果你的价值是帮用户判断什么结果才算对，这件事反而变得前所未有的重要。

以前做事，是把步骤理清楚；现在做事，是把目标讲清楚。

第二节｜人机分工正在重构

对于 OpenClaw 这种智能体的爆红，Andrej Karpathy 观点是：

“现在的智能体，很像实习生。”

它们可以独立完成一大段工作，在某些环节上表现稳定，又会在一些细节上犯下让人意外的错误。

Karpthy 认为，未来有一个核心标准决定了哪些事情会被机器完全接管：可验证性。

如果一件事的结果可以被清晰地判断对错，比如代码能不能跑通、数据符不符合格式，那它就很容易被自动化。反之，如果一件事需要在多种可能性中做权衡，没有唯一标准，模型就很难单独完成。

但并不意味着机器能做的事情固定不变。因为可验证的范围一直在扩大，机器能做工作也越来越多。

过去，写代码被认为需要创造力，是不可验证的。但当你把它分解成实现某个具体功能，它突然就有了验证标准：测试能不能过。同样，设计界面看起来很主观，但如果验证标准变成是否符合品牌的视觉规范，它也就变得可验证了。

判断一个岗位会不会被影响，不能只看职位名称，要看它的工作有多少比例可以被分解成有明确验证标准的任务。

一个高级设计师，可能 80% 的时间都在做可验证的执行工作，只有 20% 在做真正的创意决策。这 20% 很安全，但那 80% 正在快速转移。

同样的逻辑也适用于会计、法务和客服。大量的规则验证、文档审查、标准问题响应，都在被自动化。但最终的签字责任、风险判断、复杂纠纷处理，依然需要人来承担。

于是，一个新的分工逐渐清晰：模型负责执行，人负责设定边界和方向。

人不再需要盯着每一个细节，也不需要死记硬背繁琐的操作步骤，但必须清楚一件更核心的事：这件事应该怎么被定义，什么样的结果才算正确。

做的环节交给机器，定的环节留在人手里。

但这种分工，会持续多久？

第三节｜为 AGI 做准备

回答这个问题的，是 Demis Hassabis。在接下来的对话中，他给出了一个明确的时间判断：2030年。

这是他对 AGI（通用人工智能）实现时间的预测。距离现在，只有四年。

如果你今天开始创业，按通常的节奏，这需要 5-8 年时间成功。而 AGI 会在这 10 年的中间出现。

这不是一个可以忽略的变量。你必须做一些在 AGI 到来时，依然具有不可替代价值的东西。

Demis 说：

“他一直在观察智能体的发展。我们才刚刚起步，过去几个月，人们才开始找到真正有价值的应用点。未来 6 到 12 个月，会有更大的进展。”

那创业者应该怎么办？

他给的建议是：结合 AI 与深科技（Deep Tech）。去做材料科学、医学，去做那些真正艰难的物理领域。这些方向有一个共同点，它们涉及真实的原子世界，通往成功的路上没有捷径。换句话说，它们不会被基础模型的下一次更新浪潮轻易洗牌。

在纯软件层面，变化太快了。今天你搭建的中间层，明天可能就被模型自身能力的提升给覆盖了。但如果你在解决一个需要深入理解物理世界、生物系统或材料特性的问题，护城河就会深得多。

公司要找护城河，个人也一样。

在这场峰会上，Andrej Karpathy 说了一句话：你可以把思考过程交给 AI，但你不能把理解力交给 AI。

什么是理解力？

知道问题到底出在哪，

知道为什么这件事值得做，

知道目标究竟该被如何定义。

Andrej 发现，现在的他反而成了整个工作流的瓶颈。瓶颈在于弄清楚到底要做什么以及为什么值得做。LLM 可以无限生成、可以高效执行，但它无法替你理解一件事对于人类而言，为什么重要。

所以，什么变得更重要了？

记住 API 参数已经不重要了，掌握提示词技巧也不是核心，真正重要的是建立更深的理解。理解一个行业的底层逻辑，理解用户真正的需求，理解商业价值究竟从何而来。

你可以把怎么做交给 AI，但你不能把知道为什么交给 AI。

四年后，当 AGI 真正到来时，这种理解力的价值，会变得前所未有的清晰。

因为到那时，能被自动完成的动作会有无数个，能被一键生成的方案会有无数种。但依然需要有人去定义：到底什么值得被完成，什么值得被生成。

AI 可以做无数件事，但只有人知道哪件事值得做。

结语｜最后的护城河

过去，人围绕工具安排工作。

现在，工具开始深度参与工作。

接下来，人只负责决定方向，把实现彻底交出去。

你可以把思考过程交给模型，让它帮你生成、执行。但有一件事始终不能交出去：知道什么是对的，什么是真正值得去做的。

这是 2026 年的起点，也是接下来四年的主题。

参考资料：

https://www.youtube.com/watch?v=96jN2OCOfLs&t=461s

https://www.youtube.com/watch?v=AFpeWo1GTeg&t=1s

https://www.youtube.com/watch?v=JNyuX1zoOgU

来源：官方媒体/网络新闻

本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，编辑：深思，36氪经授权发布。