Karpathy 论 AI 时代的护城河：对 aiself 的启示

背景

2026 年 4-5 月，Andrej Karpathy 在 Sequoia AI Ascent 2026 大会演讲及个人博客中，系统阐述了 AI 时代"护城河"的根本性转变。核心论点：传统软件时代的壁垒正在瓦解，新的竞争优势需要从完全不同的维度构建。

Karpathy 的核心论点

一、Software 3.0 范式与旧护城河的失效

Karpathy 将软件演进分为三个阶段：Software 1.0（人写代码）、2.0（训练神经网络）、3.0（通过 context window 编程 LLM）。在 3.0 时代，代码变成"耗材"，传统软件把功能路径本身视为护城河，但当模型能力足够强，这条路径不再稀缺。许多应用会被"吞噬"为一句 prompt。他用 MenuGen 案例说明：一个完整的菜单生成应用，在 Software 3.0 下可被多模态模型直接替代，绕过整个基础设施栈。

关键问题不是"AI 让什么变快了"，而是"AI 让什么变得没必要了"。

二、可验证性（Verifiability）：最核心的新护城河

Karpathy 提出一个根本性公式：传统软件自动化你能"规格化"的事，AI 自动化你能"验证"的事。AI 能力在可验证领域（代码、数学、测试）进步飞快，因为存在自动反馈回路。引入 AI 失败的根因往往是缺乏自动化验证机制。

创业者的机会在于：找到"有价值、可验证、但大模型实验室不会深耕"的垂直领域，构建领域专属的强化学习环境。谁控制了某个行业的可验证反馈回路，谁就能系统性地超越通用模型。

三、Harness：被低估的 90%

生产级 AI 系统中，大模型本身可能只占 10%，剩下 90% 是 Harness（运行时套件）：上下文管理、任务分发、异常恢复、状态持久化、多层测试。Harness 是真正的产品，也是区分"玩具"和"可用系统"的分界线。

四、理解力不可外包

Karpathy 反复强调：你可以把"怎么做"交给 AI，但不能把"理解"交给 AI。人类在品味（taste）、工程判断、规格定义上的能力是不可替代的。理解力是战略瓶颈，也是最终的个人与团队护城河。

五、锯齿状智能（Jagged Intelligence）

AI 能力并非均匀分布，而是高峰与深谷并存。真正的工程解法是极限边界管理：将 AI 约束在高性能区域，在高风险决策外包裹硬编码校验规则，用多模型交叉验证弥补不稳定性。

对 aiself 竞争策略的分析

Karpathy 的框架对 aiself（AI 个人助手产品）有三个直接启示：

1. 护城河不在"功能"，在"理解循环"。 aiself 不应把某个具体功能（日程管理、信息整理）视为壁垒，因为这些随时可被更强的通用模型吞噬。真正的壁垒在于：aiself 能否构建一个用户越用越懂他的"理解循环"。用户的个人知识库、决策模式、偏好图谱形成飞轮，这是通用助手无法复制的。

2. 构建可验证的个人场景。 参照 Karpathy 的可验证性框架，aiself 应优先攻克那些可以自动验证效果的个人场景（如：信息整理的完整性可检查、日程冲突可自动检测、习惯追踪有明确指标）。这些场景能形成强化学习回路，让产品持续自我改进。

3. Harness 即产品。 aiself 的核心竞争力应该是那 90% 的 Harness：上下文记忆管理、多 agent 协调、容错恢复、隐私边界控制。用户感知到的是"助手越来越好用"，背后是工程化的 Harness 在运作。这部分做得足够深，就是竞争对手难以复制的系统性壁垒。