Software 2.0：程序不再是写出来的，是搜索出来的
一句话
软件正在换一种存在方式：Software 1.0 是人用 Python/C++ 写下的显式指令，Software 2.0 是神经网络的权重——人只负责定义目标、圈定架构、准备数据，具体的「程序」由梯度下降在权重空间里搜索出来。这不是又一个分类器，而是软件开发范式本身的更替。
文章讲了什么
核心论证分三层。第一层是定义：Software 2.0 用一种对人类不友好、但对优化友好的「语言」写成——数百万个浮点权重。开发流程从「写代码、编译」变成「攒数据、训练」；数据集才是源码，训练是编译。第二层是证据：他列举了正在被 2.0 吞掉的领域——视觉识别（手工特征让位于 ConvNet）、语音识别与合成（WaveNet）、机器翻译、下棋打游戏（AlphaGo Zero），甚至数据库索引。规律高度一致：凡是能收集大量数据、能定义可优化目标的地方，学出来的程序就打败人写的程序。第三层是论优劣。优势有七条，最常被后人引用：计算同质（几乎只有矩阵乘法和 ReLU，因此极易做专用芯片）、运行时间和内存恒定（没有死循环和内存泄漏）、高度可移植、敏捷（想要 2 倍速度？砍一半通道重训即可）、模块可以「融合」（多个网络联合微调、梯度穿透彼此），以及最扎心的一条——
"Gradient descent can write code better than you. I'm sorry." ——Andrej Karpathy，2017 · 原文 →
局限他也没回避：不可解释（你要 90% 准确但可理解的模型，还是 99% 准确但黑箱的？）、会静默吸收数据里的偏见、存在对抗样本这种反直觉的失效模式。结尾是一份预言清单：2.0 时代需要自己的工具链——管数据集而非管代码的 IDE、以数据集为中心的 GitHub、模型的包管理器。在这个世界里，程序员的日常工作从写逻辑变成了采集、清洗、标注和喂养数据。
写作背景
2017 年 11 月，卡帕西刚从 OpenAI 转任特斯拉 AI 总监半年，正亲眼看着 Autopilot 的 C++ 代码被神经网络一块块蚕食——这篇文章就是那段经历的理论化。当时深度学习的主流叙事还是「机器学习是程序员工具箱里的新工具」，他把话说得重得多：不是工具，是取代。发布时嘲讽者不少（「权重怎么能叫软件？」「这只是曲线拟合」），他后来还专门写过回应。如今回看，争议本身成了文章重要性的注脚——范式级的判断在当时听起来总像是夸大其词。
十年后再看
这是他预言兑现率最高的文章。计算同质→专用芯片的判断，随后被 TPU、各类 NPU 和英伟达的十年狂飙验证；「数据集即源码」成了后来数据中心 AI（data-centric AI）运动的纲领；「模块融合」在今天的多模态端到端模型里成为常态。最大的意外是兑现的方式：他当年设想的是每个领域各训一个专用网络，而 LLM 用一个通用模型把无数领域一次性「2.0 化」了。他自己在 2025 年的演讲里补上了续集：提示词时代的 Software 3.0——英语成了新的编程语言，但 3.0 恰恰建立在 2.0 的地基上，权重仍是那个「不可读却更强」的程序本体。至于「不可解释」的局限，则催生了今天可解释性研究这整个学科——问题被他点中了，答案还没长出来。
对你意味着什么
- 2026 年读它，是为了拿到「范式判断力」：遇到一个问题，先问「这里能攒数据、能定义目标吗」——能，就别手写规则。这个决策框架在 agent 时代依然是第一性的。
- 独立开发者的机会藏在他的「工具链预言」里：数据集版本管理、评估集运营、模型监控——他 2017 年点名缺失的基础设施，至今仍有大量空位，且轮到了 LLM 应用层。
- 读法建议：全文不长，值得通读；把七条优势当清单背下来，它们是理解「为什么 AI 芯片、为什么端到端」的最短论证链。
延伸阅读
- 英文原文（Medium）
- 解读：Software 2.0 发布推文 —— 这篇文章当年如何引爆讨论
- 解读：Software 3.0 —— 2025 年的续篇：提示词即程序
- 解读：一切向 Transformer 收敛 —— 2.0 内部的架构统一