可验证性：判断 AI 会先自动化什么的一把新尺子
这是导读，不是翻译。目标是让你 5 分钟拿到文章的思想地图；值得的话，带着地图去读 英文原文 →
一句话
上一代计算机自动化的是「你能写清楚步骤」的工作，AI 自动化的是「你能自动打分」的工作——一个任务能不能被 AI 拿下，关键看它的可验证性，而不是它看起来难不难。
文章讲了什么
- 历史类比：上世纪八十年代，计算机吃掉了打字、记账这类可以机械化描述的工作。规则写得出来（可指定），软件 1.0 就能自动化。
- 新范式的新标尺：软件 2.0（神经网络）不靠人写规则，靠优化目标函数。所以它能吃掉的是另一类任务——不必写得出步骤，但结果必须能自动判分。用他的话说：
"Software 2.0 easily automates what you can verify." —— Andrej Karpathy，《Verifiability》 · 原文 →
- 可验证的三个条件：环境可重置（能反复重试）、试错够便宜（能海量尝试）、结果可自动评奖（不需要人盯着打分）。三者齐备，AI 就能「刷题」式地练到超人水平。
- 锯齿状前沿的成因：这解释了为什么数学、编程、游戏进步飞快，而需要品味和长期语境的创造性工作进展缓慢——不是难度问题，是能不能让模型大量练习的问题。核心判据是 AI 能在多大程度上「练习」一件事。
写作背景
2025 年，RLVR（基于可验证奖励的强化学习）成了各大实验室的主训练手段，推理模型在数学和代码上狂飙，但公众仍在用「AGI 什么时候到」这种笼统问题理解进展。这篇文章是他给出的解释框架：把「AI 会取代什么工作」从玄学变成一个可以逐项检查的工程判断，也顺手回应了对进展不均衡的普遍困惑。它与他 2017 年的 Software 2.0、2025 年的 Software 3.0 演讲一脉相承。
影响与回响
「可指定 vs 可验证」迅速成为讨论 AI 就业影响时的标准引用，也被创投圈拿去当选题筛子——2026 年不少 RL 环境创业公司在融资材料里直接引用这个框架。他本人在 12 月的《2025 年度回顾》里把 RLVR 列为年度第一变化，在 2026 年 4 月的红杉对谈中又把「找到有价值、可验证、实验室还没卷到的领域」明确说成创业机会。批评者则提醒：过度追求可验证会让模型「刷分」（benchmaxxing），验证器本身也可能被钻空子。
对你意味着什么
- 选自动化目标先问三个条件：想用 agent 赚钱，先检查任务是否可重置、试错是否便宜、结果能否自动判分。三项全中的领域（代码、数据清洗、报表核对）今天就能做出可靠产品；缺一项的要靠人工兜底设计。
- 给自己的技能做个体检：你的工作越接近「结果可自动打分」，被模型追上的速度越快。往「定义问题、验收结果、承担责任」的方向移动，这些恰恰是验证器写不出来的部分。
- 验证器本身是生意：谁能把一个模糊领域（文案质量、教学效果、法律文书）变得可验证，谁就为 AI 打开了一个新市场。做评测和 RL 环境，是独立开发者少有的上游位置。
延伸阅读
- 英文原文：Verifiability
- 推文解读：Software 3.0 —— 三代软件范式的总框架
- 推文解读：锯齿状智能 —— 本文解释的那个现象
- 导读：《2025 年度回顾》 —— RLVR 如何改写这一年
- 导读：《红杉 Ascent 2026 对谈》 —— 框架的创业应用版