刚刚Andrej Karpathy分享了他关于AI如何影响经济的最新思考。

他认为，人们习惯于将AI与电力、工业革命等历史先例进行类比，但最恰当的类比，是将AI视为一种全新的计算范式——即他之前提出的“软件2.0”。因为无论是传统计算还是AI，其本质都是关于数字信息处理的自动化

基于此，Karpathy提出了一个预测AI自动化能力的核心指标：「可验证性」（Verifiability）。

回望1980年代：软件1.0自动化的是「可指定」任务

Karpathy首先回顾了传统计算对就业市场的影响。

如果回到1980年代来预测计算机的影响，最关键的预测指标是看一项任务或工作的算法在多大程度上是“固定的”。也就是说，执行者是否只是在根据一套可以轻松指定的、死记硬背的规则，机械地转换信息。

例如打字、簿记、人力计算器等工作，都属于这一类。在那个时代，当时的计算能力只允许我们（通过手动编码）编写出这类程序。这就是软件1.0的时代。

AI新范式：软件2.0自动化的是「可验证」任务

现在，AI让我们能够编写出过去完全无法手动编写的新程序。

我们实现这一点的方式，不再是编写固定的规则，而是通过指定一个目标（例如，分类准确率、奖励函数），然后通过梯度下降等方法在巨大的程序空间中进行搜索，最终找到一个能够很好地达成该目标的神经网络。这就是软件2.0的核心思想。

在这个新的编程范式下，最具预测性的新指标变成了「可验证性」。

如果一项任务或工作是可验证的，那么它就可以通过直接优化或强化学习进行训练，让神经网络在该任务上表现得极其出色。这里的关键在于，AI在多大程度上可以“练习”某件事。

一个可供AI练习的环境，必须满足三个条件：

1. 可重置（Resettable）： 可以开始一次新的尝试。

2. 高效率（Efficient）： 可以在短时间内进行大量尝试。

3. 可奖励（Rewardable）： 有一个自动化的流程来评估并奖励任何一次具体的尝试。

「可验证性」决定AI进展的「锯齿状」前沿

一项任务或工作的可验证性越高，它就越容易被新的AI编程范式所自动化。

如果一项任务不具备可验证性，那么对它的自动化就只能依赖于神经网络“泛化能力的魔法”，或者通过模仿学习等效果较弱的方式来实现。

Karpathy指出，这正是导致大语言模型（LLM）进展呈现出“锯齿状”前沿的根本原因

那些可验证性强的任务，正在取得飞速进展，其能力甚至可能超越顶尖的人类专家。例如：

1.数学

2.编程

3.任何看起来像有标准答案的谜题

与此同时，许多其他任务的进展则相对滞后，例如：

1.创造性工作

2.战略性任务

3.需要结合真实世界知识、状态、背景和常识的复杂任务

最后，用一个精炼的总结就是：

软件1.0轻松自动化了那些「可指定」的任务

软件2.0则将轻松自动化那些「可验证」的任务