#概率性编程

avatar
Andrej Karpathy 将软件发展分为三个阶段，Software 1.0，是通过编写计算机代码来解决问题，标志性产物是 Github；Software 2.0，神经网络扮演了重要角色，编程工作变成了训练和调参，通过调试不同的数据集，来修改神经网络每一层、每个节点的权重，标志性产物是 Hugging Face；而 Software 3.0 最本质的变化是，神经网络变得“可编程”了，且编程语言不再是传统代码，而是提示词，你可以通过自然语言跟大模型交互来找到问题解。 从写代码，到训模型，再到写提示词，软件的本质始终是：寻找让机器解决问题的最优表达方式。 再去看编程范式的变化，在神经网络出现之前，软件属于“确定性编程范式”，if A then B else C，逻辑规规矩矩，一条逻辑解决一个明确问题；而到了 LLM 时代，演进成了“概率性编程范式”，软件输出结果由权重叠加完成，可能性变多了，能解决的问题也更多、更大、更复杂，因此未来大量的长尾需求也会得到好的满足。 回到人机交互这个命题，问题也随之而来，代码过于精确（输入高成本），而自然语言过于模糊（输出低质量）。要做好人机交互，需要有一层规约（Specification），把事情有条理地讲清楚。事实上，我们日常的需求拆解、需求澄清，其实就是在“写 spec”，它的价值不在于文档本身，而在于帮助人类和机器对齐意图。这也是为什么越来越多的 AI 编程工具（如 Kiro Spec、Trae Solo）本质上都在探索新的 spec 模式。 可以预见，当机器拥有更强的“自主意识”、能够解决更复杂的问题后，未来的人机协同、机机协同也会变得频繁，要解决“人-机-机”三方协同问题，软件工程的核心势必会转向定义规则、目标与价值观上。对工程师来说，或许就是，从编码切换到写规则。
#Software 3.0 #人机交互 #概率性编程 #AI编程工具 #规则定义