Karpathy 談 AI 與就業：軟體需求會爆增，不是萎縮

本文整理自《No Priors》2026 年 3 月播出的單集。

{{< youtube kwSVtQ7dziU >}}

{{< spotify "episode/3u1XHEsAuK1VXRr81RzQDV" >}}

{{< apple-podcast "tw/podcast/andrej-karpathy-on-code-agents-autoresearch-and-the/id1668002688?i=1000756334966" >}}

---

工作不會消失，但工作的定義會改變

AI 會取代人類的工作嗎？這大概是過去兩年被問最多的問題之一。Andrej Karpathy（OpenAI 共同創辦人、前 Tesla AI 總監）在 No Priors 節目中給出的回答，比大多數人想的更有層次。

Karpathy 做了一件很 Karpathy 的事：他不是憑直覺發表意見，而是真的去研究了美國的就業資料。他分析了不同職業的分布、各行各業有多少人、這些人的日常工作內容是什麼。然後他嘗試對每一種職業去判斷：AI 會是一個增強工具，還是一個取代工具？

他的核心觀察是：每一份工作都是一組任務的組合。有些任務很適合 AI 加速，有些不適合。很少有工作是「所有任務都能被 AI 取代」的。所以比較可能的情境不是「工程師消失了」，而是「本來兩個工程師要做的事，現在一個工程師加上 AI 就搞定了」。或者更樂觀的版本：本來兩個人，現在因為效率提高，公司決定保留兩個人然後讓他們做三個人的量，因為產出的價值更高了。

但 Karpathy 也很坦率地說，這些工具太新了，現在要預測長期影響「really hard to forecast」。他給出的第一個建議很實際：不要恐懼，不要迴避，先學會用它。很多人的反應是排斥或害怕，這是可以理解的，但 AI 在目前這個階段本質上是一個增強工具。你用它，你的產出會變好。你不用它，你的競爭力會下降。

Jevons 悖論：便宜不會減少需求，只會創造更多需求

Karpathy 在討論軟體工程師的就業前景時，提出了一個經濟學概念：Jevons 悖論（Jevons Paradox）。這個概念來自 19 世紀的英國經濟學家 William Stanley Jevons。他觀察到，當蒸汽機的效率提升、煤炭的單位使用成本下降時，煤炭的總消耗量不減反增。因為更便宜的能源讓更多以前不划算的應用變得可行了。

Karpathy 把這個邏輯套用到軟體開發上。過去，軟體之所以沒有滲透到生活的每一個角落，不是因為不需要，而是因為太貴了。一個客製化的軟體系統要花幾十萬甚至幾百萬美元來開發和維護，所以只有夠大、夠有錢的組織才能負擔。很多小型企業、非營利組織、地方政府有軟體需求，但預算不允許。

如果 AI 讓軟體開發的成本降到原來的十分之一甚至百分之一呢？那些以前買不起軟體的組織，突然都變成潛在客戶了。以前不值得用軟體解決的問題，現在都值得了。以前需要人工處理的流程，現在可以花很低的成本自動化。軟體的需求不是固定的，它跟價格呈反比關係。價格越低，需求越大。

這就是為什麼 Karpathy 認為軟體工程師的需求短期內不會萎縮。AI 不是來搶工程師的飯碗的，它是來把蛋糕做大的。當然，「工程師」這個角色的工作內容會改變。以前的工程師花大量時間寫 boilerplate code、處理 edge case、debug。未來的工程師可能花更多時間在架構設計、需求釐清、品質把關。但對軟體的總需求只會增加。

開源 vs. 前沿實驗室：獨立的價值

訪談中一個很有趣的段落是 Karpathy 解釋為什麼他選擇留在前沿實驗室之外，以獨立研究者的身分工作。有人問他：你有這麼強的能力，為什麼不去 OpenAI、Google 或 Anthropic，用他們的大量算力做更厲害的研究？

Karpathy 的回答觸及了一個很少有人公開談論的議題。他認為，在前沿實驗室裡面工作，你不是一個完全自由的個體。你有財務上的巨大利益跟公司綁在一起，而這些公司承認自己在打造的技術會深刻改變人類社會。在這種情境下，保持獨立和客觀是非常困難的。有些話你不能說，有些立場組織會希望你代言。Karpathy 覺得，在外面工作讓他更能跟人類整體的利益站在同一邊。

這段話的背景是開源與閉源之爭。Karpathy 是開源 AI 的堅定支持者。他觀察到，閉源模型確實走在前面，但開源模型落後的差距正在縮小。對於絕大多數的消費者使用場景，現在的開源模型已經夠好了。開源模型提供了一個共同的、所有人都能取得的平台，前沿實驗室去推進能力的邊界。兩者並存，這是一個健康的生態系。

數位世界會先被翻新，實體世界要等很久

Karpathy 把 AI 的影響分成兩個領域：數位和實體。他的判斷是，數位世界會先經歷劇烈的重組，因為操弄 bits（數位資訊）比操弄 atoms（物理原子）容易太多了。過去由人類和電腦共同處理的數位資訊工作，現在多了 AI 這個第三方參與者，很多流程會被重新整理。

但實體世界會落後很多。Karpathy 的觀點來自他在 Tesla Autopilot 的親身經驗。自動駕駛是第一個真正成功的機器人應用，但它花了多少資本、多少時間、多少人才才走到今天的程度？而自駕車面對的環境相對單純，就是道路。想像要讓機器人在一個雜亂的家庭環境裡完成各種任務，那個複雜度又是另一個等級。

不過他也指出了一個機會：感測器和攝影機這些硬體已經很便宜了。如果你聰明地利用現有的硬體來讀取實體世界的訊號（read sensors, cameras），然後用 AI 來處理這些訊號、做出判斷，你不需要投入巨額資本也能創造有價值的應用。他自己的 Dobby 智慧家庭管家就是一個例子。家裡本來就有的攝影機和感測器，加上一個 AI agent，就能做到以前做不到的事。

教育的未來：教 agent 怎麼教人

訪談最後 Karpathy 談到教育，這是他長期關注的議題。他是 Stanford CS231n 課程的共同創辦人，YouTube 上有數百萬人看過他的深度學習教學影片。但他現在認為，「教人」這件事本身正在被重新定義。

他用自己最新的作品 MicroGPT 來說明。MicroGPT 是他花了多年時間提煉出來的精華：200 行純 Python，沒有任何套件依賴，就能實作一個完整的 GPT 訓練和推論流程。這是他的「few bits」，也就是只有他能貢獻的核心洞見。但在這 200 行程式碼之外的所有教學工作，比如解釋每一行程式碼在做什麼、為什麼要這樣寫、有什麼替代方案，這些 agent 都已經能做了。

所以未來的教育模式會變成：老師負責提煉核心的「few bits」（那些 agent 想不出來的關鍵洞見），然後把教學的執行面交給 agent。學生也不再是直接跟老師學，而是跟 agent 學，agent 會根據每個學生的程度和理解速度來調整教法。老師的角色從「直接教學」變成「設計 agent 的教學策略」。

Karpathy 甚至預測，軟體的文件（documentation）也會改變。以前你寫 HTML 文件給人類讀，以後你寫 Markdown 文件給 agent 讀。如果 agent 理解了你的程式庫，它就能用最適合每個使用者的方式去解釋。這是一種透過 agent 的間接教學：你教 agent，agent 教人。

他用一句很精煉的話做了總結：「The things that agents can't do is your job now. Things that agents can do, they can probably do better than you.」（agent 做不到的事，才是你現在的工作。agent 做得到的事，它大概已經做得比你好了。）

我的觀察

Karpathy 提出的 Jevons 悖論，我覺得在臺灣的脈絡下特別值得思考。臺灣的軟體產業長期存在一個矛盾：我們有頂尖的硬體製造業，但軟體的應用深度始終不如美國或中國。很大一部分原因是市場規模小，導致軟體開發的單位成本偏高，很多潛在需求被壓抑了。

如果 AI 真的能把軟體開發的成本壓到原來的十分之一，臺灣會是受益最大的市場之一。那些以前因為「不划算」而沒有數位化的中小企業、傳統產業、公部門，突然之間都有可能成為軟體的使用者。這不是裁員的故事，這是需求爆發的故事。

至於教育的部分，Karpathy 那句「教 agent 怎麼教人」聽起來很抽象，但仔細想想，這其實已經在發生了。我們現在寫 CLAUDE.md、寫 system prompt、寫 skill 文件，本質上就是在「教 agent 怎麼做事」。只是大部分人還沒意識到，這就是新時代的教育形式。能夠精確地把自己的專業知識轉譯成 agent 能理解的指令，可能會成為未來最值錢的技能之一。