Software 2.0 | 软件 2.0
原标题: Software 2.0 中文标题: 软件 2.0：神经网络正在重写一切 作者: Andrej Karpathy 发表时间: 2017年11月 原文链接: https://karpathy.medium.com/software-2-0-a64152b37c35
一句话摘要
神经网络不只是机器学习工具箱里的又一个工具，它代表了一种全新的编程范式——从人类手写代码转向让优化算法在权重空间中搜索程序。
完整核心内容翻译
引言：被误读的革命
Karpathy 开篇指出，很多人把神经网络仅仅当作"机器学习工具箱里的又一个工具"——这种理解完全错失了更宏大的图景。神经网络的崛起不是某个领域的渐进改良，而是我们开发软件方式的根本性变革。
软件 1.0：经典范式
软件 1.0 是我们熟悉的传统编程：用 Python、C++ 等语言编写的代码，每一行都是程序员对计算机发出的明确指令。程序员通过精心编排的逻辑，将期望行为编码到一个个程序中。这种方式统治了计算机科学的整个历史——从操作系统到网页应用，从数据库到编译器。
软件 2.0：神经网络即代码
软件 2.0 用一种截然不同的语言编写——神经网络的权重。这种语言对人类极不友好：一个典型的网络拥有数百万个权重参数，没有任何人类直接编写这些"代码"。
开发流程发生了根本转变：
- 定义目标：指定程序期望的行为（而非编写行为本身）
- 搭建骨架：设计一个神经网络架构，它界定了一个待搜索的"程序空间"子集
- 搜索程序：利用计算资源，在这个空间中通过梯度下降找到可行的程序
这意味着程序员的角色从"编写代码"转变为"策展数据"。大量实际的"软件开发"工作变成了数据集的收集、清洗、标注和管理。
为什么软件 2.0 更好？
Karpathy 列举了软件 2.0 在实践中胜出的多个原因：
计算同质性：传统软件包含各种数据结构和算法，千差万别。而神经网络归根结底只有两个操作——矩阵乘法和阈值激活（如 ReLU）。这使得性能优化和硬件加速变得极其高效。
简洁性：传统图像识别可能需要数万行代码，而 Software 2.0 的"代码"就是一组权重矩阵。调试和部署都更加简洁。
易于移植：矩阵乘法在任何平台上的实现都是标准化的，这使得模型的跨平台迁移远比传统软件容易。
持续改进：如果你想让程序表现更好，只需收集更多数据并重新训练——不需要重写算法。
已被"吞噬"的领域
Software 2.0 已经在大量领域取代了传统代码：
- 视觉识别：图像分类、目标检测、语义分割
- 语音识别：从手工特征工程转向端到端神经网络
- 语音合成：WaveNet 等模型生成逼真的人类语音
- 机器翻译：从基于统计的方法全面转向神经翻译
- 游戏AI：AlphaGo 以神经网络替代了传统博弈搜索
- 自动驾驶：Tesla Autopilot 大量使用神经网络替代手写规则
深层启示
最深刻的变化在于：存在大量这样的问题——收集数据（或定义期望行为）远比手写程序容易得多。这是 Software 2.0 的根本优势所在。
技术要点
- 范式转换：软件开发从"编写指令"转向"定义目标 + 搜索权重空间"，程序员角色从代码编写者变为数据策展人
- 计算同质性优势：神经网络的核心运算（矩阵乘法 + 激活函数）高度统一，使得硬件优化（GPU/TPU）和编译器优化极其高效
- 数据即代码：在 Software 2.0 中，数据集本身就是"源代码"，数据质量直接决定程序质量
- 端到端学习：越来越多的工程管道被单一的神经网络端到端取代，中间模块的手工设计逐渐消失
深度解读
这篇文章写于 2017 年，但其预见性令人惊叹。Karpathy 当时担任 Tesla AI 总监，亲身经历了自动驾驶领域从规则工程向学习系统的转变。
文章的核心洞察在于抽象层级的跃迁：就像高级编程语言让程序员不必关心寄存器操作，神经网络让开发者不必关心具体的算法设计——你只需告诉系统"什么是对的"（通过数据），剩下的交给优化。
这个观点在当时是激进的。2017 年深度学习虽已崭露头角，但很多工程师仍视之为"统计花招"。Karpathy 的洞察在于：他看到的不是工具的进化，而是编程本身的进化。
到了 2025-2026 年回看，Software 2.0 的论断已被大型语言模型（LLM）彻底验证。ChatGPT、Claude 等系统正是 Software 2.0 的极致体现——通过海量数据训练出的"程序"，能够处理自然语言、推理、编程等传统上需要大量手工代码的任务。Karpathy 后来提出的"vibe coding"概念，更是将 Software 2.0 推向了新的高度：不仅模型本身是 Software 2.0，现在人们还能用自然语言让 AI 编写 Software 1.0 的代码。
延伸思考
数据策展的经济学：如果数据就是代码，那么数据标注员就是新时代的"程序员"。这对技术劳动力市场意味着什么？数据质量的"技术债"又该如何管理？
可解释性困境：Software 1.0 的代码可以被人类逐行审计，但 Software 2.0 的"代码"（权重矩阵）对人类来说完全不透明。在医疗、法律、金融等高风险领域，这是否构成了根本性障碍？
1.0 与 2.0 的共存边界：操作系统、编译器、数据库等基础设施仍是 Software 1.0 的领地。两种范式的最终边界在哪里？是否存在某些领域永远无法被 2.0 攻克？
从 Software 2.0 到 Software 3.0？：如果 2.0 是"用数据训练程序"，那么 LLM Agent 是否代表了 Software 3.0——AI 自主编写和执行代码，人类只需描述意图？