九個月，一個詞，一場集體覺醒

2025 年 2 月 2 日，Andrej Karpathy 在 X 上隨手丟出一個詞：Vibe Coding。

他描述的狀態很簡單——完全沉浸在氛圍裡，順著感覺走，甚至忘了自己在寫程式。沒有嚴謹的定義，沒有論文框架，就是兩個英文字。

九個月後，柯林斯詞典把它選為年度詞彙。

作為對照：「雲端運算」從 2006 年被提出到進入大眾語彙，花了好幾年。Vibe Coding 的傳播速度本身就是訊號——它不是在描述一個新技術，而是在替一個已經發生的集體經驗命名。當一個詞能以這種速度擴散，代表它觸碰到了某種等待被說出口的真實。

命名大師的十年考古學

Karpathy 不只是 AI 研究者，他是這個時代最精準的術語鑄造師。十年間，四個詞，每一個都踩在人機關係的轉折點上。

2015 年，Karpathy 在〈The Unreasonable Effectiveness of Recurrent Neural Networks〉一文裡，用「hallucination」來描述語言模型生成那些看起來很合理、實則憑空捏造的網址與內容，讓這個詞在語言模型的語境中廣為人知（「hallucination」在 AI 領域最早可追溯到 1980 年代，但 Karpathy 的用法讓它成為描述 LLM 生成錯誤的標準術語）。

2017 年是 Software 2.0。傳統軟體是人寫規則讓機器執行；Software 2.0 是人餵資料讓機器自己學規則。這不只是技術路線的切換，而是「誰在寫程式」這個根本問題的重新定義。

2025 年的 Vibe Coding 把焦點從「AI 怎麼學」拉到「人怎麼用」。程式設計師不再逐行審視每一段程式碼，而是跟 AI 對話、迭代、感覺對了就往前走。嚴謹性讓位給直覺，控制讓位給信任。

然後是 2026 年的 Claws。這個詞指的是 AI 智能體之上的新一層：編排、調度、上下文管理、工具調用、持久化。Karpathy 用了一個很直覺的比喻——底層大模型是地裡收割的小麥，智能體是磨好的麵粉，而 Claws 是烤好的麵包，即開即用。

Mac Mini 因為跑本地 AI 智能體的需求暴增，銷量「像北美早餐店的熱鬆餅一樣火」。這不是伺服器機房的事了，這是書桌上的事。

Talk is cheap → Code is cheap

2026 年 2 月 23 日，Django 框架共同創辦人 Simon Willison 發布新專案 Agentic Engineering Patterns，開頭就丟了一顆震撼彈：

「Writing code is cheap now.」

如果你在軟體圈待過，你知道這句話在翻轉什麼。2000 年，Linus Torvalds 說了那句被刻在無數工程師腦子裡的話：「Talk is cheap. Show me the code.」空談廉價，給我看程式碼。這句話定義了一整個世代的工程文化——程式碼是稀缺資源，是價值的終極載體，寫得出來才算數。

二十五年後，Willison 把它翻了過來。Code is cheap. Show me the talk. 程式碼廉價了，讓我看你怎麼描述需求、怎麼做決策。

這不是修辭遊戲。Google 首席工程師 Jaana Dogan 說，她的團隊花了一年建構的分散式智能體編排器，2026 年初用 Claude Code 只花了一小時就完成。Vercel 技術長 Malte Ubl 靠著 Opus 4.5，在假期裡完成了兩個主要開源專案、開始寫一本書、還修了一堆 bug——他說「沒有 AI 絕對不可能完成」。

一年的工作量壓縮到一小時。這不是效率的線性提升，這是成本結構的相變。

「不值得做」的事突然都值得做了

大多數人聽到「AI 讓寫程式變便宜」，第一反應是「太好了，可以更快交付」。這個理解沒錯，但太淺了。

真正的革命不在讓現有的工作變快，而在讓「原本不值得做」的事情變得值得做。

每個開發團隊都有一份隱形清單——那些被判定「投入產出比不划算」而永遠排不上優先序的功能、那些「有了會很好但開發成本太高」的改善、那些「只服務少數使用者所以不做」的需求。當寫程式的邊際成本趨近於零，這整份清單突然活了過來。

Willison 的建議很實際：每當你的本能說「不值得花時間」，先用 AI 試一下。最壞的結果是浪費幾毛錢的 token，最好的結果是你發現一個原本不可能存在的機會。

但他也很誠實地補了一句：「好程式碼」依然昂貴。功能的正確性、邊界條件的處理、可維護性、測試覆蓋、文件品質——這些品質標準沒有因為 AI 而降低。便宜的是初稿，不是成品。

台灣的知識工作者該怎麼看這件事

「程式碼變便宜」的邏輯不只適用於軟體開發。把「程式碼」換成任何知識工作的產出——初稿、報告、分析、設計稿——同樣的成本結構改變正在發生。

寫作：AI 可以快速生成初稿，但判斷哪些觀點值得發展、哪些段落該刪掉，依然需要人。設計：AI 可以產出一百個方案，但辨別哪個方案真正解決使用者問題，依然需要人。資料分析：AI 可以跑完所有模型，但決定問對的問題、質疑不合理的結論，依然需要人。

前 Uber 工程師 Gergely Orosz 把 AI 時代的核心能力整理成三項：判斷力——分辨 AI 產出的好壞；戰略思維——知道該做什麼，而不是怎麼做；領域專業知識——驗證 AI 生成內容的準確性。

對台灣來說，我們有全世界最密集的科技人才，但也有大量依賴「執行力」而非「判斷力」的工作崗位。當執行的成本被 AI 壓到接近零，只剩判斷力能創造差異化價值。這不是威脅論，但確實是一個結構性的重新校準。

奶奶不需要知道 App 的存在

有網友質疑 Karpathy 的 Claws 概念，他的回覆只有一句話：

「奶奶不必了解應用程式如何部署等技術問題，因為她的 AI 助理應該知道這些。」

這句話是終局預言。未來不是讓所有人學會寫程式，而是讓 AI 成為人與系統之間的中介。使用者只需要表達意圖——「幫我訂明天去台南的車票」——AI 自動決定該調用現有的 App、還是即時生成一個客製化的解決方案。「應用程式」這個概念，可能會從使用者的認知裡消失。

從 Vibe Coding 到 Claws，Karpathy 用兩個詞畫出了一條軌跡：先是人和 AI 一起寫程式，然後是 AI 自己管理整個系統，人只負責說出自己要什麼。

問題不再是「你會不會寫程式」。問題是「你知不知道該解決什麼問題」。

而這個問題，從來就不便宜。