九个月，一个词，一场集体觉醒

2025 年 2 月 2 日，Andrej Karpathy 在 X 上随手丢出一个词：Vibe Coding。

他描述的状态很简单——完全沉浸在氛围里，顺着感觉走，甚至忘了自己在写程序。没有严谨的定义，没有论文框架，就是两个英文字。

九个月后，柯林斯词典把它选为年度词汇。

作为对照：「云端计算」从 2006 年被提出到进入大众语汇，花了好几年。Vibe Coding 的传播速度本身就是信号——它不是在描述一个新技术，而是在替一个已经发生的集体经验命名。当一个词能以这种速度扩散，代表它触碰到了某种等待被说出口的真实。

命名大师的十年考古学

Karpathy 不只是 AI 研究者，他是这个时代最精准的术语铸造师。十年间，四个词，每一个都踩在人机关系的转折点上。

2015 年，Karpathy 在〈The Unreasonable Effectiveness of Recurrent Neural Networks〉一文里，用「hallucination」来描述语言模型生成那些看起来很合理、实则凭空捏造的网址与内容，等于替这种「AI 乱编」行为开出了一个直觉又贴切的名字。

2017 年是 Software 2.0。传统软件是人写规则让机器执行；Software 2.0 是人喂数据让机器自己学规则。这不只是技术路线的切换，而是「谁在写程序」这个根本问题的重新定义。

2025 年的 Vibe Coding 把焦点从「AI 怎么学」拉到「人怎么用」。程序设计师不再逐行审视每一段程序代码，而是跟 AI 对话、迭代、感觉对了就往前走。严谨性让位给直觉，控制让位给信任。

然后是 2026 年的 Claws。这个词指的是 AI 智能体之上的新一层：编排、调度、上下文管理、工具调用、持久化。Karpathy 用了一个很直觉的比喻——底层大模型是地里收割的小麦，智能体是磨好的面粉，而 Claws 是烤好的面包，即开即用。

Mac Mini 因为跑本地 AI 智能体的需求暴增，销量「像北美早餐店的热松饼一样火」。这不是服务器机房的事了，这是书桌上的事。

Talk is cheap → Code is cheap

2026 年 2 月 23 日，Django 框架共同创办人 Simon Willison 发布新项目 Agentic Engineering Patterns，开头就丢了一颗震撼弹：

「Writing code is cheap now.」

如果你在软件圈待过，你知道这句话在翻转什么。2000 年，Linus Torvalds 说了那句被刻在无数工程师脑子里的话：「Talk is cheap. Show me the code.」空谈廉价，给我看程序代码。这句话定义了一整个世代的工程文化——程序代码是稀缺资源，是价值的终极载体，写得出来才算数。

二十五年后，Willison 把它翻了过来。Code is cheap. Show me the talk. 程序代码廉价了，让我看你怎么描述需求、怎么做决策。

这不是修辞游戏。Google 首席工程师 Yana Dogan 说，她的团队 2025 年花了一整年建构的分布式智能体编排器，2026 年用 Claude Code 只花了一小时就完成。Vercel 技术长 Malte Ubl 靠着 Opus 4.5，在假期里完成了两个主要开源项目、开始写一本书、还修了一堆 bug——他说「没有 AI 绝对不可能完成」。

一年的工作量压缩到一小时。这不是效率的线性提升，这是成本结构的相变。

「不值得做」的事突然都值得做了

大多数人听到「AI 让写程序变便宜」，第一反应是「太好了，可以更快交付」。这个理解没错，但太浅了。

真正的革命不在让现有的工作变快，而在让「原本不值得做」的事情变得值得做。

每个开发团队都有一份隐形清单——那些被判定「投入产出比不划算」而永远排不上优先序的功能、那些「有了会很好但开发成本太高」的改善、那些「只服务少数用户所以不做」的需求。当写程序的边际成本趋近于零，这整份清单突然活了过来。

Willison 的建议很实际：每当你的本能说「不值得花时间」，先用 AI 试一下。最坏的结果是浪费几毛钱的 token，最好的结果是你发现一个原本不可能存在的机会。

但他也很诚实地补了一句：「好程序代码」依然昂贵。功能的正确性、边界条件的处理、可维护性、测试覆盖、文档品质——这些品质标准没有因为 AI 而降低。便宜的是初稿，不是成品。

台湾的知识工作者该怎么看这件事

「程序代码变便宜」的逻辑不只适用于软件开发。把「程序代码」换成任何知识工作的产出——初稿、报告、分析、设计稿——同样的成本结构改变正在发生。

写作：AI 可以快速生成初稿，但判断哪些观点值得发展、哪些段落该删掉，依然需要人。设计：AI 可以产出一百个方案，但辨别哪个方案真正解决用户问题，依然需要人。数据分析：AI 可以跑完所有模型，但决定问对的问题、质疑不合理的结论，依然需要人。

前 Uber 工程师 Gergely Orosz 把 AI 时代的核心能力整理成三项：判断力——分辨 AI 产出的好坏；战略思维——知道该做什么，而不是怎么做；领域专业知识——验证 AI 生成内容的准确性。

对台湾来说，我们有全世界最密集的科技人才，但也有大量依赖「执行力」而非「判断力」的工作岗位。当执行的成本被 AI 压到接近零，只剩判断力能创造差异化价值。这不是威胁论，但确实是一个结构性的重新校准。

奶奶不需要知道 App 的存在

有网友质疑 Karpathy 的 Claws 概念，他的回复只有一句话：

「奶奶不必了解应用程序如何部署等技术问题，因为她的 AI 助理应该知道这些。」

这句话是终局预言。未来不是让所有人学会写程序，而是让 AI 成为人与系统之间的中介。用户只需要表达意图——「帮我订明天去台南的车票」——AI 自动决定该调用现有的 App、还是即时生成一个客制化的解决方案。「应用程序」这个概念，可能会从用户的认知里消失。

从 Vibe Coding 到 Claws，Karpathy 用两个词画出了一条轨迹：先是人和 AI 一起写程序，然后是 AI 自己管理整个系统，人只负责说出自己要什么。

问题不再是「你会不会写程序」。问题是「你知不知道该解决什么问题」。

而这个问题，从来就不便宜。