# Три эпохи кода: как Андрей Карпати видит будущее Software 3.0 Источник: https://www.youtube.com/watch?v=LCEmiRjPEtQ Канал: Y Combinator Опубликовано: 19.06.2025 --- Андрей Карпати утверждает, что индустрия программного обеспечения переживает самый фундаментальный сдвиг за последние 70 лет. Он выделяет три этапа эволюции: классический код (1.0), веса нейросетей (2.0) и программирование на естественном языке через промпты (3.0). ## 💻 Три поколения программного обеспечения [[JUMP:00:41]] Программное обеспечение 1.0 состоит из инструкций, которые человек пишет для компьютера на языках вроде Python или C++ [01:33]. В этой парадигме программист полностью контролирует логику каждой строки. Программное обеспечение 2.0 представляет собой веса нейронных сетей [01:46]. Разработчик не пишет код напрямую, а настраивает наборы данных и запускает оптимизатор. Индустрия уже создала аналоги инфраструктуры для этого этапа: Hugging Face стал эквивалентом GitHub для нейросетевых моделей [02:13]. Программное обеспечение 3.0 появилось с развитием больших языковых моделей (LLM), которые стали программируемыми. Теперь промпты на английском языке работают как полноценные программы [03:22]. Английский язык стал самым востребованным языком программирования в мире [04:17]. Во время работы над автопилотом в Tesla Андрей Карпати наблюдал, как нейросети постепенно вытесняли классический код [04:31]. Стек 2.0 буквально «поедал» функции, ранее написанные на C++. Нейросети взяли на себя склейку изображений с камер и временную обработку данных, что позволило удалить огромные пласты старого кода [05:24]. ## 🧠 LLM как новая операционная система [[JUMP:09:05]] LLM обладают свойствами коммунальных услуг, фабрик и операционных систем одновременно. Подобно электросетям, лаборатории вроде OpenAI или Anthropic тратят капитал на создание «сетки» интеллекта и продают доступ к ней через API с оплатой за миллион токенов [06:41]. Сходство с операционными системами (ОС) проявляется в архитектуре экосистем. Существуют закрытые проприетарные ОС (Windows, macOS) и открытая альтернатива в лице экосистемы Llama, которая напоминает Linux [09:30]. В этой модели: * LLM выполняет роль центрального процессора (CPU). * Контекстное окно служит оперативной памятью (RAM). * Модель координирует ресурсы для решения задач. Современное состояние ИИ напоминает 1960-е годы в вычислительной технике [11:02]. Вычисления слишком дороги, поэтому они централизованы в облаке. Пользователи работают с моделями через терминалы в режиме разделения времени (time-sharing) [11:28]. Персональная компьютерная революция в мире ИИ еще не наступила из-за высокой стоимости локального запуска мощных моделей. ## 👻 Психология «духов людей» [[JUMP:14:43]] Андрей Карпати описывает LLM как стохастические симуляции «человеческих духов» [14:56]. Эти симуляторы обучаются на всем массиве текстов из интернета и обретают эмерджентную психологию, похожую на человеческую. Модели обладают энциклопедическими знаниями и идеальной памятью, напоминая героя фильма «Человек дождя» [15:46]. Они легко запоминают хеши и специфические данные, недоступные человеку. При этом модели страдают от серьезных когнитивных дефицитов: * Галлюцинации и отсутствие четкой модели самопознания. * «Зубчатый интеллект»: превосходство над человеком в сложных темах при нелепых ошибках в простых задачах [16:24]. * Антероградная амнезия: веса моделей фиксированы, они не учатся на опыте в реальном времени [16:51]. Контекстное окно заменяет моделям рабочую память. Чтобы модель эффективно работала, программист должен вручную наполнять эту память актуальными данными организации или проекта. ## 🎚️ Слайдер автономности и интерфейсы [[JUMP:18:20]] Успешные ИИ-приложения, такие как Cursor или Perplexity, используют концепцию частичной автономности [18:34]. Они не пытаются полностью заменить человека, а предлагают «слайдер автономности». Пользователь сам решает, какую часть работы делегировать: от автодополнения строки до написания целого файла или анализа всего репозитория [20:33]. Ключевым элементом таких приложений становится специализированный графический интерфейс (GUI) [19:53]. Текст сложно верифицировать, но визуальные изменения (диффы) мозг считывает мгновенно. GUI позволяет человеку быстро проверять работу ИИ, выступая в роли контролера. Андрей Карпати выделяет два способа ускорения работы с ИИ: 1. Ускорение верификации через визуализацию. 2. Удержание ИИ «на поводке»: работа короткими инкрементальными итерациями [23:05]. Слишком длинные правки от ИИ (например, 10 000 строк кода) создают «бутылочное горлышко» для человека. Проверка такого объема работы занимает больше времени, чем написание кода вручную. ## ✨ Вайб-кодинг и будущее разработки [[JUMP:29:15]] Понятие «вайб-кодинг» описывает процесс создания программ, где разработчик лишь задает общее направление на английском языке [29:40]. Это снижает порог входа: теперь для создания приложения не нужно изучать синтаксис Swift или Python в течение пяти лет. Андрей Карпати привел пример собственного приложения MenuGen (menu.app), которое он создал с помощью вайб-кодинга [31:46]. Приложение фотографирует меню в ресторане и генерирует изображения блюд. Основная сложность заключалась не в коде, а в настройке инфраструктуры: авторизации, платежей и деплоя [32:41]. Инструменты разработки должны адаптироваться к новой реальности. Проблема современного веба в том, что инструкции по настройке сервисов написаны для людей. Компьютер заставляет человека кликать по кнопкам в консоли управления, хотя ИИ-агенты могли бы делать это через API [33:31]. ## 🤖 Инфраструктура для агентов [[JUMP:33:44]] Появляется новая категория потребителей цифровой информации — ИИ-агенты. Программное обеспечение должно стать удобным для них. Андрей Карпати предлагает встречать агентов «на полпути», создавая специальные форматы данных: * **llm.txt**: текстовый файл в корне домена, описывающий структуру сайта для ИИ [34:10]. * **Markdown-документация**: Stripe и Vercel уже переводят свои инструкции в формат, который легко парсится моделями [35:01]. * **Замена инструкций «кликните здесь» на команды curl**: это позволяет агентам выполнять действия напрямую [36:09]. Разработчики создают инструменты для быстрой подготовки данных. Сервис GetIngest объединяет файлы GitHub-репозитория в один текстовый блок для копирования в чат с моделью [36:48]. Проект DeepWiki анализирует репозиторий и строит базу знаний специально для ИИ [37:14]. Автономия в разработке ПО будет расти постепенно. Как и в случае с автопилотом Tesla, путь от идеального демо-ролика до полной победы агентов может занять десятилетие [27:29]. Сейчас индустрии нужны не «Железные люди-роботы», а «костюмы Железного человека», расширяющие возможности программиста [28:21].