本文作者 Andrej Karpathy 提出了“软件 2.0”（Software 2.0）的概念，指出这是一场正在发生的根本性编程范式转移。传统的“软件 1.0”是由程序员使用 Python 或 C++ 等语言编写显式指令，通过逻辑控制计算机。而“软件 2.0”则是通过定义目标（即数据集）和架构骨架，利用优化算法（如梯度下降）在程序空间中搜索出具体的代码（即神经网络的权重）。
文章详细阐述了这一转变的必然性：在图像识别、语音识别、机器翻译甚至游戏等领域，软件 2.0 已经全面超越了人类手工编码的 1.0 版本。作者列举了软件 2.0 在计算同质性、硬件嵌入便利性、运行时间恒定性、内存使用恒定性以及可移植性等方面的显著优势。同时，文章也坦诚了软件 2.0 面临的挑战，如可解释性差、对抗性攻击风险以及“静默失败”等问题。最后，作者展望了未来的软件开发生态，预言程序员的工作将从编写代码转向通过清理、维护和增强数据集来“编程”，并呼吁建立适用于软件 2.0 的新工具链（如 IDE、Github 和包管理器）。
主题一：软件 2.0 的定义与范式转移
在计算机科学的历史长河中，我们习惯于“软件 1.0”的开发模式。这是一种经典的堆栈，程序员使用 Python、C++ 等语言编写显式的计算机指令。在这种模式下，程序员的每一行代码都在精确地指示计算机如何执行特定的逻辑操作。这相当于程序员在浩瀚的“程序空间”中，通过手工编写逻辑，艰难地锚定了一个具有特定行为的点。
然而，Andrej Karpathy 提出了一个截然不同的概念——“软件 2.0”。软件 2.0 的核心在于，代码不再是由人类直接编写的。相反，它是用一种对人类极不友好、极其抽象的语言编写的，这种语言就是神经网络的“权重”（Weights）。一个典型的神经网络可能包含数百万甚至数十亿个权重，人类根本无法直接编写这些数字。
因此，编程的方法论发生了根本性的倒置。在软件 2.0 中，程序员不再编写具体的步骤，而是指定一个“目标”（Goal）。这个目标通常体现为满足一个输入输出对的数据集（例如，“正确分类这些图像”或“赢得围棋比赛”）。除了目标，程序员还需要提供一个粗略的代码骨架（即神经网络架构），这划定了一个待搜索的程序空间子集。随后，我们利用强大的计算资源，配合反向传播（Backpropagation）和随机梯度下降（SGD）等优化算法，在这个空间中自动搜索出能够解决问题的最优程序（即最优权重组合）。
如果做一个类比：在软件 1.0 中，源代码是程序员编写的 .cpp 文件，经过编译器生成二进制文件；而在软件 2.0 中，数据集（Dataset）就是源代码，神经网络架构是脚手架，而训练过程（Training）就是编译过程，最终生成的神经网络权重就是可执行的二进制文件。这种范式的转变意味着，大部分主动的“软件开发”工作实际上变成了对数据集的策划、扩充、清理和标记。
主题二：正在发生的迁移与现实案例
软件 2.0 并非未来的幻想，它正在“吞噬”软件 1.0，尤其是在那些难以用显式规则描述的复杂问题领域。文章详细列举了几个正在经历剧烈转型的领域，证明了 2.0 堆栈的优越性：
- 视觉识别（Visual Recognition）： 过去，这个领域依赖于手工设计的特征（feature engineering），最后加上一点点机器学习（如 SVM）。随着 ImageNet 等大数据集的出现，卷积神经网络（CNN）取代了手工特征。如今，甚至连网络架构的设计也开始通过搜索算法自动完成（AutoML），人类干预越来越少。
- 语音识别（Speech Recognition）： 曾经需要复杂的预处理、高斯混合模型（GMMs）和隐马尔可夫模型（HMMs）。现在，这一整套复杂的 1.0 代码几乎完全被神经网络取代。Fred Jelinek 曾戏言：“我每开除一个语言学家，语音识别系统的性能就会提高。”这生动地说明了让数据说话比硬编码语言规则更有效。
- 语音合成（Speech Synthesis）： 历史上是通过各种拼接机制实现的，而现在的 state-of-the-art 模型（如 WaveNet）是大型卷积网络，能直接输出原始音频信号，效果更加自然。
- 机器翻译与游戏： 翻译领域已从基于短语的统计技术全面转向神经机器翻译。在游戏领域，AlphaGo Zero 摒弃了人类输入的围棋定式，仅通过查看棋盘状态和自我博弈，就超越了所有人类和旧版程序。
- 数据库（Databases）： 这是一个令人惊讶的领域，传统系统正受到挑战。例如，“学习型索引结构”（Learned Index Structures）正尝试用神经网络替换核心数据管理组件（如 B-Trees），在速度上提升了 70%，同时节省了一个数量级的内存。
谷歌（Google）作为这一领域的先驱，正在将其代码库中的大量模块重写为软件 2.0 代码。这表明，对于那些可以通过重复评估来衡量性能、但算法逻辑难以显式设计的问题，软件 2.0 具有压倒性的优势。
主题三：软件 2.0 的核心优势
为什么我们要将复杂的程序迁移到软件 2.0？除了“效果更好”这一显而易见的理由外，软件 2.0 还拥有一系列让系统设计者梦寐以求的属性：
- 计算同质性（Computationally Homogeneous）： 典型的神经网络主要由两种操作组成：矩阵乘法和阈值操作（如 ReLU）。相比于指令集复杂杂乱的软件 1.0，软件 2.0 的指令集极度精简。这使得在底层硬件上进行优化和提供正确性保证变得异常简单。
- 易于嵌入芯片（Simple to bake into silicon）： 由于指令集小，设计专门运行神经网络的定制芯片（ASIC、神经形态芯片）变得非常容易。这意味着未来的低功耗智能设备将无处不在，廉价的芯片可以内置预训练的语音识别或视觉模型，成为“微型大脑”。
- 恒定的运行时间（Constant running time）： 神经网络的前向传播计算量是固定的（FLOPS 恒定）。无论输入是什么，它不会像庞大的 C++ 代码库那样因为不同的执行路径而导致运行时间波动。这对于实时系统至关重要，且永远不会陷入死循环。
- 恒定的内存使用（Constant memory use）： 同样，神经网络不涉及动态内存分配，因此不存在内存泄漏或磁盘交换（swapping）的风险，系统稳定性极高。
- 高度可移植性（Highly portable）： 一系列的矩阵乘法可以在任何支持该操作的计算配置上运行，比起复杂的二进制文件或脚本，软件 2.0 的移植性极强。
- 极高的敏捷性（Very agile）： 在软件 1.0 中，如果要求将程序速度提高两倍，可能需要重写底层逻辑。但在软件 2.0 中，你只需减少网络通道数并重新训练，就能获得一个速度翻倍但精度略降的模型。反之，如果有更多数据，只需增加通道并重训练即可提升性能。这种“性能-速度”的权衡在 2.0 中是线性的、可控的。
- 模块融合（Modules can meld）： 软件 1.0 的模块通过 API 通信。而两个软件 2.0 的模块（例如视觉库和后续决策模块）如果连接在一起，可以通过反向传播进行端到端的整体优化。这意味着你的软件可以根据具体的应用场景自动调整其底层逻辑，达到全局最优。
主题四：局限性与未来的开发生态
尽管优势巨大，软件 2.0 并非没有缺陷，它带来了一系列新的挑战，要求我们重新思考软件开发的生态系统。
局限性： 首先是可解释性（Interpretability）。训练结束后，我们得到了一个表现优异的大型网络，但很难解释它 为什么 有效。我们面临一个尴尬的选择：是使用一个我们完全理解但只有 90% 准确率的 1.0 系统，还是使用一个我们不理解但有 99% 准确率的 2.0 系统？ 其次是失败模式（Failure Modes）。软件 2.0 可能出现反直觉的错误，例如“对抗性样本”（adversarial examples），即对图像进行极其微小的修改就能欺骗网络。此外，它还可能“静默失败”，例如悄悄吸收了训练数据中的偏见，这种偏见由于权重数量巨大而难以被发现和分析。
未来的开发栈（Programming in the 2.0 Stack）： 如果我们将软件 2.0 视为一种新的编程范式，那么现有的工具链明显是缺失的。
- 程序员角色的转变： 软件 2.0 程序员的主要工作是通过数据编程。当网络在某些边缘情况（hard cases）下表现不佳时，程序员不再是修改代码逻辑，而是向数据集中添加更多这些情况的标记样本。
- IDE 2.0： 我们需要全新的集成开发环境。这种 IDE 应该专注于数据的积累、可视化、清洗和标记。例如，IDE 应该能自动高亮显示网络怀疑标记错误的样本，或者根据网络的预测不确定性，建议应该优先标记哪些数据。
- Github 2.0： 如果数据集是源代码，那么我们需要针对数据集的版本控制系统。Commits 不再是代码的修改，而是标签的添加或修正。
- 包管理器 2.0： 就像 pip 或 docker 管理二进制分发一样，我们需要一种机制来有效地共享、部署和组合预训练的神经网络模型（即软件 2.0 的二进制文件）。
Karpathy 总结道，在短期内，任何可以廉价进行重复评估且算法难以显式设计的领域，都将通过软件 2.0 实现转型。从长远来看，通用人工智能（AGI）必将由软件 2.0 编写。