先講一件可能會嚇到一些朋友的事：我大學念資工，畢業後一行 production code 都沒寫過。但這兩年，我做了那個數位的官網、寫了 5 個 Mac 桌面工具——Elgato Mirror、iPhone Mirror、WiFiScope、MacPrism、Mkdown——還順手自架了課程預約系統。全部都是 vibe coding 寫的，沒有任何一個函式是我親手打字的。
上週 Andrej Karpathy 在 AI Ascent 2026 那場演講丟出一句被瘋傳的話：「我從未像現在這樣感到落後（I've never felt more behind）。」這句話被很多媒體拿去做標題、做焦慮行銷。但我看完整場後的反應剛好相反——我從未像現在這樣，感到自己這麼接近「能做出東西」。
同一場演講、同一句話，對 OpenAI 創始成員聽起來是「我在被追上」，對我這種非典型工程師聽起來是「我終於追上了」。這篇就用我自己這兩年 ship 東西的實戰經驗，把 Karpathy 的幾個核心觀點重新講一次。
觀點 1軟體 1.0 → 2.0 → 3.0：我這種人終於進場了
Karpathy 把軟體史切成三段——很簡潔，但對非工程師背景的人來說，這個分法解釋了「為什麼以前我做不到，現在可以」：
- 軟體 1.0：人類寫程式碼。會寫 C++、Java、Python 的人才能做東西。
- 軟體 2.0：神經網絡訓練。會調 PyTorch、會 fine-tune 的研究員才能做東西。
- 軟體 3.0：自然語言交互開發。會講清楚自己想要什麼的人就能做東西。
1.0 跟 2.0 時代，我這種人只能當需求方——畫 wireframe、寫 PRD、然後等工程師排程。常常等到產品做出來，市場機會已經過了。3.0 時代，需求方跟執行者中間那條線被擦掉了。我有想法、晚上開 Claude Code、隔天早上 demo 給朋友看——這個循環從「兩個月」壓縮到「兩個晚上」。
我蓋那個數位官網的過程就是個活例子。整個專案從 0 到上線大約一週，期間我沒寫過任何一行 HTML、CSS、JavaScript。我做的事就是跟 Claude Code 講「我想要這頁長什麼樣、這段文案改成這樣、這個 nav 加學員專區」。它寫、我看、不對就回報，對了就部署。詳細過程我寫過那篇蓋官網實錄。
觀點 2人類的角色變了：從「打字員」變成「編輯」
Karpathy 在演講裡強調的反轉很關鍵：過去人類負責邏輯與執行，現在人類負責「定義問題 + 編排系統」，AI 負責執行。這句話聽起來抽象，我給一個我自己的例子。
去年我做 Elgato Mirror 那次，整個專案我給 Claude Code 的初始 prompt 大概兩句話：「我要把任一螢幕翻成鏡像投到另一螢幕，給題詞機用。要原生 macOS app、輕量、不要 Electron。」就這樣。剩下的事——選 ScreenCaptureKit 還是 CGDisplayStream、用 Swift 還是 Objective-C、權限怎麼要、選單列怎麼處理——它自己決定、自己寫、自己除錯。
我在這個專案的角色只有三件：定義問題、回報 bug、決定要不要 ship。我看不懂它寫的 Swift（我大學學的是 C），但我看得懂它跑起來對不對、看得懂使用情境是否真的成立。這就是 Karpathy 講的「編排系統」——你不需要會敲鍵盤生成那一行 code，但你需要看得懂這個系統要長什麼樣。
AI 不是讓我變成工程師。
是讓我終於可以做「我一直想做、但從來不會做」的東西。
觀點 3但 AI 不是萬能：Karpathy 講的「鋸齒化」我天天遇到
Karpathy 用了一個很精準的詞形容 AI 的能力曲線——jagged（鋸齒化）。意思是 AI 在某些任務上聰明到嚇人，在另一些任務上卻會犯弱智錯誤。同一個模型、同一個 prompt、不同時間給你的答案落差很大。
他還補了一句我特別認同的話：對 AI 生氣、沮喪、情緒化沒有任何幫助。要用「可驗證性」管理它的行為。這件事對 vibe coding 的人來說是日常。我寫 Mac apps 的時候，常常遇到「同一個功能它今天寫得超乾淨、明天寫得亂七八糟」——這時候罵它沒用、再問一次也沒用，唯一的解是把架構寫死。
具體做法很簡單：每個專案根目錄都放一份 CLAUDE.md（Codex 用 AGENTS.md），把命名規則、檔案結構、絕對不要做的事全部列清楚，每次新 session 都讓 AI 先讀。第二招是每次 Git diff 一定要逐行 review——不一定看得懂每一行，但看得懂「它有沒有改到不該改的地方」。第三招是小步驟 ship，一次只丟一個功能，壞了好回滾。
對 AI 情緒化沒有用。可驗證的工序才有用。—— 改寫自 Andrej Karpathy, AI Ascent 2026
這三招組合起來，就是 Karpathy 在演講裡反覆強調的「可驗證性」。它不需要工程背景——需要的是耐心，跟願意承認「我不能完全信任 AI 的輸出，但我可以建一套機制去驗證它」的成熟度。
觀點 4智能體 + 可驗證性 = 普通人的競爭力
Karpathy 在演講最後段花很多時間講 Agent。他的判斷是：未來的軟體不再是一段段被人類執行的指令，而是由智能體自主串起來的系統。這對非工程師其實是好消息——因為「會用一個 Agent」比「會寫一個 function」門檻低多了。
但我這一年在企業端教 AI 的觀察是：真正卡住大家的不是「會不會用 AI」，是「敢不敢相信 AI 的輸出」。很多老闆、主管、企業內訓學員，工具學得很快，但要他們真的把一份工作交給 AI、然後簽名負責——他們不敢。
解這個問題的鑰匙就是「可驗證流程」：自動化測試、雙人 review、小步驟 ship、output 留 log。一旦有了這些護欄，非工程師也敢駕馭 AI。我之前去南澳偏鄉小學帶師培（寫成這篇紀錄），最關鍵的 mindset shift 不是教他們寫 prompt——是讓老師親眼看到「AI 一個晚上生 480 堂教案、而且每一堂都可以打開、可以改、可以印出來用」。看過一次「AI 完成一整件事」的人，就回不去了。
觀點 5從「會寫代碼」到「會編排」：競爭焦點變了
Karpathy 整場演講最有殺傷力的一段：競爭從「你能寫多少代碼」變成「你能多快整合 AI 解決真實痛點」。換句話說，技能門檻在塌、品味門檻在升。會用 AI 不再是技能（YouTube 上一堆教學），定義對的問題才是。
這件事對我這種非典型工程師反而是利多。我這兩年做的那幾個 Mac 工具，技術上沒有任何一個是創新的——ScreenCaptureKit、Wi-Fi scanning、Markdown rendering，都是現成 API。我的優勢只有一個：我每天用題詞機錄影、所以我知道現有題詞機軟體哪裡爛、所以我知道要做什麼。Claude Code 把「實作」這個瓶頸拆掉之後，剩下的就是誰看得到問題、誰願意動手。
寫給跟兩年前的我一樣的人
我大學念資工，但我認真寫程式是從 Claude Code 出來之後才開始的。中間隔了快十年——我做過編輯、做過科普媒體、做過企業內訓，繞了一大圈才回到「自己做東西」這件事。
如果你跟我一樣，腦子裡有十個想做的工具、五個想開的服務、三個想驗證的 idea，但因為「我不會寫 code」就停在那裡——2026 年是你動手的最後藉口了。Karpathy 那句「我從未像現在這樣感到落後」，對我們這群人應該翻譯成另一個版本：「我從未像現在這樣，感到自己這麼接近能做出東西。」
不需要先去補一年的程式課、不需要先學完整套 React、不需要先弄懂什麼是 git rebase。打開 Claude Code、講清楚你想做什麼、然後一行一行看它做出來——一週後你會發現你 ship 出了一個真的能用的東西。這件事我用我自家 5 個 Mac apps 跟一個官網親自驗證過了。
資料來源：本文觀點改寫自 Andrej Karpathy 於 AI Ascent 2026 的演講（YouTube：https://www.youtube.com/watch?v=2feT7_pjxA8），內文延伸與案例為 AJ 個人 vibe coding 實戰經驗，包含官網與 5 款 Mac 桌面工具（Elgato Mirror、iPhone Mirror、WiFiScope、MacPrism、Mkdown）。