Karpathy 4/30 Di Sequoia Ascent menjelaskan penjelasan AI paling berguna tahun ini, diringkas menjadi tiga poin utama. Setelah membacanya, cara pandangmu terhadap AI akan berubah.

1. AI bukan hanya "lebih cepat", melainkan paradigma baru
Selama 2 tahun terakhir semua orang berbicara tentang AI yang mempercepat segalanya.
Karpathy mengatakan ini adalah salah paham.
Berikan 3 contoh AI mendefinisikan ulang tugas:
- menugen: gambar masuk gambar keluar, tanpa kode tradisional, seluruh aplikasi diambil alih oleh LLM
- keterampilan .md: tidak menulis skrip .sh saat menginstal perangkat lunak, cukup tulis penjelasan dalam bahasa Cina/Inggris, biarkan LLM memahami lingkunganmu sendiri untuk menginstal
- basis pengetahuan LLM: hal yang tidak bisa dilakukan oleh kode tradisional—mengubah teks tidak terstruktur dalam format apa pun menjadi pengetahuan yang dapat dihitung
Kelas pertama adalah "mengurangi kode", kelas kedua adalah "menggunakan bahasa Inggris sebagai kode",
kelas ketiga adalah "kode tradisional memang tidak bisa melakukan itu".
2. Jagged Edge — Mengapa AI bisa serba bisa sekaligus bodoh
Poin inti paling utama.
Mengapa AI yang sama bisa melakukan refaktor 100.000 baris kode,
tapi juga menyarankan kamu pergi cuci mobil? Bukan karena model error.
Kata Karpathy:
"You're either on the rails of the RL circuits and flying,
or off-roading in the jungle with a machete."
Anda berada di jalur pelatihan RL dan terbang,
atau menyusuri hutan dengan golok.
Dua faktor yang menentukan tugas mana yang masuk dalam distribusi pelatihan:
verifiability (hasil dapat diverifikasi) + economics (apakah layak, frontier labs mengeluarkan uang RL)
Kompetisi matematika / pemrograman / pembuktian teorema:
tinggi verifiability + TAM tinggi → masuk ke dalam jalur → saat digunakan, kamu terbang
Kegiatan sehari-hari / bahasa sastra langka / tugas ekor panjang:
TAM rendah → tidak masuk RL → kamu berjuang di hutan dengan golok
Ini bukan narasi linear tentang "AI semakin kuat".
Ini adalah batas yang tidak merata, kamu harus tahu di mana posisi kamu.
3. Ekonomi berbasis agen
Poin terakhir: masa depan perangkat lunak akan terpecah menjadi
sensor (input) + aktuator (eksekusi) + logika (penalaran)
Lapisan logika seluruhnya berjalan di atas LLM,
sensor / aktuator menggunakan kode tradisional sebagai co-processor.
Maknanya: membuat informasi yang paling mudah dibaca oleh LLM,
adalah batasan utama dalam desain perangkat lunak selanjutnya.
---
Ketiga poin ini adalah kerangka yang saling terhubung:
Paradigma baru memungkinkanmu melihat apa yang AI bisa lakukan yang sebelumnya tidak bisa,
Jagged Edge membantumu mengenali di mana AI tidak mampu,
Agent-native menunjukkan bagaimana membungkus sisanya agar bisa diberikan ke AI.
Bukan "AI semakin kuat".
Tapi "Tugas mana yang di dalam jalur, tugas mana yang di hutan".