Entrevista com o cofundador da OpenAI, Karpathy: LLM é um novo tipo de computador, tudo deve ser "reescrito"

Título original: Entrevista com Karpathy, cofundador da OpenAI: LLM é uma nova forma de computador, tudo precisa ser “reescrito”

Autor original:律动BlockBeats

Fonte original:

Reprodução: Mars Finance

Andrej Karpathy, cofundador da OpenAI, afirmou na sua última entrevista que os grandes modelos de linguagem estão a reinventar completamente a arquitetura computacional como uma “nova forma de computador”.

No dia 29 de abril, Andrej Karpathy, uma figura de destaque na IA que liderou o desenvolvimento do Autopilot da Tesla e tem uma posição influente na OpenAI, participou de um evento organizado pela AI Sent, onde fez uma análise aprofundada sobre a atual transição tecnológica dos agentes de IA e seu impacto profundo no ecossistema de hardware e software.

Karpathy afirmou que, desde dezembro do ano passado, começou a perceber que o fluxo de trabalho centrado em agentes já é realmente utilizável, marcando a chegada da era Software 3.0.

Ele disse: muitas pessoas ainda tinham uma impressão de IA baseada no ChatGPT no ano passado, mas é preciso reavaliar, especialmente a partir de dezembro — as coisas mudaram de forma fundamental.

Ele também apresentou um novo conceito chamado “engenharia de agentes” (agentic engineering), para diferenciar do que ele chamou de “programação de vibe” (vibe coding) no ano passado, sendo que o primeiro se refere à continuidade e aceleração dos padrões de qualidade no desenvolvimento de software profissional.

Ele afirmou abertamente que uma grande quantidade de código e aplicações existentes “não deveria existir” sob esse novo paradigma, e que os processos de recrutamento, ferramentas de desenvolvimento e infraestrutura atuais ainda são projetados para humanos, não para agentes.

O amanhecer do Software 3.0: a transferência de poder na arquitetura computacional fundamental

A indústria de tecnologia está em uma encruzilhada de uma mudança de quantidade para qualidade.

Dezembro do ano passado foi um ponto de inflexão crucial, e Karpathy admitiu que, diante dos modelos de IA mais recentes, passou por uma profunda surpresa:

Os blocos de código gerados pelo sistema estão cada vez mais perfeitos, e eu nem me lembro da última vez que os modifiquei. Confio cada vez mais nesse sistema… (isso me fez) sentir-me mais atrasado do que nunca como programador.

Esse impacto representa uma revolução completa na paradigma de cálculo. Para Karpathy, o mercado atualmente subestima a profundidade dessa mudança.

Ele apontou que estamos nos despedindo do “software 1.0 (escrever código)” e do “software 2.0 (organizar conjuntos de dados para treinar redes neurais)”, entrando oficialmente na era “software 3.0”.

Neste novo período, os grandes modelos de linguagem são eles próprios uma “nova forma de computador”.

Ele afirmou: sua programação agora consiste em escrever prompts, e o conteúdo dentro da janela de contexto é a alavanca que você usa para manipular esse grande modelo de linguagem como interpretador, permitindo que ele execute cálculos no espaço de informações digitais.

Ainda mais impressionante, é sua previsão audaciosa sobre a evolução futura da arquitetura de hardware fundamental.

Atualmente, as redes neurais ainda operam virtualmente em computadores existentes, mas ele acredita que essa relação de dependência se inverterá no futuro: podemos imaginar que as redes neurais se tornarão o processo principal, enquanto a CPU se transformará em algum tipo de co-processador. As redes neurais assumirão a maior parte do trabalho pesado.

Isso significa que o “poder de cálculo inteligente”, que lidera os gastos de capital de todo o mercado, consolidará ainda mais sua posição estratégica no futuro.

Próxima geração de infraestrutura: reconstruir o ecossistema “nativo de agentes”

Quando a execução e a codificação forem assumidas por máquinas, qual será o destino dos valores centrais humanos e da futura forma de infraestrutura?

Karpathy afirmou claramente: tudo precisa ser reescrito.

Atualmente, a documentação de vários frameworks e bibliotecas da internet ainda é “escrita para humanos”, o que o incomoda profundamente.

Karpathy reclamou: por que ainda tenho que me dizer o que fazer? Eu não quero fazer nada. Devo copiar e colar algum texto para o meu agente de IA?

A grande oportunidade de mercado no futuro está na construção de uma infraestrutura “prioritariamente de agentes”.

Nesse mundo, o sistema será dividido em “sensores” que percebem o mundo e “atuadores” que transformam o mundo, com estruturas de dados altamente legíveis para os grandes modelos de linguagem, e agentes de máquina representando indivíduos e organizações interagindo na nuvem.

Em um futuro altamente automatizado assim, a escassez central do ser humano retornará à estética, julgamento e à compreensão empresarial mais profunda.

Karpathy citou uma frase que ele repete refletindo como uma conclusão: você pode terceirizar seu pensamento, mas não pode terceirizar sua compreensão.

Engenharia de agentes: uma explosão de produtividade muito além de “10 vezes um engenheiro”

No que diz respeito ao aspecto mais importante para aumentar a produtividade, Karpathy diferencia dois conceitos centrais: “programação de vibe” e “engenharia de agentes”.

Ele aponta que “programação de vibe” eleva o limite inferior do desenvolvimento de software por toda a equipe, enquanto “engenharia de agentes” visa manter o limite superior da qualidade do software profissional.

“Engenharia de agentes” não é apenas uma aceleração, ela exige que os desenvolvedores coordenem esses “agentes de IA que são um pouco propensos a erros, com alguma aleatoriedade, mas extremamente poderosos”, avançando em alta velocidade sem sacrificar a qualidade.

Isso também ampliará enormemente o espaço de possibilidades para a produção empresarial.

Karpathy afirmou: “As pessoas costumavam falar de engenheiros 10 vezes melhores”, mas 10 vezes já não é suficiente para descrever a velocidade de avanço que você consegue. Na minha opinião, aqueles que se destacam nesse campo podem alcançar uma produção muito superior a 10 vezes.

Diante dessa explosão de produtividade, a estrutura organizacional e a lógica de seleção de talentos das empresas precisarão ser reestruturadas.

Ele sugeriu que as empresas abandonem as tradicionais entrevistas de resolução de problemas com algoritmos, passando a avaliar como os candidatos utilizam múltiplos agentes de IA para colaborar na construção de grandes projetos, além de resistir a ataques de outros agentes de IA.

Ponto de impulso para a implementação comercial de IA

Para empreendedores e investidores que buscam urgentemente aplicar IA em cenários reais, Karpathy oferece uma estrutura de avaliação altamente prática: verificabilidade.

Atualmente, as capacidades de IA apresentam uma espécie de “dente de serra” extremamente estranha.

Ele exemplificou: os modelos mais avançados hoje podem reconstruir simultaneamente 100 mil linhas de código ou procurar vulnerabilidades zero-day, mas ao mesmo tempo me dizem para ir lavar o carro a 50 metros de distância, o que é simplesmente louco.

A causa dessa disparidade está no fato de que laboratórios de ponta (como OpenAI) investem recursos massivos de aprendizado por reforço em áreas onde os resultados são facilmente verificáveis, como “matemática” e “código”.

Portanto, enquanto estiverem inseridos em cenários comerciais cujos resultados podem ser verificados, a IA pode exercer um impacto enorme.

Karpathy sugeriu que ainda há muitos ambientes de aprendizado por reforço altamente valiosos, mas que ainda não receberam atenção suficiente dos principais laboratórios, e esses representam um enorme oceano azul para startups que desejam fazer ajustes finos (fine-tuning) e monetizar suas aplicações.