從算法到自主：AI如何重寫軟件與移動出行架構

2026年7月19日

人工智能不僅僅是開發者工具箱中的新工具，它正在重寫人與機器之間的基本契約。本文通過追溯AI的發展歷程，揭示了從軟件1.0到3.0的範式轉變，並展望了物理AI的未來。

在軟件1.0時代，工程師通過彙編、C++、Python等語言編寫明確的規則和邏輯，告訴機器如何處理所有可能的“如果-那麼”情況。這種方式對於簡單問題可靠且可預測，但受限於人類的表達能力。隨着問題複雜性的增加，如高級駕駛輔助系統（ADAS）和自動駕駛需要超過99%的準確率，手工編碼的邏輯不再有效。於是進入了軟件2.0時代，開發者不再直接編寫邏輯，而是通過標註數據和設計損失函數，讓神經網絡自行學習。這一轉變催生了深度學習領域的“寒武紀大爆發”，以AlexNet在ImageNet挑戰中的突破為標誌。

如今我們處於軟件3.0時代，界面變成了自然語言，邏輯的來源是湧現理解——模型並非針對特定任務訓練，而是跨領域泛化。開發者的角色變為架構意圖和提供精確上下文。然而，這種生成式方法（即LLM）存在幻覺等缺點。

LLM被視為一種通用技術，如同電力、互聯網和GPS一樣，具有廣泛的適用性、可擴展性，並能催生全新產業。歷史表明，每一次平台遷移都像S曲線——舊層被新層取代。微軟贏得了PC時代，谷歌贏得了網絡時代，蘋果、三星、谷歌贏得了智能手機時代，如今在生成式AI時代，Meta、Anthropic、NVIDIA、谷歌、OpenAI等公司估值飆升。隨着LLM成為基礎設施，差異化價值將轉移到應用和體驗層，包括專有數據和領域專業知識。

通用技術帶來的不僅是微小變化，而是社會轉型。電力不僅取代了油燈，還重塑了社會結構；鐵路使地理變得彈性。LLM同樣具有三大特徵：湧現推理（解決未明確訓練過的問題）、上下文學習（在推理時適應新任務）、規模化泛化（算力和數據越多，能力越強）。有趣的是，LLM顛覆了技術擴散的傳統方向：過去新技術先被政府和大型企業採用，再普及到消費者；但LLM從誕生起就通過ChatGPT等工具直接面向數十億普通用户。

儘管LLM在文本推理上表現出色，但它們通過文本描述而非直接體驗來理解世界。正如李飛飛所言：“當前的LLM掌握了抽象知識，但仍然是黑暗中的文字工匠。”這種侷限性在AI進入物理世界時成為關鍵瓶頸。下一步需要空間智能——感知三維環境、推理幾何與深度、為空間中的物體賦予語義並採取行動。在生物進化中，眼睛的出現催化了寒武紀大爆發；空間智能可能成為AI的類似轉折點。這與莫拉維克悖論一致：人類覺得容易的任務（如走路、接球）對機器來説計算量巨大，而人類覺得困難的任務（如下棋、推理）機器反而輕鬆。

物理AI通過“感知-規劃-行動”循環實現：傳感器感知環境，計算單元規劃路徑和動作，執行機構響應決策。人形機器人和自動駕駛汽車是典型代表。未來，工程師和領導者若能內化軟件3.0範式，在保障安全的前提下部署AI，並搭建語言智能與空間智能之間的橋樑，將成為下一輪轉型的締造者。

（注：本文的故事線索、見解和行文結構由作者原創，但在撰寫過程中使用了AI工具進行潤色和優化。）