Karpathy 翻出了 40 年前的航空规范来治 AI 说废话——但他真正在说的，是”生成过剩时代你该干什么”
AI飞行客 Karpathy 翻出了 40 年前的航空规范来治 AI 说废话——但他真正在说的，是”生成过剩时代你该干什么”
Karpathy 又一次刷屏了。
这次他分享的不是什么模型技巧，而是一套 40 年前的航空写作规范——ASD-STE100。
起因很朴素：AI 真的太爱说废话了。
先说说这套规范是什么
上世纪 70 年代，欧洲航空业面临一个实际问题：维修手册要用英文写给来自不同国家、不同语言背景的技师看。这意味着手册里的每一句话，必须只能有一种理解。
于是航空业做了一件很反直觉的事——主动给英语加限制。
这套”受控英语”后来发展成 ASD-STE100。最新版包含 53 条写作规则，配套约 900 个批准使用的基础词，还有约 1200 个建议避免、但提供替代表达的词。
规则朴素得像小学生守则：
– 一句程序性指令控制在 20 个词以内 – 一句话只安排一个操作 – 尽量用主动语态，说清谁做什么 – 同一个概念，从头到尾只用同一个名字
最后一条是关键。大模型为了让语言更”丰富”，会频繁轮换同义词——同一个东西，一会儿叫”模型”，一会儿叫”网络”，一会儿叫”AI 系统”。人类读者看到第三遍就得回头确认：”等等，这是不是同一个东西？”
ASD-STE100 的思路正好相反：能叫一个名字，就一直叫这个名字。
Karpathy 发现，把这套规范丢给 LLM 之后，输出会明显更清晰易读。不过他没让模型死磕整本规范，而是给了一个更实用的阈值：做到「80% 的 ASD-STE100」。 毕竟完整版是为专业技术文档设计的，日常一板一眼全执行会显得僵硬。
但他真正想说的不是”提示词技巧”
如果这篇只写到这里，那就是又一篇”Karpathy 教你写 prompt”的爆款搬运。但往下看，会发现他给了一组递进：
1. 文字：用 ASD-STE100 约束措辞 2. 图示：与其写成字，不如让模型直接出 diagram——哪怕这张图只为你一个人看，看完就丢，生成它也是划算的 3. 网页：直接让模型输出 HTML。比如解释”学习率”，文字只能告诉你”太慢收敛慢、太快会震荡”，而网页可以直接放一个滑块——你自己拖动，看着小球实时改变下降轨迹 4. 视频：他目前最看好的形式——为任何一个主题生成定制的讲解视频，3b1b（3Blue1Brown）风格的程序化动画 + ElevenLabs 旁白
有人实测给他的任务是：”解释一下 Shazam 是怎么工作的。”然后模型生成了一段专门讲 Shazam 原理的视频。
注意第 3 条里那句话——”模型已经不只是在解释，它临时做了一个帮助你理解这件事的小工具。”
Karpathy 给这堆东西起了个名字
large, custom, discardable software artifacts——大型、定制、用完就丢的软件产物。
这七个字才是整件事的核心。
过去，做一个”解释学习率的交互网页”或者”一段 3Blue1Brown 风格的视频”，成本是多少？前端一天、动画一周、配音剪辑又要几天。所以没有人会为了”让你一个人理解一个概念”去做这件事。
现在，这个成本是几分钟。
于是 Karpathy 提出了”可丢弃软件”这个概念——当一个东西的生成成本趋近于零时，它的意义就不再是”被长期使用”，而是”解决当下这一个问题”。 用完就丢，这才是它的正常形态。
说到这里，就能接上我上一篇了
就在昨天，我写了 arXiv 单月投稿破 4 万的新闻——一篇论文的生成成本降到 0 之后，300 个志愿者要审 4 万篇稿，整个学术出版的基础设施开始渗水。
那是”生成过剩”的破坏面。
Karpathy 这篇，恰好是”生成过剩”的建设面。
同样是”生成变得免费”这件事——
– 在 arXiv，它导致的是筛选系统崩溃 – 在 Karpathy 这里，它导致的是每一个具体问题，都能临时配一个专门为它做的解释
一负一正，是同一个变量的两个方向。
别把这理解成”AI 又行了”
这里我要说点跟流量叙事不太一样的话。
网上已经有人做了对照实验：把普通回答和 ASD-STE100 版本并排比较，结论是”好像也没什么区别”。这很合理——如果你只是问一个简单问题，模型本来三五句话就说完了，再套一层规范也不会天翻地覆。
ASD-STE100 真正有效的场景是：长技术解释、多步骤操作，或者不同 Agent 之间传递的信息。内容越复杂，效果越明显。
更重要的判断藏在这句话里——
当智能和代码越来越便宜，我们已经可以为了一个非常具体的问题，临时生成过去根本不值得专门制作的东西。
注意”不值得”这三个字。这跟 Post 242（Astra 用 6 小时破解 217 年没人愿意拆的信）是同一个逻辑：过去很多事情没人做，不是因为做不到，是因为不划算。
现在划算的边界被推到了几乎为零。
那人的位置在哪
Karpathy 最后那句话，我觉得比所有技巧加起来都重要：
> 随着 LLM 越来越强，越来越多具体工作会被模型自主完成。人的工作则继续向上移动，更多变成监督、检查和理解。
这句话其实很残酷。
“生产”这件事正在快速贬值。写一段文字、画一张图、做一个解释页面、剪一段视频——这些”产物”本身，正在变成用完就丢的东西。
而没有被贬值的，是两件事：判断什么值得做，以及判断做出来的东西对不对。
有趣的是 Karpathy 紧接着说：AI 也可以帮你完成后面这件事——它可以帮你把输出变得更可理解，帮你检查、帮你监督。
所以人往上移的那一层，不是”AI 干不了所以留给你”的边角料，而是当生产材料廉价到泛滥时，唯一稀缺的东西：注意力、判断力、和把它们组织起来的能力。
给你一个立即可用的自检方法
文章里有个细节我觉得比主结论还实用。有人说：让模型随机抽取过去一周你和它的十段对话，用 ASD-STE100 逐条检查。
哪些回答当时没看懂？哪些地方产生了不必要的歧义？如果应用某一条规则，会不会更容易理解？——最后，把真正有效的那几条写进你自己的用户级配置（比如 AGENTS.md）。
这个用法的本质，不是”让 AI 说得更清楚”，而是让你主动去发现：你和 AI 之间，到底是哪里在漏信息。
三个月前已经有人把 ASD-STE100 做成了开源 Skill，还分了两档模式：Strict 适合程序步骤、工具描述、Agent 间指令这类误读成本高的内容；STE-flavored 适合 README、解释性文本这类普通场景——保留句长、主动表达、结构清晰的原则，但词汇不完全锁死。
所以别把这当成一个”新提示词技巧”来收藏。
把它当成一个信号：当所有人都在拼命生成的时候，能让别人”看懂”的人，反而会变得稀缺。