「沒人想要智慧本身」——DSPy 創建者談 AI 的下一步不是 AGI，而是可程式化智慧

本文整理自 The a16z Show 於 2026 年 1 月播出的 Podcast 單集，由 a16z 合夥人 Martin Casado 主持，專訪 MIT 助理教授、DSPy 創建者 Omar Khattab。

為什麼臺灣讀者該認識這個人

Omar Khattab 可能不是臺灣科技圈最熟悉的名字，但他的研究直接關係到一個臺灣企業正在面對的問題：如何把 AI 從「展示用的玩具」變成「真正能用的系統」。

臺灣有強大的硬體製造能力，但在 AI 應用層面，多數企業還在摸索。很多團隊花了大量時間調整 prompt，卻發現模型一更新就要重來。Khattab 的研究提供了一個更有系統的思考框架——不是教你怎麼寫更好的 prompt，而是教你怎麼設計一個不會因為模型更新就壞掉的系統。

這對於正在導入 AI 的臺灣企業來說，是非常實用的觀點。

一句話點破 AGI 迷思

「沒人想要智慧本身。他們想要的是別的東西，而那個東西總是更具體的。」

Omar Khattab 這句話，直接挑戰了當前 AI 產業對 AGI（通用人工智慧）的執念。他認為，與其追求一個無所不能的「上帝模型」，不如專注於建構「可程式化智慧」（Artificial Programmable Intelligence, API）。

這不是文字遊戲。Khattab 指出，當前 AI 發展的核心問題不在於模型能力不足，而在於我們缺乏有效的方式來表達意圖。自然語言太模糊，程式碼又太死板——我們需要一個新的抽象層。

DSPy 是什麼？為什麼重要？

在解釋 DSPy 之前，先用一個生活譬喻。

想像你開了一家餐廳，需要跟廚師溝通菜單。傳統的 prompt engineering 就像是每次都要跟廚師說：「我要一道菜，用雞肉，不要太辣，口感要嫩，擺盤要漂亮，對了上次那個醬汁不錯可以再用……」每換一個廚師，你就要重新摸索他的習慣，重新調整你的說法。

DSPy 的做法不同。它像是設計一份標準化的點菜單：主食欄位、調味偏好欄位、擺盤風格欄位。你只要填好這份單子，不管換哪個廚師，他都能照著做出你要的菜。廚師的技術可能不同，但你的需求規格是穩定的。

這就是 DSPy 的核心價值：把你的意圖（要什麼）和實作細節（怎麼做）分開。

從 Prompt Engineering 到系統思維

Khattab 在 2019 年開始攻讀史丹佛博士時，「基礎模型」這個詞甚至還沒被創造出來。他花了整個博士生涯研究一個問題：如何讓這些模型真正可用？

他的答案是 DSPy——一個已經發展三年的開源框架，目前是 GitHub 上最受歡迎的 LLM 程式設計框架之一。它的核心概念異常簡單：把模糊性隔離到函數中。

傳統的 prompt engineering 本質上是在猜測「怎麼說話模型才會聽懂」。但模型一直在變，而你想做的事情變化相對慢。DSPy 試圖捕捉你的「純粹意圖」，讓這個意圖與具體的模型實作解耦。

DSPy 的核心抽象是「signature」（簽名）——一個描述函數輸入輸出的正式結構，但內容是用自然語言描述的。Khattab 說：「這就是 prompt 長大後想成為的樣子——一個更乾淨的 prompt。」

意圖的三個不可化約部分

Khattab 提出一個重要觀點：完整表達意圖需要三種形式，缺一不可：

1. 程式碼：有些東西就是要用程式碼表達，沒有任何自動化能取代
2. 自然語言：沒有人想從頭用 Python 描述一個複雜的 AI 系統
3. 資料/強化學習視角：某些問題需要用輸入分佈和判斷標準來定義

這解釋了為什麼很多人誤用 DSPy——他們試圖用過於簡化的程式搭配大量資料來「蒸餾」意圖，但這是錯誤的做法。如果你知道自己要什麼，沒有任何東西比直接說出來更好。資料優化只是用來處理邊緣案例，不是主要的意圖表達方式。

從 Assembly 到 C 的類比

Khattab 用程式語言的演進來類比 AI 工程的發展：

當年從組合語言跳到 C 語言，不是因為 C 跑得比較快（其實通常更慢）。人們選擇 C 是因為它更接近人類思考的方式，更容易維護、更具可攜性。同樣的道理適用於 DSPy：你願意犧牲一些效能，換取更好的抽象層級。

關鍵在於編譯器生態系統。人們建構了各種優化演算法，在不改變高階程式碼的情況下提升效能。DSPy 的願景也是如此：讓優化器（optimizer）持續進化，但讓使用者的程式碼盡可能保持不變。

系統才是重點，不是模型

當主持人 Martin Casado 問到：未來人類還需要正式宣告意圖嗎？還是這一切都會變成 Agent 的內部運作？

Khattab 的回答很有意思：「這就像問我家裡有椅子，難道我希望它們都變成桌子嗎？我兩個都需要。」

有時候你需要跟機器正式溝通（DSPy 的用途），有時候你只是想聊天（chatbot 的用途）。這是兩種不同的解決方案，面對不同的問題。

但無論哪種情況，當你想要建構可重複、可維護的複雜系統時，你就需要結構。Khattab 說：「人類的處境是，我們會想要越來越複雜的東西。而要以可重複的方式建構這些複雜的東西，你就得建構系統。」

我的觀察

一、DSPy 的實務意義：解耦「意圖」與「實作」

目前多數開發者還停留在 prompt engineering 的思維——花大量時間調整措辭，祈禱模型能「理解」我們的意思。但這種做法有個根本問題：模型會更新，你的 prompt 可能就失效了。

DSPy 的 signature 概念提供了一個解法：把「我要什麼」跟「模型怎麼做」分開。對於需要長期維護 AI 應用的團隊來說，這是一個關鍵的架構思維轉變。你的意圖應該是穩定的，而實作細節（包括 prompt 怎麼寫、用哪個模型）應該是可替換的。

二、「沒人想要智慧本身」：AI Agent 熱潮的反思

這句話精準點出了當前 AI 產業的一個盲點：大家都在追 AGI，但使用者真正要的是「能解決特定問題的系統」。

回頭看現在的 AI Agent 熱潮，很多產品華而不實。它們展示了模型的「智慧」，卻沒有解決具體問題。為什麼？因為它們缺乏系統思維——沒有好好設計輸入輸出、沒有處理邊緣案例、沒有考慮如何與現有工作流程整合。

智慧是便宜的，規格說明才是困難的。這句話值得每個做 AI 產品的人深思。

三、抽象層會演進，但系統設計永遠重要

Omar Khattab 用「Assembly → C」來類比 AI 工程的抽象層演進。這個類比可以延伸：Anthropic 推出的 Skills 與 CLAUDE.md 這類以 Markdown 自然語言描述為基礎的文件，本質上也是在做同樣的事——增加一層更容易讓人類溝通理解的抽象層。

但無論抽象層怎麼演進，核心始終不變。這讓我想起孔祥重院士在台大的演講中強調的：AI 時代最稀缺的能力是「系統設計」——決定要做什麼系統、怎麼設計系統。

Omar Khattab 談的「可程式化智慧」，與孔祥重強調的「系統設計」，其實是同一件事的兩種表述。模型會越來越強，抽象層會越來越高，但「決定要解決什麼問題、如何拆解問題、如何設計系統」這件事，永遠需要人來做。

這或許才是 AI 時代真正值得投資的能力。