AI让人精神错乱

上个月收藏的AK大神（ Andre Karpathy）的访谈播客，这个月终于连听带看完了，感觉被戳中了接触AI后的，我的真实状态，记录一下。

这位前特斯拉 AI 总监、OpenAI 创始成员，用“AI Psychosis”（AI 精神病）这个词描述了自己的状态——每天 16 小时不是在写代码，而是在“向 AI 代理表达意愿”。他说自己处于一种持续的焦虑中，生怕错过什么，生怕自己没有充分利用订阅的 token 额度。

这不是技术狂人的自嘲，而是整个行业正在经历的范式转变的真实写照。

一个被忽视的转折点：2024 年 12 月

Karpathy 在访谈中反复提到一个时间点：2024 年 12 月。

“那时候真的发生了翻转，我从 80% 自己写代码、20% 委托给 AI，变成了 20% 自己写、80% 委托。实际上现在可能连 20% 都不到。我基本上从 12 月开始就没再敲过一行代码。”

这个转变有多剧烈？他用了一个比喻：如果你随机找一个软件工程师，看看他们的工作方式，会发现从 12 月开始，默认的软件开发工作流已经完全不同了。

但大多数普通人——包括 Karpathy 的父母——根本没有意识到这件事的发生，或者说没有意识到它有多么戏剧性。

这让我想起了另一个被低估的转折点：2007 年 1 月，乔布斯发布第一代 iPhone。当时很多人觉得那只是一个“能打电话的 iPod”，直到几年后回头看，才发现那是移动互联网时代的起点。

而 2024 年 12 月，可能就是“AI 原生工作方式”的 iPhone 时刻。

瓶颈的转移：从算力到人

Karpathy 提到了一个有趣的现象：他读博士时，如果 GPU 没有满负荷运行，他会感到焦虑。现在，如果订阅的 token 额度没用完，他同样焦虑。

“现在不是 flops 的问题，而是 tokens 的问题。你的 token 吞吐量是多少？你能指挥多少 token？”

这句话背后，是一个深刻的转变：在过去至少 10 年里，工程师们并不觉得自己受限于算力。但现在，随着 AI 能力的跃升，他们突然发现——瓶颈又回来了，只不过这次瓶颈是他们自己。

“这非常赋能，因为这意味着你可以变得更好。这就是为什么我觉得它如此上瘾——当你变得更好时，就会解锁新的能力。”

这种感觉，就像是一个习惯了步行的人，突然获得了一辆跑车。问题不再是车的性能，而是你的驾驶技术。

但这也带来了新的焦虑：当你不再受限于工具，而是受限于自己时，你会发现自己永远不够好。

“Peter Steinberg 式工作法”：多代理并行的艺术

Karpathy 提到了一个人：Peter Steinberg,OpenClaw 的创始人。

Peter 有一张著名的照片：显示器上同时运行着多个 Codex 代理，每个都需要大约 20 分钟来完成任务。他同时检出了 10 个代码仓库，在它们之间切换，给每个代理分配工作。

“这不再是‘这里有一行代码，这里有一个新函数’的级别。而是‘这里有一个新功能，委托给代理 1；这里有另一个不会互相干扰的功能，委托给代理 2’，然后尽可能审查他们的工作。”

这种工作方式的本质，是从微观操作（写代码）转向宏观操作（编排任务）。就像从手工制作零件，转向管理生产线。

但 Karpathy 也承认，这需要全新的技能：

“这是全新的需要学习的东西。所以这就是为什么会产生‘精神病’——因为这基本上是无限的，而且一切都是技能问题。”

一切都是技能问题——这句话既令人兴奋，又令人恐惧。它意味着没有天花板，但也意味着没有借口。

家庭管家“Dobby”：AI 的另一种可能

在讨论代码之外，Karpathy 分享了一个有趣的实验：他用 AI 创建了一个名为“Dobby”的家庭管家。

过程出乎意料地简单：他只是告诉 AI“我家里好像有 Sonos 音响，你能找到它吗？”AI 就自动扫描了局域网，找到了 Sonos 系统，逆向工程了 API，然后问他“要不要试试在书房播放音乐？”

音乐响起的那一刻，Karpathy 说：“我简直不敢相信，我只是输入了‘你能找到我的 Sonos 吗？’，然后它就开始播放音乐了。”

现在，Dobby 控制着他家里的所有灯光、空调、窗帘、泳池、水疗设备和安防系统。当有人来访时，门口的摄像头会通过视觉模型识别，然后 Dobby 会给他发 WhatsApp 消息：“嘿，FedEx 的卡车刚到，你可能有包裹。”

最关键的是：他以前需要 6 个不同的 App 来控制这些设备，现在全部通过自然语言和 Dobby 对话就够了。

这个案例揭示了一个被忽视的真相：我们真的需要那么多 App 吗？还是说，硬件应该只提供 API，而 AI 代理成为统一的交互界面？

Karpathy 认为：“从某种意义上说，App Store 里那些用于智能家居设备的应用，根本就不应该存在。应该只有 API，代理直接使用它们。”

软件的终结？

这个观点引出了一个更激进的问题：软件行业是否需要重构？

Karpathy 的答案是肯定的：“行业必须在很多方面重新配置。客户不再是人类，而是代表人类行事的 AI 代理。这种重构将是巨大的。”

想象一下：

• 不再有复杂的用户界面

• 不再有需要学习的操作流程

• 不再有各种独立的 App

• 只有 API 端点和 AI 代理

这听起来像科幻，但 Karpathy 说：“也许一两年后，我刚才说的这些就是免费的、理所当然的。任何 AI，甚至开源模型，都能做到这些。你应该能够非常轻松地将非技术人员的意图转化为实现。”

自动研究：当 AI 开始优化 AI

访谈中最令人震撼的部分，是 Karpathy 的“Auto Research”项目。

他有一个训练 GPT-2 模型的项目，作为研究 LLM 递归自我改进的“游乐场”。他花了两年时间手动调优超参数，自认为已经调得相当好了。

然后他让 Auto Research 运行了一夜。

第二天早上，它找到了他没发现的优化方案：“我确实忘记了值嵌入的权重衰减，我的 Adam beta 参数也没有充分调优，而且这些东西会相互影响——一旦你调整了一个，其他的也可能需要改变。”

一个有 20 年经验的 AI 研究者，被 AI 在一夜之间超越了。

Karpathy 的反应不是沮丧，而是兴奋：“我不应该成为瓶颈。我不应该运行这些超参数搜索优化，不应该查看结果。在这种情况下有客观标准，所以你只需要安排好，让它永远运行下去。”

这就是他所说的“杠杆”：投入极少的 tokens，产生巨大的产出。而研究者的角色，从执行者变成了架构师——设计自主运行的系统，然后退出循环。

未来的研究者：从执行到编排

Karpathy 对未来 AI 研究的愿景，听起来像是对整个科研体系的重构：

“研究者有太多不该有的自信。他们不应该真正触碰这些东西。他们可以贡献想法，但不应该实际执行这些想法。应该有一个想法队列，也许有一个自动化科学家基于 arXiv 论文和 GitHub 仓库提出想法，研究者也可以贡献想法，但执行应该是自动化的。”

在小模型上进行大量自动化实验，然后外推到大模型——这就是前沿实验室正在做的事情。而 Karpathy 认为，这个过程应该完全自主化。

“如果你看看前沿实验室，他们有数万 GPU 的集群。很容易想象如何在小模型上实现大量自动化。”

这意味着什么？意味着 AI 研究本身正在被 AI 接管。

写在最后：我们准备好了吗？

读完整个访谈，我脑海中浮现的是 Karpathy 说的那句话：

“这就像无限的，而且一切都是技能问题。”

这是一个没有天花板的时代，但也是一个充满焦虑的时代。当工具不再是瓶颈，当算力不再是限制，当唯一的约束是你自己的能力时——你会发现，这既是最好的时代，也是最让人不安的时代。

Karpathy 的“AI 精神病”不是病态，而是一种适应新范式的过程。就像工业革命时期，第一批进入工厂的工人需要适应机器的节奏；就像互联网时代，第一批网民需要学会新的信息获取方式。

现在，我们正在经历的，是从“人使用工具”到“人编排 AI 代理”的转变。

这个转变才刚刚开始。2024 年 12 月只是起点，不是终点。

而那些能够最快适应这种新工作方式的人——那些愿意让自己陷入“AI 精神病”的人——将会是下一个时代的先行者。

问题只有一个：你准备好了吗？

关于 Ai4Sensor

我们关注 AI 技术的深层变革，不仅仅是表面的产品发布和功能更新，更关注这些技术如何重塑我们的工作方式、思维方式和生活方式。

如果你也对 AI 的本质变化感兴趣，欢迎关注我们，一起探索这个正在展开的未来。