夜雨聆风Andrej Karpathy，前特斯拉 Autopilot 负责人、前 OpenAI 科学家，现独立研究员。他最近的一个项目是 AutoResearch，让 AI 智能体自主完成从实验设计到模型训练的全流程。近日，他做客 No Priors 播客，与主播 Sarah Guo 深度探讨了 AI 编程、智能体未来、教育变革等前沿话题。这是一场关于“人与 AI 协作边界”的思想实验。
核心要点
- • 80/20 法则的终结：Karpathy 自去年 12 月起，几乎不再手写代码，全部交给 AI 智能体。
- • AI 精神错乱期 (AI Psychosis)：面对 AI 能力的飞跃，开发者进入一种持续探索“可能性边界”的焦虑状态。
- • AutoResearch：他做了一个实验，让 AI 完全自主优化 GPT-2 模型，结果发现了一些他手动调参两年都没发现的超参数组合。
- • 模型“物种起源”：他认为未来会出现更多针对特定任务的模型“物种分化”，而非一个通用的超级模型。
- • 编程教育终结：未来学习编程不再是写代码，而是学会如何给 AI 下指令。
一、编码之死：不是渐变，是跳跃
Sarah Guo：你最近在社交媒体上非常活跃，大家都在讨论你“每天花 16 个小时给 AI 智能体下指令”。这是怎么回事？
Karpathy：这种感觉就像是...你本来以为自己在“编程”，但现在你会意识到，“编码”这个词已经不够准确了。更准确的描述是，我每天要花 16 个小时向我的 AI 智能体“表达我的意志”。
Sarah Guo：这是一种什么样的体验？
Karpathy：我称之为 “AI 精神错乱” (AI Psychosis)。自从去年 12 月开始，发生了某种质变。我以前是 80/20 法则——80% 的代码自己写，20% 交给工具。现在完全反过来了，可能 98% 都是 AI 在写。我大概从 12 月开始就没亲手敲过一行代码了。
【注：这里的“编码”指的是手敲键盘的动作，而非广义的软件构建能力。】
“你不再是那个打字员，你是那个指挥官。你要学会如何组织多个 AI 智能体，如何给它们下指令，如何验收它们的工作成果。这是一项全新的技能。”
二、智能体的“精通之道”：多线程与记忆
Sarah Guo：那么，掌握 AI 编程的正确姿势是什么？
Karpathy：关键在于提升你的行动粒度。以前你是一个功能一个功能地写，现在你是一个模块一个模块地委托。
你可以想象这样一个画面：Peter Steinberger（著名 iOS 开发者）坐在一块巨大的显示器前，10 个 Claude Code 智能体在不同的代码仓库里并行工作。如果 Prompt 给得好，每个智能体大概 20 分钟就能完成一个复杂的任务。你要做的就是像个指挥官一样，在它们之间穿梭，分配任务，审查结果。
【注：Peter Steinberger 是 1Password 的开发者，因在其著名的照片中同时运行十几个 Coding 智能体而闻名。】
Sarah Guo：听起来很美好，但也很有压力。
Karpathy：是的，最大的压力来自于算力焦虑 (Token Throughput Anxiety)。当你意识到你不再是算力的瓶颈，而真正瓶颈是你自己下达指令的速度和清晰度时，你会感到一种奇怪的紧迫感。就像以前读博士时，看到 GPU 在闲置会焦虑一样，现在则是看到 AI 的“算力余量”没被用完会焦虑。
Sarah Guo：这种焦虑怎么克服？
Karpathy：你需要给你的智能体配备更好的记忆系统。普通的上下文窗口 (Context Window) 满了会自动压缩，但如果你想让它记住项目的整体架构、你的代码风格、甚至你的个人偏好，你就需要一个更持久的记忆层。
三、Dobby the Elf：我的家庭智能体实验
Sarah Guo：你最近还做了什么有趣的事？
Karpathy：我做了一个很有趣的个人项目，我称之为 “Dobby the Elf Claw”。我给我家建了一个 AI 智能体，它能控制我家的一切。
它是怎么工作的？我只需要对它说：“找找我家里的 Sonos 音响。” 它就开始自动扫描局域网 IP 段，找到了那个没设密码的 Sonos 系统，然后反向工程了它的 API，甚至自己写了一个控制面板。现在，我只需要对它说一声“晚安模式”，它就会关掉所有的灯、调节 HVAC、拉上窗帘。
Sarah Guo：这只是智能家居的范畴。
Karpathy：不，它还有更实用的功能。我家门外有个摄像头，任何东西经过都会触发移动检测。然后它会调用一个视觉模型分析画面，判断是快递还是路人，最后给我发一条 WhatsApp 消息，上面写着：“嘿，一辆 FedEx 卡车刚停在你家门口，可能有你的快递。”
“这太不可思议了。我只用了三个 Prompt，就让一个 AI 智能体完成了发现设备、理解协议、逆向工程和最终控制的全流程。”
四、自然语言编程的连锁反应
Sarah Guo：这种“自然语言编程”的普及，会带来什么深远影响？
Karpathy：首先，我们要问一个更根本的问题：人类真的需要那么多 App 吗？
以智能家居为例，我以前要装 6 个不同的 App 来控制灯光、音响、恒温器、门锁...现在我不需要这些 App 了。我只需要一个 AI，让它直接调用底层的 API。应用层的软件正在被“碾平”，所有的交互都收敛到一个自然语言界面。
这意味着，未来软件行业的主要工作不再是写 App，而是写 API。你需要把一切能力都暴露成接口，让 AI 去编排和调用。
Sarah Guo：这对普通人意味着什么？
Karpathy：“Vibe Coding” (氛围编程) 的时代来了。未来两三年内，这种能力将变得像打字一样简单。任何 AI，甚至开源模型都能做到。它不再是极客的专属，而是一种基本技能。
五、AutoResearch：AI 如何自我进化
Sarah Guo：你最近还公开了一个项目，叫 AutoResearch，这是什么意思？
Karpathy：核心思想是：如果你想最大化 AI 的能力，你必须把自己从循环中移除。
我给它设定一个目标函数，一个评估指标，然后让它自己去跑。我把一个调参了两年的 GPT-2 模型扔给它，让它 overnight 自主优化。第二天早上它回来，告诉我它发现了一些我没看到的组合：权重衰减 (Weight Decay) 的参数没调好，学习率调度 (Learning Rate Schedule) 的 Beta 参数也不对。
Sarah Guo：你一个有着 20 年经验的研究员，被自己的 AI 超越了？
Karpathy：这就是问题的关键。当一个东西可以被客观评估的时候（比如模型Loss），AI 就能帮你优化它。任何你能定义指标的任务，AI 最终都会做得比你好。
“这不仅仅是效率的提升。这是关于如何重新组织整个研究流程。你不再是那个盯着屏幕等结果的人，你只需要安排好一切，然后‘按运行键’。”
【注：Karpathy 在 OpenAI 期间训练了 GPT-2，他一直把训练 GPT-2 的过程当作一个“算法学习”的游乐场。】
六、模型“物种起源”：分化还是大一统？
Sarah Guo：现在的大模型都在追求“通才”，但你好像在暗示另一种趋势？
Karpathy：是的，我认为未来会有更多的“物种分化”。
现在的趋势是，大家都在做一个“万能模型”，往里塞各种参数。但我相信，模型最终会像自然界一样，出现各种“专家物种”。比如一个专门做数学证明的 Lean 模型，一个专门做代码生成的 Codex 模型，一个专门做创意写作的模型。
Sarah Guo：这种分化会导致大一统模型消失吗？
Karpathy：不会。但会出现一个有趣的分工：开源模型负责覆盖 80% 的日常场景，而闭源的前沿模型负责探索 20% 的最前沿问题。
就像 Linux 和 Windows 的关系。Linux 不是最强大的，但它是整个行业的基础，因为它开放、可信、且人人可用。
七、AI 时代的教育：从教人到教 AI
Sarah Guo：最后一个话题，关于教育。你最近在推广 MicroGPT，这是要教人写代码吗？
Karpathy：MicroGPT 是我用 200 行 Python 代码实现的一个最简化的 GPT 模型。它没有使用任何现代深度学习框架，就是纯粹的矩阵乘法加一点点数学。
Sarah Guo：这不是倒退吗？
Karpathy：不，这是回归本质。当你把这些“效率优化”去掉之后，你会发现神经网络的本质其实非常简单。
但更有趣的变革在于教育的对象变了。以前我做了教程是给人看的。现在我做了教程是给 AI 看的。如果 AI 能理解 MicroGPT 的代码，它就能用自己的方式、用无限的耐心和最适合你水平的方式，把这个概念教给你。
“未来，‘教育’不再是你听老师讲课。而是你给 AI 写一份 Skill（指令清单），告诉它如何把一个复杂的概念教给一个普通人。”
结语：信号与未解之谜
值得关注的信号：
- 1. 算力即权力：未来衡量个人能力的标准可能不再是财富，而是你控制的“Token 吞吐量”。
- 2. API 经济：软件行业从“做 App”转向“搭积木”，所有能力都要暴露成接口。
- 3. 模型分层：开源负责日常，闭源负责前沿，两者形成一种新的生态平衡。
未解的问题：
- 1. 信任问题：当 AI 真的能控制你家的一切时，你真的敢把全部权限都交给它吗？
- 2. 创意边界：AI 能优化一切有“指标”的任务，但对于没有标准答案的“创意”，人类的直觉还有多少价值？
原始视频链接：No Priors Podcast - Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI[1]
播客链接：No Priors Podcast[2]
引用链接
[1] No Priors Podcast - Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI: https://www.youtube.com/watch?v=kwSVtQ7dziU
[2] No Priors Podcast: https://www.no-briers.com
