夜雨聆风一段抖动模糊的手机视频，从2026年7月4日晚开始在X上到处刷屏。
镜头挤在一间客厅里，几个人围着茶几上的一块屏幕，一个穿白T恤的男人拿着话筒讲得起劲。画面糊，声音也糊。唯一清楚的，是配文打头亮出的那句断言，署名「Anthropic工程师Andrej Karpathy」：
"The biggest mistake in AI right now - people are forcing agents to work instead of mastering the model first."
「现在AI领域最大的错误，人们在逼着agent工作，却没有先把底层模型摸透。」
紧跟着，是一句分量更重的自曝：
"We made that mistake in 2016 at OpenAI - it cost us 5 years."
「我们在2016年的OpenAI就犯过这个错误，它让我们白白搭进去5年时间。」
一个前沿实验室的工程师，当众承认老东家在方向上栽了整整五年。这话从Karpathy嘴里传出来，分量自然不轻，他是OpenAI最早一批创始成员，如今又效力于另一家顶级实验室。
配文继续往深处拆：先别逼agent干所有事，把底层模型的脾气摸清楚；demo做起来容易，产品却要磨十年，自动驾驶已经证明过一回，谁跳过基础谁就会在规模化那一刻塌下去；agent从来算不上产品，基础才是，基础打牢了，agent自己就会冒出来。
结尾还甩下一句挑衅：「你们这些正在做agent的人才是前沿，跟OpenAI没关系，跟DeepMind也没关系，就是你们。」
最后附一句耐人寻味的召唤：先收藏，再去看下面那篇文章。
▲ @0xCodila发布的视频截图，103.8万次查看，4296个赞，428次转推，9254次收藏。配文署名"Anthropic工程师Andrej Karpathy"。
同一段文案，两个账号，播放量差了740倍
奇怪的地方，就在这里冒出来。
几乎一字不差的同一段文案，同一段视频，被两个互不相干的账号先后发出来。@0xCodila在7月4日发布，103.8万次查看；@manishamishra24在7月5日发布，只有1400次查看。播放量相差超过700倍。
两条推文的结尾都一模一样：先收藏，再去看下方文章。
这看起来不像巧合式的转发，倒像是一套引流剧本，找一段真假难辨的名人语录，剪成几十秒的钩子，最后统一导向同一篇长文。热度高的那条负责把人吸引进来，热度低的那条负责在推荐算法里多占一个坑位。
▲ 给定信源@manishamishra24的同款文案，1400次查看，14个赞，评论区只有寥寥数条。
评论区里已经有人看出端倪。有人反问这段视频到底是什么时候、在哪里录的；也有人干脆甩出一句判断，"engagement farming doesn't do nuance"（「刷互动的账号从来不管细节」）。
这段话，真的出自Karpathy之口吗
要判断一句转述是真是假，先得确认转述对象的身份对不对。
视频文案给Karpathy贴的标签是"Anthropic工程师"。查证下来，这个身份站得住，2026年5月19日，Karpathy在X上亲口宣布加入Anthropic：
"I've joined Anthropic. I think the next few years at the frontier of LLMs will be especially formative. I am very excited to join the team here and get back to R&D."
「我已经加入Anthropic。我认为接下来几年会是LLM前沿最关键的几年。我很期待重新回到研发一线。」
TechCrunch在同一天跟进报道，标题写明他加入的是Anthropic的预训练团队（pre-training team），文中还提到他此前是OpenAI联合创始人，又在特斯拉带过多年AI团队。
▲ TechCrunch于2026年5月19日的报道，确认Karpathy加入Anthropic预训练团队。
身份对上了。但视频里那句完整的引语，2016年、5年、三步拆解，目前找不到一份完整的公开录像或逐字记录。能确认的，只是标签没有造假：这人现在确实在Anthropic干活。
独立信源摆出了同一件事，细节却更冷更狠
真正让这条转述立住脚的，是一份和这两条推文毫无关联的报道。
财经媒体BigGo Finance在2026年7月5日发了一篇文章，标题是《Karpathy Warns AI Industry: Foundation Models Are the Core, Agent Hype Risks Repeating OpenAI's Five-Year Detour》。文章把这次表态归到"一次近期的内部分享会"，还原的细节比推特上流传的版本更完整：2016年OpenAI在agent路线上具体栽了什么跟头、自动驾驶验证过的十年周期、独立开发者反而站在前沿的判断。
▲ BigGo Finance于2026年7月5日的报道，独立还原了警告的完整脉络，并联系到同期AI-for-Science的行业动态。
这份报道和X上的剪辑来自完全不同的渠道，内容却对得上号，这至少说明，这段话大概率真的出自一场内部分享，只是没人拿到过完整录音。剪辑或许经过了压缩和润色，但骨架是真的。
真正立得住的证据，摆在一个9万星标的仓库里
比起一段无法核实的转述，更有说服力的证据其实一直摆在那儿，只是很少有人往回翻。
2026年3月，Karpathy把一个叫"autoresearch"的项目打包发到了GitHub上。这个仓库把nanochat的LLM训练核心精简成单GPU、一个文件、约630行代码，规则简单到近乎苛刻：人类只负责改一份program.md，写清楚目标和约束；剩下的train.py全部交给AI agent自己迭代。
"The goal is to engineer your agents to make the fastest research progress indefinitely and without any of your own involvement. In the image, every dot is a complete LLM training run that lasts exactly 5 minutes."
「目标是让你的agent能无限持续地做出最快的研究进展，完全不需要你插手。图里每一个点，都是一次恰好5分钟的完整训练。」
agent在一条独立的git分支上自主循环：跑一轮5分钟训练，看验证损失有没有往下走，好结果就提交，差结果就丢弃。Karpathy把这套流程扔进一个自己已经手动调优过的模型里跑了两天，agent愣是又挖出20处此前没注意到的改进，其中一处藏在attention模块里的标量乘子，是他自己都没想到的角落。
▲ Karpathy 2026年3月发布AutoResearch项目的推文，图中散点展示83次实验、15次被保留的改进。
类似的验证不止一次。Shopify的CEO Tobi Lütke也拿这套流程试过手，隔了一夜，模型质量提升19%，体积却砍掉一半。到发稿时，这个仓库已经攒下8.99万星标、1.3万次fork，700人盯着它的每一次更新。
▲ github.com/karpathy/autoresearch仓库主页，8.99万星标，1.3万次fork。
这才是Karpathy那句警告真正的底稿：方法论写在他自己的操作里，先把模型练到摸透，才放手让agent在这套骨架上自己去闯。
同一周撞上的另一堵墙
如果说AutoResearch是一个人的实验，接下来这件事，是整个行业在替这句警告做背书。
BigGo的报道里提了一笔容易被忽略的细节：就在这条转述帖疯传的几天前，Anthropic和OpenAI几乎同时冲进了AI for Science这个赛道，Anthropic上线了Claude Science工作台，OpenAI则推出了对应的GeneBench-Pro跑分体系。跑分结果显示，GPT-5.6 Sol在真实科研任务上的端到端通过率只有28.7%。
模型知道该往哪个方向想，却做不到把整套流程稳稳走完。这中间的落差，BigGo管它叫"notice-act gap"（知道和做到之间的鸿沟）。两家头部实验室在同一时间撞上同一堵墙，恰好印证了Karpathy的判断：底层能力没跟上，agent堆得再花哨，落地时照样露怯。
连"辟谣"的人，也没查对
评论区并非只有附和的声音。
@0xCodila那条视频下面，有人翻旧账质疑：Karpathy现在在Anthropic，从来没在DeepMind待过，视频里"跟DeepMind没关系"这句话本身就经不起推敲。这条反驳获得了不少点赞，却也查错了。
翻回Karpathy自己的个人主页，履历写得很明白：读博期间他挤出过三段实习，2011年在早期Google Brain，2013年在Google Research，最后一段落在2015年的DeepMind，当时他在深度强化学习团队里，和Koray Kavukcuoglu、Vlad Mnih一起做研究。DeepMind他确实待过，只是身份是实习生，时间也早在OpenAI之前。
▲ karpathy.ai个人主页展示的职业时间线：DeepMind实习、OpenAI创始成员、特斯拉AI总监、二度回归OpenAI直到Eureka Labs，这个页面还没来得及更新到Anthropic。
一条视频，两层转述，三方各执一词：发视频的人拿不出完整录音，辟谣的人自己也没查全履历。到最后，唯一经得起反复核对的，只有Karpathy这十年里留下的公开轨迹，2015年在OpenAI的agent弯路，2017到2022年在特斯拉磨自动驾驶的十年苦功，2026年AutoResearch里亲手验证的那套"先啃模型、再放agent"的流程。
无论那句转述逐字是否准确，这条轨迹本身，就是能查、能验、跑得通的证据。
对满世界追agent热点的独立开发者来说，这大概是最值得记下来的一课。模型的边界在哪，决定了agent能跑多远。基础没打牢就往上堆花活，塌方只是时间问题。反过来，谁先把地基啃透，谁就真的站在了前沿，不需要哪家实验室替你背书。
