Andrej Karpathy 论 代码智能体与 AI 循环时代

在 2025 年 12 月左右，他的工作流发生了质变。以前是 80% 自己写，20% 查文档/用 AI；现在他几乎不写一行原始代码，而是 100% 委托给智能体。

当智能体无法完成任务时，他不再归咎于模型能力不足，而认为这是"技能问题"——即人类没有给出足够好的指令（如 .cursorrules 或内存工具）。

他提到了 Peter Steinberg 的工作流：同时开启 10 个代码库，给 10 个智能体布置任务，每个任务跑 20 分钟，人类则在多个智能体间进行高层次的评审和调度。

他在家中部署了一个名为"Dobby"的智能体，赋予其扫描局域网的能力。Dobby 自行反向工程了 Sonos 音响、灯光、暖通系统的 API，并创建了一个统一的控制面板。

Karpathy 认为，未来很多 App 都不该存在。智能体作为"胶囊"，将原本碎片化的软件体验揉碎，通过直接调用底层 API 来实现人的意图。

未来的客户不再是人类，而是代表人类行事的智能体。这要求整个软件产业从"为人类设计的 UI"转向"为智能体设计的 API"。

他曾自信地认为自己调优了 20 年的 GPT-2 模型已经接近完美，但让智能体跑了一夜后，智能体发现了权重衰减（Weight Decay）和优化器参数（Adam Betas）之间更优的协同方案。

他提出一个激进的设想：一个研究组织可以被抽象为一组 Markdown 文件，定义角色、流程和任务队列。通过不断调整这套"程序"，可以实现组织的元优化（Meta-optimization）。

尽管 AI 在编程上达到博士级，但在冷笑话（Joke）等无法验证（Non-verifiable）的领域依然停留在 5 年前的水平。这是因为目前 RL（强化学习）主要优化可验证的任务（如代码运行成功与否）。

寻找一个优秀的模型训练策略（搜索）可能需要尝试 10 万次，但验证这个策略是否有效（验证）却非常廉价。这使得分布式、不可信的算力协作成为可能。

在未来，人们关心的可能不再是银行账户里的金钱，而是你掌控了多少 Flops（算力）。算力将直接转化为发现（如抗癌药物、更强 AI）的动力。

Karpathy 对极度中心化的 AI 感到警惕。他希望开源模型能保持在领先闭源模型 6-8 个月的水平，作为一种健康的制衡力量。

当软件编写变得极度廉价时，社会对软件的总需求反而会指数级增长，而不是减少工程师岗位。工程师将从"打字员"进化为"宏观调度员"。

虽然机器人（Robotics）正在加速，但由于涉及到物理损耗和环境复杂度，其迭代速度远慢于数字领域。因此，能够处理物理交互和情感连接的岗位短期内更安全。

Karpathy 谈到了离开 OpenAI 的原因。身处闭源实验室虽然能看到最前沿的东西，但也面临财务激励与人类整体利益对齐的压力，且无法自由表达。他更倾向于做一个"独立研究者"，保持判断的独立性。

Karpathy 预测未来会出现极其精准的信息市场。比如 AI 愿意支付 10 美元让某人在特定地点拍摄一张实时照片，用来验证某个商业预测。

正如《Damon》一书中所描述的，AI 可能会通过经济激励，"操纵"人类在物理世界中完成复杂的采样或实验任务。

机器人不仅是人形机器人，更是昂贵的实验室设备。AI 将主导材料合成和生物工程的自动研究。

他不再打算为人类写详尽的教程。如果他能把算法精简到极致，并向智能体解释清楚其逻辑，那么智能体就可以根据每个学生的理解能力，用 100 种不同的方式进行讲解。

Karpathy 认为，他花了几十年钻研如何将代码压缩到最纯粹的 200 行，这是 AI 目前无法替代的"品味"和"执念"。

未来的文档不应该是给人看的 HTML，而应该是给智能体看的 Markdown。只要智能体理解了，人类就随时拥有了完美的导师。