安德烈·卡帕西（Andrej Karpathy）是人工智能领域最具影响力的实践者之一。他曾是 OpenAI 的创始成员、特斯拉的 AI 总监，如今以独立研究者的身份持续探索技术的前沿。在人工智能经历颠覆性跃迁的当下，卡帕西对这场变革的感知尤为敏锐。
如果你好奇过去半年里，那些站在技术最前沿的人究竟经历了怎样的转变，这篇访谈将给你一个直观的答案。
近日，Karpathy 做客了一档名为《No Priors》的访谈栏目，在谈话中，他描述了一种自己称之为“AI 精神病”的状态——一种被技术可能性推着走、永远觉得还不够快的焦灼与兴奋，并坦言自己每天都焦虑。他从去年十二月开始几乎不再亲手写一行代码，而是将工作完全委托给智能体；他让名为“多比”的 Claw 接管了家里的所有智能设备；他在深夜里看着自动研究系统跑出自己从未想到的超参数调优。
在这场深度访谈中，Karpathy 围绕大模型演进路径、开源与闭源格局、AI 对就业与社会结构的冲击，以及人类在智能时代的角色，给出了一套极具前瞻性的系统性判断。
他指出，当前大模型仍停留在“通用能力覆盖”的阶段，真正的深度定制与“模型分化”尚未成熟；与此同时，一种基于“可验证结果”的大规模分布式协作范式正在浮现，未来甚至可能由全球算力共同驱动 AI 进化。在他看来，算力（FLOPs）正在成为比资金更关键的资源。
在产业结构上，他强调，当前闭源模型与开源模型之间正在形成一种“动态平衡”——前者探索能力边界，后者实现能力民主化，开源落后 6 个月，反而是 AI 世界最健康的状态。
更具冲击力的是，他对个体角色的重新定义：在前沿实验室内部，你很难保持完全独立；而在外部生态中，反而可能拥有更大的真实影响力。同时，他认为未来教育与知识传播将彻底重构——人类不再直接教人，而是教模型，再由模型去教人。
最终，Karpathy 给出了一个极具现实意义的判断：未来的核心竞争力，不在于你会什么，而在于你做的是不是“AI 还做不到的事”。
以下为完整对话内容，经由 InfoQ 编辑和整理：
“技术发展太快，我每天都焦虑”
主持人：过去几个月，人工智能领域的发展令人无比振奋。记得有一次走进办公室，你正全神贯注地投入工作，我询问你在忙什么，你说必须每天连续十六小时编写代码——或者说，如今“编写代码”这个说法已不再准确，而是要每天花 16 个小时向我的智能体传达指令。这是因为人工智能的能力实现了一次飞跃。具体发生了怎样的变化？还请分享你的亲身体验。
Karpathy：我总觉得自己一直处于——现在也常常如此——一种对人工智能的“精神错乱”状态。因为在个人所能实现的事情上，出现了一次巨大的突破。过去受限于打字速度等因素，而现在有了这些智能体，可以说在去年十二月，某种转折真正发生了：我编写代码的方式，从八成靠自己、两成委托智能体，变成了两成靠自己、八成委托智能体。如今我甚至觉得连二八开都算不上，委托的比例还要高得多。从 12 月至今，我大概一行代码都没有亲手敲过。这是极其巨大的变化。
我曾跟父母聊过这些，但我感觉普通人并没有意识到这种变化已经发生，也不知道它的冲击力有多大。随便找一个坐在工位上的软件工程师，他们构建软件的默认工作流程，从 12 月起已经彻底不同了。我就处在这种“精神错乱”的状态里，不断探索什么是可能的，不断推向极限——我如何能不只运行一个会话的 Claude Code 或 Codex 之类的智能体框架？如何能同时运行更多？如何做得恰当？然后又该如何使用这些 Claw？这些 Claw 是什么？新事物层出不穷。
我想站在最前沿，也正因为觉得自己尚未站在最前沿而焦躁不安。看到推特上很多人做着各种事情，每个想法听起来都很棒，我必须处在最前沿，否则就会极度焦虑。我想，我之所以陷入这种对可能性的“精神错乱”，根本原因在于这一切还是未被探索的领域。
主持人：如果你都感到焦虑，那我们其他人就更不用说了。我们在 Conviction 合作的团队，他们的工作方式很有意思：工程师们完全不再手写代码，每个人都戴着麦克风，全程低声向自己的智能体下达指令。这大概是我见过最奇特的工作场景了。起初我还觉得他们有些疯狂，现在却完全认同——原来这才是未来的方向，而你只是走在了前面。
那么，你现在如何看待自身的探索能力和项目执行能力？当前的瓶颈又在哪里？
Karpathy：瓶颈在哪里？我觉得方方面面都是。就算某件事没做成，很大程度上也会觉得是“技能问题”——并不是能力达不到，而是还没找到串联现有工具的方法。要么是我在智能体的 MD 文件里给出的指令不够好，要么是我没有在系统中配置足够好用的记忆工具。所以在某种程度上，当事情不顺利时，都会归结为技能层面的问题。
你想知道如何让智能体协同工作，本质上你想成为彼得·斯坦伯格（OpenClaw 创始人）那样的人。彼得很有名，他有一张很有意思的照片，面前是一台显示器，上面运行着很多 Codex 智能体，界面铺满屏幕。
如果你给出正确的指令并投入足够的精力，每个智能体大约需要 20 分钟来完成工作。它们会同时检出多个代码仓库，而他就在这些智能体之间来回穿梭，给它们分配任务。这意味着你可以用更大颗粒度的“宏观操作”来推进工作，不再是“这里写一行代码、那里写一个新函数”，而是“这里需要一个新功能，交给智能体一号；那里另一个不会相互干扰的功能，交给智能体二号”，然后根据你对那段代码的重视程度，尽可能去审核它们的工作成果。
你要思考的是：我可以用哪些宏观操作来操控我的软件仓库？一个智能体在做调研，另一个在写代码，还有一个在为某个新功能制定实施方案。所有的工作都通过这些宏观操作在代码仓库上并行推进。你要做的就是变得非常擅长这件事，并形成一种肌肉记忆。这非常有成就感，首先因为它确实能跑通，其次这也是一个全新的学习领域——所以我才会说这是一种“精神错乱”的状态。
主持人：确实，我的本能反应是：每当等待一个智能体完成任务时，最自然的想法就是“我可以同时做更多工作”。如果我能获取更多 token，那就应该并行地增加更多任务。这其实会带来很大的压力，因为一旦你觉得在 token 消耗上毫无限制，那么你自己就成了系统中制约能力上限的瓶颈。
Karpathy：确实。至少从最大化订阅的角度来说，你应该同时运行多个智能体——如果在 Codex 上把额度用完了，就该切换到 Claude 或其他模型，这也是我一直在尝试的做法。
订阅额度还剩着会让我感到不安，那意味着我没有把 token 吞吐量发挥到极致。这种感受在读博期间其实就有过：当 GPU 闲置时你会焦虑，明明有算力却没有充分利用可用的 FLOPs。只不过现在关注的焦点不再是 FLOPs，而是 tokens。所以问题来了：你的 token 吞吐量是多少？你又能调动多大的 token 吞吐量？
主持人：这个观察很有意思。过去至少十年里，在多数工程任务中，人们并不觉得自己受计算资源制约。而如今整个行业都明显感受到了资源紧张。当能力出现巨大跃升后，你才发现，真正的制约因素其实已经不是能否获取算力，而是你自己。
Karpathy：这种“技能问题”其实很令人振奋，因为它意味着你有提升的空间。这正是它容易让人上瘾的原因——每一次能力的精进，都会带来新的突破与可能性。
主持人：你觉得未来会怎样？如果不断迭代，每天花十六小时提升使用编码智能体的技能，那么一年后达到精通状态时会是什么样子？如果从时间维度来看，比如一年、三年、五年甚至十年，所谓“掌握（mastery）”或者精通会是什么样子？
Karpathy：我认为大家本质上都在“向上抽象层级”（going up the stack）。这不再是围绕单次与某个智能体的交互，而是多个智能体之间如何协作、形成团队，以及整体系统如何运作。整个行业都在探索这种形态。
此外，“Claw”是一个很有意思的方向。这里的 Claw 指的是一种新的系统层，它把“持久性”（persistence）提升到了一个全新的层级。它会持续循环运行，并不依赖用户实时交互，而是在一个相对独立的环境中自主运行，在你不关注的时候也在替你完成任务。
同时，它还涉及更复杂的记忆系统，这些能力目前在大多数智能体中尚未实现。相比之下，OpenClaw 的记忆能力要更先进，而传统系统通常只是简单的“上下文耗尽后的压缩记忆”。
OpenClaw 的成功之处在于它有“人格”
主持人：你认为在 OpenClaw 中，真正打动用户的是记忆能力，而不是更广泛的工具调用能力吗？
Karpathy：我认为这里面有很多优秀的设计。Peter 的工作非常出色，他在多个维度上同时创新，并把这些要素整合在一起。
例如，他在系统文档中刻意塑造了一种“人格”，这一点非常关键。当前很多智能体在这方面做得并不好。而 Claw 的人格设计是成功的，它更像一个团队成员，会与你产生共鸣、共同推进事情。
相比之下，例如 Codex 这种编码智能体显得非常“干”。它完成任务，但并不关心你在构建什么。它更像是在执行指令，而不是理解目标。
另外，Claw 在反馈机制上也做了精细调节。当我提出不成熟的想法时，它不会过度赞美；但当想法确实有价值时，它会给予更多认可。这种差异让我产生一种“需要赢得它认可”的感觉，这很微妙，但非常有效。
因此，我认为“人格”非常重要，而很多工具低估了这一点。除此之外，还有记忆系统，以及通过 WhatsApp 统一入口控制所有自动化能力，这些都是关键创新。
主持人：除了软件工程，你是否用 Claw 做过一些有趣的事情？
Karpathy：有的。今年一月，我经历了一段“Claw 过度使用期”。我构建了一个用于管理家庭的 Claw，并给它起名为 “Dobby”。
我让智能体扫描家庭局域网中的所有智能设备，比如 Sonos 音响系统。它通过 IP 扫描自动发现设备，并解析其接口。令人惊讶的是，这一过程几乎无需配置，系统甚至自动找到了 API 并开始调用。
例如，我只输入一句“帮我找到 Sonos”，系统就完成了扫描、接口解析，并成功播放音乐。同样的方法也适用于灯光控制。
最终，这个系统构建了一个完整的家庭控制中心：包括灯光、空调、窗帘、泳池、安防系统等。比如我只需说“该睡觉了”，系统就会自动关闭所有灯光。
在安防方面，我部署了一个视觉模型来监控门外摄像头。当检测到变化时，它会识别场景，并通过 WhatsApp 给我发送通知，例如“有一辆 FedEx 货车到了”。
现在，我通过 WhatsApp 与这个系统交互，它已经成为家庭自动化的核心。
主持人：这种体验是否代表了用户真正想要的软件交互方式？
Karpathy：在一定程度上是的。传统软件的问题在于，用户需要学习各种界面和操作逻辑，这本身是有成本的。
人们心中的“AI”其实是一种具有人格、能够记忆和理解的实体，而不是一个简单的语言模型。从技术角度看，LLM 只是一个“token 生成器”，但用户期望的是一个可以对话、记住信息并执行任务的“角色”。
因此，未来的方向是让系统行为更符合用户直觉，而底层复杂性则由系统隐藏。
主持人：你将多个智能家居系统统一起来，这是否意味着用户其实并不需要那么多独立的软件？
Karpathy：确实如此。从某种意义上说，这些应用甚至不应该存在。更合理的形态是：所有设备只提供 API，由智能体直接调用。
通过这种方式，智能体可以完成跨系统的复杂操作，而单一应用是无法做到的。这意味着当前存在大量“过度设计”的应用，它们可能会被智能体取代。
未来的结构更可能是：底层是 API，上层是智能体作为“智能胶水”，负责调用和组合这些能力 这类似于“Agent-first”的互联网架构。
主持人：但这是否意味着普通用户也需要具备编程能力？
Karpathy：短期来看，确实需要一定技术能力。目前仍然存在“vibe coding”这样的过程，需要用户参与。
但我认为在未来一到三年内，这些能力会变成基础设施（table stakes）。即使是开源模型，也能够轻松完成这些任务。
最终，系统会自动将用户的自然语言意图转化为具体执行逻辑，用户无需参与实现过程。
主持人：为什么你个人没有进一步拓展 Claw 的应用边界？为什么你没有把 Claw 更深入地接入到邮箱、日历等个人系统中？
Karpathy：主要原因是精力分散。我曾集中花了一周时间在这上面，已经实现了很多功能，但还有很多可以继续探索。不过现实情况是，我同时在处理很多其他项目，因此没有持续深入推进。
我目前并没有让它接入邮箱、日历等核心系统，也没有授予完整的数字生活权限。主要原因是，这项技术仍然比较新，整体还不够成熟。
我对安全性和隐私问题仍然保持谨慎态度，因此在权限开放上有所保留。这在一定程度上限制了我进一步扩展它的使用范围。
人不应该成为系统的瓶颈
主持人：你之前提到，希望智能体能够承担模型训练或优化这样的任务。那么你做“Auto Research”的初衷是什么？
Karpathy：核心动机是：人不应该成为系统的瓶颈。要充分利用当前这些工具，就必须把自己从执行链路中移除，而不是每一步都依赖人工提示。目标是构建完全自主运行的系统，让任务可以持续推进，而无需人工干预。
换句话说，就是最大化“token 吞吐量”，同时尽可能减少人类参与。理想状态是：我只需偶尔提供极少量输入，系统就能在后台完成大量工作。
“Auto Research”正是这一思路的体现。我不希望自己成为研究过程中的一环，而是希望设定好目标、评价指标和边界条件，然后让系统自行运行。
主持人：Auto Research 的效果是否超出了你的预期？
Karpathy：确实如此。我最初并不认为它会有效。
我一直在做 GPT 模型训练，这对我来说更像是一个实验平台，用来探索更核心的问题：递归自我改进（recursive self-improvement）——也就是让模型优化模型。
我用传统方法对模型进行了大量调优，包括超参数搜索等，这些是我过去二十年一直在做的事情。我认为模型已经被调到一个相对不错的状态。
但当我让 Auto Research 运行一夜后，它发现了一些我忽略的优化点，例如权重衰减参数和优化器参数之间的联动关系。这些调整带来了改进。
这说明，人类不应该成为调参过程的瓶颈。只要有明确的目标函数，系统完全可以自行探索。
主持人：这是否意味着未来的研究过程会更加高效？
Karpathy：是的。一个重要方向是：在小模型上进行大量自动化实验，然后将结果外推到更大规模模型。
当前很多前沿实验室本质上也在做类似的事情：尽可能移除研究人员参与、构建自动化实验系统以及提高实验吞吐量。
理想结构是：有一个“想法队列”（ideas queue），想法可以来自模型或人类，自动化执行单元负责实验验证，有效结果被合并进主分支，这本质上是将科研流程工程化、自动化。
主持人：你提到“program.md”，模型什么时候能写出比你更好的版本？
Karpathy： “program.md”本质上是我用来描述 Auto Research 工作流程的一个文档，相当于一个研究组织的操作手册。
可以把一个研究机构抽象为一组 Markdown 文件：定义角色、描述流程和指定协作方式。 不同的“program.md”就代表不同的研究组织结构。例如有的更激进、有的更保守、有的减少无效会议，一旦这些结构被形式化为代码，就可以进行优化。
未来完全可以同时运行多个“研究组织” ，然后比较它们的效果，用数据反过来训练模型生成更优的“program.md”，这就是一个元优化（meta-optimization）过程。
主持人：在当前阶段，这种自动化循环对“技能”的要求意味着什么？
Karpathy：这种方法非常适用于可验证、有明确评价指标的任务。例如：
CUDA 内核优化
提高代码执行效率
这些任务有清晰的“对/错”和性能指标，非常适合自动化研究。但对于难以评估的任务，这种方法效果有限。这是第一个限制。第二个问题是：当前模型仍然不够稳定。虽然能力很强，但“边缘行为”很多。一个典型感受是：它既像一个顶级系统程序员，又像一个 10 岁的孩子。这种“能力不均匀”（jaggedness）非常明显。例如在复杂任务中表现极强，但有时会犯非常基础的错误，甚至在错误路径上反复循环，浪费算力 。
主持人：这种“不均匀能力”说明模型还不具备真正的通用智能吗？
Karpathy：可以这么理解。当前模型在“可验证任务”上进步很快，因为这些任务可以通过强化学习优化。但在“模糊任务”上，比如理解意图、提出澄清问题，表现仍然较弱。
一个典型例子是讲笑话：尽管模型整体能力大幅提升，但笑话质量几乎没有变化。这说明这些能力没有被优化，这意味着：不同能力之间并没有完全联动提升。
主持人：这是否意味着未来模型需要“分化”（speciation）？
Karpathy：是的，我认为未来会出现更多“智能分化”。当前趋势是构建一个“通用大模型”，试图在所有领域都表现优秀。但更合理的方向可能是：保留一个通用认知核心，在此基础上发展专用模型
类似生物进化，不同物种在不同能力上高度专化。例如会有数学模型、编程模型、特定领域推理模型 这种分化可以带来更高的效率，例如更低延迟、更高吞吐。
主持人：算力限制是否会推动这种“分化”发生？
Karpathy：这是一个合理的推测。如果算力无限，单一大模型可以覆盖所有场景。但现实中算力是有限的，因此需要更高效的结构。不过，目前行业仍然倾向于“单一模型”的路线，尚未出现明显的分化趋势。未来是否会因为算力压力而加速分化，仍有待观察。
如何改造模型，仍是一道难题
主持人：为什么当前还没有出现明显的“模型分化”？是技术问题还是商业策略问题？
Karpathy：从根本上看，目前的实验室是在提供一个通用模型，但他们并不知道最终用户会提出什么具体问题。因此，这些模型必须覆盖尽可能广泛的任务范围，本质上是在做“全场景多任务”。
如果是在企业场景中，围绕特定问题进行深度合作，或者在一些高价值、垂直领域中，可能会更早看到模型的专门化。但目前整体策略仍然是覆盖“尽可能多的能力边界”。
此外，一个重要原因是：我们对“如何改造模型本身”的技术还不够成熟。比如，如何在不损失已有能力的前提下进行微调，这仍然是一个挑战。
现在的主要手段还是通过上下文窗口来进行调整，这种方式简单、成本低，也确实有效。但如果要真正“深入修改模型”，比如持续学习、针对特定能力优化、直接调整模型权重，这在技术上更复杂，也更有风险，因为这会影响整个模型的能力结构。
因此，从这个角度来看，“模型分化”本身还是一个尚未完全成熟的技术方向，同时也需要在成本上足够可行，才能真正落地。
未来即使有钱，也难获得足够算力
主持人：你提到 Auto Research，如果进一步扩展，它是否需要更多“协作界面”，让更多人参与进来？
Karpathy：是的。当前的 Auto Research 本质上还是一个“单线程循环”，即系统不断尝试和优化。但更有价值的方向其实是“并行化”。
如果有大量计算节点，那么很容易让多个 Auto Research 系统同时运行，并通过某种共享机制协作。但我更感兴趣的是：如何让一个“不可信的外部计算资源池”参与进来。
以 Auto Research 为例，其目标是找到能够让模型达到更低验证损失的代码。如果有人提交一个候选方案，其实是可以很容易验证其效果的。虽然生成这个方案可能需要大量计算，但验证成本相对较低。
这就带来一个结构：生成候选方案的成本很高，验证方案的成本很低。
这种结构和区块链有些类似：“提交”类似区块中的变更（commit），进行大量计算用于探索有效方案（类似工作量证明），最终有效结果可以被验证并累积。
当然，这个类比不需要过度延伸，但核心问题在于：如何设计一个系统，让不可信的参与者与可信的验证系统协作，同时保证安全性。
主持人：这种模式是否类似于 SETI@home 或 Folding@home？
注：SETI@home 是由加州大学伯克利分校发起的，通过互联网将射电望远镜数据分发给志愿者电脑分析，目的是寻找地外文明的无线电信号。
Folding@home，有个来自宾夕法尼亚大学医学院的页面介绍了项目的现任负责人 Gregory Bowman 博士，以及项目如何通过模拟蛋白质折叠来研究阿尔茨海默症、癌症等疾病。
Karpathy：是的，本质非常类似。例如蛋白质折叠问题，找到低能量结构非常困难，但一旦找到，验证却很容易。Auto Research 也具备类似特征。因此，这类问题非常适合分布式协作。
从这个角度来看，可以设想一种“互联网规模的智能体群体”，它们协同优化模型，甚至可能在某些情况下超过大型实验室的效率。
大型实验室拥有大量“可信算力”，但整个世界拥有更庞大的“不可信算力”。如果系统设计得当，这些资源是可以被整合利用的。
主持人：这是否意味着未来算力本身会成为一种“可贡献资源”，类似今天的金钱？
Karpathy：这是一个有趣的方向。未来，个人或企业可能不只是捐钱，而是直接贡献算力。例如，你可以为某个研究项目提供计算资源，参与其 Auto Research 过程。
在这种模式下，“算力”会成为核心资源。甚至可以设想一种变化：人们关注的不再只是金钱，而是“你掌握多少 FLOPs（算力）”。
当然，这未必会完全取代金钱，但当前已经可以看到一个趋势：即使有资金，也很难获得足够的算力资源。这说明算力在某种程度上已经成为更稀缺的资源。
AI 对就业市场的影响
主持人：你最近分析了一些就业市场数据，当时你的关注点是什么？
Karpathy：我主要是想了解 AI 对就业市场会产生什么影响。
我查看了不同职业的分布，以及未来的增长预期，并尝试思考：随着 AI 的发展，这些职业会如何变化。例如哪些职业会被增强、哪些可能被替代以及是否会出现新的职业形态
这些分析更多是为了帮助我构建对行业未来的理解。
主持人：你从数据中有没有得到一些关键观察？
Karpathy：一个重要观察是：AI 当前主要作用于“数字世界”。这些系统更像是可以操作信息的“数字实体”，它们擅长处理文本、代码等数字内容，但还没有真正进入物理世界。
相比之下，物理世界的变化会更慢，因为涉及的是“原子操作”，而不是“比特操作”。数字信息可以复制、传播，速度极快，而物理过程受到能量和材料限制。
因此，未来一段时间内，数字领域会出现大量重构，包括信息处理流程、软件系统结构以及工作方式，而物理世界的变化则相对滞后。
主持人：这对求职者或学习方向有什么启示？
Karpathy：目前很难给出统一答案，因为就业市场非常复杂。
但有一点是明确的：这些工具非常新且非常强大，因此首先要做的是尽量理解并跟上它们的发展。很多人对 AI 持怀疑或恐惧态度，这可以理解。但从当前来看，它仍然主要是一种“增强工具”。
职业本质上是由一系列任务构成的，而 AI 可以显著提升其中一部分任务的效率。因此，更合理的视角是：把它当作工具来使用。至于长期影响，目前仍然存在较大不确定性，这更适合由经济学领域来系统分析。
主持人：目前工程师需求仍在增长，这是否只是暂时现象？你对软件工程未来的需求持什么看法？
Karpathy：有一种可能是“杰文斯悖论”（Jevons Paradox）在起作用。当某种资源变得更便宜时，其使用量反而会增加。软件开发也是如此：过去软件昂贵且稀缺，如果开发成本降低，需求反而会增长。
一个经典例子是 ATM：自动取款机降低了银行运营成本，结果银行网点增加，柜员数量反而上升。类似地，如果软件开发变得更容易、更便宜，那么社会对软件的需求可能会大幅增长。
所以我对软件工程未来的需求相对持谨慎乐观态度。软件本质上是对数字信息的处理能力，而这种能力非常强大。随着开发门槛降低，更多人可以构建和修改软件系统。
未来的软件将更加“临时化”（ephemeral）：可以快速生成、可以随时修改、不再依赖固定工具。这会带来大量系统重构需求，从而推动软件领域的活跃度和需求增长。
主持人：但从长期来看，自动化是否会取代研究人员本身？
Karpathy：这是一个不可回避的问题。事实上，很多研究人员正在构建的正是“自动替代自身”的系统。他们的目标是实现研究自动化。
这带来一种矛盾感： 一方面，这些系统确实有效；另一方面，它们也在削弱人的角色。我和一些研究人员交流时，他们也能感受到这种趋势，甚至会产生某种不安。
OpenAI 这类前沿实验室，存在结构性困局
主持人：既然如此，为什么不直接加入这些前沿实验室推进这一进程？
Karpathy：这是一个复杂的问题。我确实曾在相关机构工作过，也认同其中的一些方向。但我认为，在前沿实验室之外，同样存在重要的贡献空间。不仅是在产业层面，也包括更广泛的生态层面。不同角色都可以对这一技术进程产生影响。
主持人：你现在的角色更偏“生态位层面”，这种位置的价值体现在哪里？
Karpathy：是的，我现在的角色更偏向于生态层面，你也是类似的情况。我认为在这种位置上，人其实可以产生非常好的影响力。
相对来说，如果你过度绑定在前沿实验室内部，反而会出现一些问题。因为这些实验室本身具有强烈的经济激励，而与此同时，它们正在构建的技术又可能对人类社会产生极其深远的影响。在这种情况下，你既在推动技术发展，又从中获益，这本身就是一个结构性困境。
这其实也是 OpenAI 在早期试图解决的核心问题之一，但到现在为止，这个问题并没有被完全解决。
主持人：具体来说，在前沿实验室内部会面临哪些限制？
Karpathy：首先，你不再是一个完全独立的个体。你无法完全自由地参与公共讨论，因为在组织内部，总会存在一些你不能说的话。同时，也会存在一些你“应该说”的话。
虽然没有人会直接强迫你，但你会感受到一种隐性的压力：你需要与组织的立场保持一致，否则就会出现尴尬的氛围，比如异样的目光、微妙的关系变化等等。
因此，从这个角度来看，在实验室之外，我反而感觉更接近“为整个人类发声”的位置，因为我不需要承受这些组织内部的约束。
主持人：但在实验室内部，你也能参与关键决策，这是否是一种优势？
Karpathy：确实如此。在实验室内部，你可以参与重要讨论，也可能有机会在关键决策中发声。如果你的想法足够好，你可能会产生实际影响。
但需要注意的是，当前阶段整体“风险还不算特别高”，所以很多事情看起来比较宽松。但一旦未来风险真正提高，一个普通员工在组织中的实际影响力其实是有限的。
你可以参与讨论，但你并不真正掌控这个组织。因此，从结构上来看，这里仍然存在一定程度的“错配”。
主持人：那在实验室外部是否也存在劣势？
Karpathy：有的。前沿实验室本身是高度不透明的，而且它们处在能力边界的最前沿，掌握着未来发展方向。如果你长期在外部，你的判断很可能会逐渐“漂移”，因为你无法接触到最前沿的信息，也不了解这些系统的真实内部机制。
这也是我自己会担心的一个问题：随着时间推移，我可能会逐渐失去对技术发展方向的准确感知。
主持人：有没有一种折中的方式？
Karpathy：我认为一种比较理想的方式是“在内外之间切换”。例如，你可以在某个时间段进入前沿实验室，参与核心工作，保持对前沿的理解；然后再回到外部，从更独立的视角思考问题。
这种方式既能保持对现实的连接，又不会完全受制于组织。从这个角度来看，我认为无论是在实验室内部还是外部，都可以产生很大的影响，关键在于如何平衡。
闭源模型仍然领先
主持人：开源模型与闭源模型之间的差距，目前是什么状态？
Karpathy：大体来看，闭源模型仍然领先，但人们通常用“时间差”来衡量差距。最早开源几乎没有能力，后来落后大约 18 个月，现在已经收敛到大约 6 到 8 个月左右。
我是非常支持开源的。从历史来看，比如操作系统领域：有 Windows 和 macOS 这样的闭源系统也有 Linux 这样的开源系统。Linux 实际上非常成功，占据了大量计算资源，因为行业始终需要一个“开放、可控”的基础平台。我认为在 AI 领域也存在类似需求。
主持人：那为什么开源仍然难以追赶？
Karpathy：最大的差异在于资本投入。训练先进模型需要巨额算力和资金，这使得开源在某些方面更难竞争。不过，当前开源模型已经足够好，可以覆盖大量日常使用场景，甚至未来很多任务可以在本地运行。但与此同时，对“前沿智能”的需求仍然存在，比如解决重大科研问题，这类需求可能仍然集中在闭源系统中。
主持人：未来会形成什么样的格局？
Karpathy：我预计会形成一种长期结构：前沿实验室提供最强、最先进的闭源模型，开源模型以一定时间延迟跟进。而且今天的前沿能力，很可能在不久后就会成为开源能力。
我认为这种结构其实是健康的。因为如果所有智能系统都完全闭源，会带来系统性风险。历史上，无论是政治还是经济系统，过度集中化通常都不是一个好的结果。因此，我们需要一个“稍微落后但开放”的公共平台，让整个行业都可以使用。
主持人：你怎么看当前行业的集中化趋势？
Karpathy：我对集中化本能上是警惕的。我希望有更多实验室参与竞争，而不是少数几家主导一切。就像机器学习中的集成方法（ensemble）通常优于单一模型一样，我也希望在关键决策中有更多不同视角参与。如果未来的关键决策只在少数人之间完成，那不是一个理想的状态。
机器人的发展落后于数字世界
主持人：关于机器人和自动化，你怎么看近期的发展？
Karpathy：我的看法很大程度上来自自动驾驶领域的经验。自动驾驶其实可以看作是第一个大规模机器人应用。十年前有大量创业公司进入这个领域，但最终能存活下来的不多，因为这个问题极其复杂，需要巨额资本投入和长期坚持。因此，我认为机器人领域的发展仍然会落后于数字世界。
主持人：为什么数字世界发展更快？
Karpathy：因为数字世界处理的是“比特”，而物理世界处理的是“原子”。
比特可以复制、传播，成本极低；而原子操作涉及能量、材料、时间等限制。因此，数字世界的效率提升空间要大得多。未来一段时间，我们会看到数字领域发生巨大的效率提升，而物理世界的变化会相对滞后。
主持人：那未来的发展路径会是什么？
Karpathy：我认为会分三个阶段：第一阶段是数字世界的大规模优化和重构；第二阶段是数字与物理之间的接口，例如传感器和执行器；第三阶段才是大规模物理世界自动化。
随着智能体越来越多，它们会逐渐“用完”已有的数字信息，然后必须通过实验和感知来获取新的信息，这就会推动它们进入物理世界。
主持人：你提到“信息市场”，这具体指什么？
Karpathy：我认为未来会出现更多“按需获取信息”的市场。例如，如果某个事件正在发生，理论上应该有人愿意付费获取现场数据（图片、视频等），而这些数据可能直接被智能体使用，而不是给人类看。
目前我们还没有成熟的机制来实现这一点，但在“智能体互联网”（agentic web）中，这种模式是很自然的。在这种结构下，人类既是“传感器”（提供数据），也是“执行器”（完成任务），整个社会结构可能会围绕智能系统重新组织。
主持人：最后，谈谈你的项目 MicroGPT，它的核心价值是什么？
Karpathy：MicroGPT 是我长期以来一个核心追求：把大模型的本质压缩到最简单的形式。完整训练一个语言模型通常需要大量复杂代码，但这些复杂性主要来自“效率优化”。如果不追求速度，核心算法其实可以用大约 200 行 Python 实现。
它揭示了模型的“本质结构”。
主持人：这对教育意味着什么变化？
Karpathy：我认为教育正在发生根本变化。
过去我们是直接向人解释知识，比如写文档、做讲解。但现在更有效的方式是“让模型理解”，然后由模型去向人解释。也就是说，知识传播正在从“人 → 人”，转变为“人 → 模型 → 人”。
未来的“教学”可能更像是在设计一套“教学流程（skill）”，让模型知道如何引导学习者。
主持人：那人类的价值在哪里？
Karpathy：人类的价值在于做那些“模型还做不到的事情”。例如，MicroGPT 的设计本身，就是我长期思考的结果，这部分目前模型还无法自主完成。但一旦结果存在，模型可以很好地理解并传播它。因此，一个很实用的原则是模型已经能做的事情，不要重复做，把精力集中在模型尚不能完成的部分 这将成为未来工作的一个重要策略。
参考链接：
https://www.youtube.com/watch?v=kwSVtQ7dziU&list=PLMKa0PxGwad7jf8hwwX8w5FHitXZ1L_h1&index=1&t=171s
