Karpathy 在对话中反复用了一个词：AI psychosis，AI 精神失常。他说自己每天花 16 个小时和 AI 智能体打交道，处于一种持续亢奋又持续焦虑的状态。这种状态，可能是当下每一个深度使用 AI 的人都能共鸣的。
下面，我把这场对话里最有价值的观点一一拆开来聊。
一、去年 12 月，一切都变了
Karpathy 说，2025 年 12 月是一个分水岭。在那之前，他写代码和让 AI 写代码的比例大概是八二开。12 月之后，这个比例直接翻转成了二八，甚至更夸张。他说自己从 12 月起基本没有亲手敲过一行代码。
这个变化有多剧烈呢？他试着跟父母解释这件事，发现普通人根本意识不到发生了什么。如果你现在随便找一个软件工程师，看看他的日常工作流，和半年前已经完全不一样了。
他现在的工作方式是这样的：同时开好几个 AI 智能体，每个分配一个独立任务。一个在做研究，一个在写代码，一个在规划新功能的实现方案。他不再以行为单位操作代码，而是以功能为单位下达指令。就像一个项目经理，手下有一群极其能干但偶尔犯傻的实习生。
他提到了一个叫 Peter Steinberg 的人，这人有张著名的照片：坐在一面巨大的显示器前，屏幕上铺满了 Codex 智能体的窗口，每个窗口都在独立运行任务。Peter 就在这些窗口之间来回切换，分配工作、审查结果。Karpathy 说，这就是现在最高效的工作方式的样子。
有意思的是，他描述了一种新型焦虑：当一个智能体在跑任务的时候，你等着它完成，会觉得自己在浪费时间。你应该同时启动更多智能体，把每一分钟都填满。如果你的订阅额度没用完，那就说明你的 token 吞吐量没有最大化。这种感觉，他说跟读博时候盯着 GPU 利用率的焦虑一模一样。只不过以前焦虑的是算力闲置，现在焦虑的是 token 闲置。
这其实揭示了一个很深刻的变化：过去十年，大多数工程师并不觉得自己受限于算力。但现在，每个人都重新感受到了资源约束。只不过这次的瓶颈，是你自己。你能多快地把任务拆解清楚，能多高效地给智能体下指令，决定了你的产出上限。
二、一切不顺利的时候，都觉得是自己的问题
Karpathy 反复说了一句话：It‘s a skill issue. 翻译过来就是，技术不行怪自己。
当智能体搞砸了一个任务，他的第一反应不是觉得 AI 不行，而是觉得自己的指令没写好，(http://t.cn/AXfRyGjq) 文件没配对，记忆工具没用上。他说这种感觉非常上瘾，因为既然是技术问题，那就意味着你可以变得更好。每次找到一个新的使用技巧，都会带来一种解锁成就的快感。
这个心态其实很值得琢磨。很多人在用 AI 工具的时候，遇到不好用就下结论说 AI 不行。但 Karpathy 的态度恰恰相反，他把每一次失败都当成自己的优化空间。这不是盲目乐观，而是他确实看到了能力边界在快速扩展。今天做不到的事情，可能只是你还没找到正确的使用方式。
三、Claw 和 Dobby：AI 不只是工具，是一个持续运转的实体
对话中一个很重要的概念是 Claw。Karpathy 用这个词来描述一种比普通智能体更高级的存在。普通智能体是你给它一个任务，它做完就结束了。Claw 不一样，它是持续运行的，有自己的沙盒环境，有更复杂的记忆系统，即使你不在电脑前，它也在替你做事。
他举了一个特别生动的例子。今年一月，他花了一周时间搭了一个叫 Dobby 的家庭管家系统。他让智能体扫描家里的局域网，找到了 Sonos 音响系统，没有密码保护，智能体直接登录进去，逆向工程了 API 接口，然后就能通过自然语言控制音乐播放了。同样的方法，他把家里的灯光、空调、窗帘、泳池、安防摄像头全部接入了这个系统。
现在他家门口有人来，摄像头会先做变化检测，然后把画面发给一个视觉模型分析，最后通过 WhatsApp 给他发消息：一辆 FedEx 快递车刚停在你家门口，你可能有新包裹。这一切都是 Dobby 自动完成的。
过去他需要六个不同的 App 来管理这些智能家居设备。现在一个都不需要了，全部通过自然语言和 Dobby 对话搞定。
这个例子背后有一个更大的判断：未来的软件形态可能会发生根本性变化。那些 App Store 里的智能家居控制 App，可能根本就不应该存在。所有的硬件设备只需要暴露 API 接口，智能体来做中间的胶水层。用户不再需要学习每一个 App 的界面，只需要用自然语言表达意图就够了。
Karpathy 说得很直接：未来的客户不再是人类，而是代替人类行动的智能体。整个行业都需要围绕这个逻辑重新组织。
四、AutoResearch：让 AI 自己做科研
这是整场对话最硬核的部分。Karpathy 一直在思考一个问题：怎么把自己从循环中移除？
他的逻辑是这样的：要最大化 AI 工具的价值，你就不能成为瓶颈。你不能坐在那里等着看结果，然后手动决定下一步做什么。你要做的是搭建一个系统，让它完全自主运行，你只需要偶尔投入极少量的指令，大量的工作就在你背后自动发生。
AutoResearch 就是这个想法的具体实现。他有一个叫 NanoChat 的项目，本质上是一个训练 GPT 模型的小型实验场。他先用传统方式手动调参，凭借二十年的研究经验把模型调到了一个他认为相当不错的状态。然后他让 AutoResearch 跑了一个通宵。
第二天早上，系统找到了他没发现的优化空间。比如他忘了在 value embeddings 上加 weight decay，Adam 优化器的 beta 参数也没有充分调优。而且这些参数之间是互相关联的，调了一个，其他的最优值也会跟着变。这些事情，一个有二十年经验的顶级研究者没做到，一个自动化系统跑了一晚上就做到了。
但 Karpathy 也很诚实地指出了局限性。AutoResearch 最适合的场景是那些有明确、可量化评估指标的任务。比如写一个更高效的 CUDA kernel，输入输出行为完全一致，只是速度更快，这种任务完美契合自动化研究。但如果一个任务没办法客观评估好坏，那就没法自动化。能评估的才能自动化，这是一条硬约束。
更让人兴奋的是他关于 AutoResearch 下一步的设想。他提出了一个类似区块链的协作框架：互联网上有一个不受信任的工人池，任何人都可以贡献算力来跑实验。找到有效的代码改进（commit）很难，但验证一个改进是否有效很容易，你只需要跑一次训练看结果就行。这就像折叠蛋白质的 Folding @home 项目一样，搜索成本极高，验证成本极低。
他甚至大胆猜测：互联网上分散的、不受信任的算力总和，可能比任何一家前沿实验室都大。如果能设计出合适的协作机制，开源社区的集体智慧搞不好真能跑赢闭源实验室。
五、模型的锯齿感：超级天才和十岁小孩的混合体
Karpathy 用了一个非常精准的比喻来描述当前 AI 模型的状态：他觉得自己同时在和一个极其聪明的博士生以及一个十岁小孩对话。
在擅长的领域，模型表现得像光速一样快。你给它一个编程任务，它能连续工作好几个小时，搬山倒海。但你让它讲个笑话，它给你来一个三四年前就在讲的冷笑话：为什么科学家不信任原子？因为它们组成了一切（make everything up，双关语）。模型进步了这么多，笑话还是那个笑话。
这种锯齿感（jaggedness）的根源在于强化学习的训练方式。实验室能优化的，是那些有明确对错标准的任务：代码能不能跑通，单元测试能不能过。但那些更微妙的东西，比如理解用户的真实意图，知道什么时候该追问，什么时候该主动提出不同意见，这些没有清晰奖励信号的能力，就很难被优化到。
所以你会遇到一种很割裂的体验：要么你正好在模型被训练过的轨道上，一切如丝般顺滑；要么你偏离了那条轨道，模型就开始漫无目的地游荡。中间几乎没有过渡地带。
有人提出一个假设：如果模型在编程上变得更聪明，是不是在其他领域也会自动变好？Karpathy 的回答是：理论上应该如此，但实际上并没有看到令人满意的泛化效果。就像一个人可以数学极好但讲笑话极烂一样，这种不均衡在 AI 身上被放大了很多倍。
六、开源与闭源：意外达成的微妙平衡
关于开源模型和闭源模型的关系，Karpathy 有一个很有意思的判断：目前开源模型大概落后闭源模型六到八个月，而且这个差距在缩小。他认为这种格局其实挺健康的。
他拿操作系统做类比。Windows 和 macOS 是闭源的大型软件项目，Linux 是开源的。但 Linux 运行在全球大多数计算机上，因为行业需要一个所有人都能安全使用的公共平台。AI 领域也一样，企业需要一个不被任何单一公司控制的开放选项。
他的观点是：前沿实验室继续推进最尖端的能力，这很重要，因为有些人类面临的大问题确实需要最强的模型才能解决。但与此同时，今天的前沿模型在半年后就会变成开源模型的水平，而那个水平对于绝大多数消费级应用来说已经足够好了。
Karpathy 说了一句很坦率的话：中心化的历史记录很糟糕。他不希望看到只有两三个人在密室里做决定的局面。他希望有更多的前沿实验室，有更多的人参与到这些重大决策中来。从这个角度看，开源的存在本身就是一种制衡力量。
他甚至说，目前这种格局是意外形成的，但恰好还不错。
七、数字世界先爆发，物理世界会迟到
Karpathy 对未来的产业变革有一个很清晰的时间线判断。
第一波巨变会发生在纯数字领域。所有可以在家完成的、本质上是处理数字信息的工作，都会经历剧烈的重组。原因很简单：翻转比特比加速原子容易一百万倍。数字信息可以复制粘贴，可以瞬间传播，效率提升的空间是指数级的。
第二波会发生在数字和物理的交界处。也就是传感器（感知世界）和执行器（改变世界）所在的领域。比如用 AI 做材料科学的自动化实验，用摄像头和视觉模型做安防监控，这些都是数字智能向物理世界延伸的接口。
第三波才是纯物理世界的变革，比如通用机器人。这一波的市场可能最大，但来得最慢，因为操控原子实在太难了。他在特斯拉做自动驾驶的经验告诉他，物理世界的 AI 应用需要巨量资本投入和极长的时间周期。
他还提出了一个很有想象力的场景：未来如果智能体需要某个地方的实时信息，比如德黑兰街头正在发生什么，应该有一个市场机制让人们可以用十美元的价格出售一张现场照片。智能体不是为了让人看这张照片，而是为了喂给自己做决策。人类会变成 AI 的传感器和执行器，整个社会的组织方式会围绕这个逻辑重新排列。
八、就业市场：短期乐观，长期说不清
关于 AI 对就业的影响，Karpathy 的态度是谨慎乐观。
他引用了杰文斯悖论（Jevons Paradox）来解释为什么软件工程师的需求可能不降反升。经典案例是 ATM 机和银行柜员的故事：大家以为 ATM 会取代柜员，结果 ATM 降低了银行网点的运营成本，导致银行开了更多网点，反而雇了更多柜员。同样的道理，AI 让软件开发变得更便宜了，但软件的需求弹性极大。过去很多想做但做不起的软件项目，现在突然变得可行了。
但他也很坦诚地说，长期预测太难了，他不是经济学家，不敢下定论。他能确定的是：这些工具现在是极其强大的赋能工具，每个人都应该尽快学会使用它们，而不是回避或者恐惧。
他还提到了一个很有意思的观察：前沿实验室里的研究员们，其实也在焦虑自己会被自动化取代。他在 OpenAI 的时候就跟同事们说过，如果我们成功了，我们所有人都会失业。因为他们做的事情，本质上就是在为 CEO 或者董事会构建自动化系统。
九、教育的未来：不再教人，而是教 AI 怎么教人
对话最后，Karpathy 聊到了他的 MicroGPT 项目和对教育的思考。