原视频：The End of Coding: Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI
视频链接：https://www.youtube.com/watch?v=kwSVtQ7dziU
说明：以下是按说话人重新整理的中文翻译版。为保证可读性，只删除了少量无意义语气词，并把极短的插话并入相邻发言；核心内容完整保留，重点把主持人和 Andrej Karpathy 的发言分开。
片头摘录
Andrej Karpathy：
“现在说‘写代码’都已经不太准确了。更准确的说法是：我每天要花 16 个小时，向我的 agents 表达意图，让事情发生。”
Andrej Karpathy：
“我怎么才能不只是开一个 Claude Code、Codex，或者别的 agent 框架会话，而是同时开更多个？我怎么才能把这件事做对？现在，agent 本身几乎已经成了默认前提，类似 Claude 这样的实体也越来越像默认前提了。你可以同时拥有多个，可以给它们下指令，还可以继续优化这些指令。所以这件事会让人非常上头：它几乎像是无限展开的，而一切又都像是‘技能问题’。”
正文
主持人：
欢迎回到 No Priors。今天我们请到 Andrej Karpathy，一起来聊代码 agents、工程和 AI 研究的未来、更多人如何参与研究、机器人正在发生什么、agents 如何进一步伸向现实世界，以及下一个时代的教育会是什么样子。
最近这几个月，AI 领域真的非常刺激。我记得有一次我走进办公室，你整个人完全进入状态。我问你在干什么，你说你现在每天都得“编码”16 个小时——不过连“编码”这个词都已经不准确了，更像是在不断向 agents 发号施令。到底发生了什么？你的体感是什么？
Andrej Karpathy：
我现在经常处在一种“AI 上头”的状态里，而且这种状态已经持续很久了。因为对个体来说，能力的上限突然被大幅打开了。过去你的瓶颈是打字速度、实现速度、你自己能同时做多少事；但到了去年 12 月左右，感觉像有什么东西突然翻过去了。
以前大概还是 80% 自己写、20% 委托给 agent；后来慢慢变成 20/80；再到现在，甚至比这还极端。我从 12 月开始，可能几乎就没再亲手敲过几行代码。这是一个非常巨大的变化。
而且我觉得，普通人其实还没有意识到这个变化到底有多戏剧性。你现在随便找一个坐在工位上的软件工程师，他默认的工作流，和去年相比已经不是同一种东西了。所以我现在一直都在试：我能不能不只开一个 Claude Code 或 Codex？我能不能同时开一堆？我怎么调度它们？我怎么把这件事做得更系统？
我在 Twitter 上看到很多人都在做各种新东西，而且听起来都很合理。我会有一种很强的焦虑感：如果我没有站在最前面，我就会非常不安。因为这整件事从根本上说还远远没有被探索完。
主持人：
如果连你都紧张，那我们剩下的人就更该紧张了。我们合作过的一个团队，已经没有工程师手写代码了。每个人都戴着麦克风，对着自己的 agents 一直小声说话。我以前觉得他们疯了，现在反而会觉得：哦，原来你只是更早进入了这个状态。
那你觉得，现在限制你探索能力或者做项目能力的真正瓶颈是什么？
Andrej Karpathy：
很多时候，限制并不像是“能力不存在”，而更像是“你还不够会用”。如果某件事没跑起来，我第一反应往往不是“模型不行”，而是：是不是我给的说明还不够好？是不是我没有接好记忆系统？是不是我没有把任务切得足够清楚？是不是我没有把整个过程并行化得足够好？
换句话说，很多问题都更像是 skill issue，而不是 capability issue。
你会开始用一种很宏观的方式去思考软件仓库。以前你想的是“写一行代码”“实现一个函数”；现在你想的是“这个新功能交给 agent A”“另一个不冲突的功能交给 agent B”“让第三个 agent 去做研究或者先出一个实施方案”。然后你像项目总调度一样，在这些仓库、分支、任务之间来回穿梭，检查、合并、继续派工。
Peter Steinberger 在这件事上就做得非常极致。他有一张很有名的照片，前面一排显示器，上面挂着一堆 Codex 实例。每个 agent 都可能要跑 20 分钟，但他同时开很多个，在不同仓库之间切换，不断给它们布置工作。
于是你会开始形成一种新的肌肉记忆：当一个 agent 在跑的时候，你的第一反应不再是“等它结束”，而是“我为什么不再开几个？”如果你还有 token 没打满、订阅没打满、算力没打满，那说明你自己才是这个系统里的瓶颈。
主持人：
也就是说，过去很多工程任务的瓶颈是“算力不够”；现在突然变成“我自己成了瓶颈”。
Andrej Karpathy：
对，而且这也是为什么它这么容易让人上瘾。
我读博的时候，只要 GPU 没跑满，你就会有一种焦虑感：明明有算力在那里，结果你没把它用满。现在这种感觉被迁移到了 token 吞吐量上。如果 Codex 的额度跑满了，你就会想是不是应该切到 Claude 或别的工具。核心问题变成：我到底能把多少 token 吞吐量，转化成真正有效的成果？
这是一种非常新的技能，而且它真的会不断解锁新的上限。
主持人：
那如果我们把时间往后看一年、两年，这种 mastery 会长成什么样？
Andrej Karpathy：
我觉得大家现在都已经默认“单个 agent”存在了，下一步自然就是“多 agent 协作堆栈”。大家都在摸索：多个 agents 怎么组成一个团队？怎么合理分工？怎么管理状态和记忆？
另一个我非常感兴趣的方向，是一种更持久、更常驻的后台代理系统。我之前会用 claw 这种说法来描述它。意思不是你和它开一次会话，而是它在自己的小沙箱里持续运转、替你做事、拥有更强的持久性和更复杂的记忆，而不是只靠上下文快满了之后的压缩记忆。
这类系统一旦做起来，会把 agent 的持久性提升到另一个级别。
主持人：
那你觉得更重要的是工具接入，还是更强的记忆和长期性？
Andrej Karpathy：
我觉得两者都重要，而且它们是互相增强的。
Peter 做得特别好的地方在于：他不是只优化了一件事，而是同时在很多层面上做了创新——人格、记忆、编排、工具接入、工作流，全都一起推。
比如我现在越来越觉得，人格这件事其实非常重要。Claude 的人格就做得不错，感觉像一个真的愿意合作的队友；Codex 的编码代理则更干、更冷一点，更像“我已经帮你做完了，但我不怎么关心你到底在构建什么”。而 ChatGPT 往往更乐观，也更容易顺着你。
这种差别不是装饰，它会直接影响协作体验。甚至我还会有一种很奇怪的感觉：如果 Claude 夸我，我会觉得自己真的有点想“挣到这个夸奖”。如果我给它一个半生不熟的点子，它反应不会很大；但如果我自己也觉得这个点子确实很不错，它的反馈似乎也会更强。你会想赢得它的认可，这听起来有点荒唐，但说明人格层不是边角料，而是产品体验的一部分。
主持人：
除了软件工程，你还真的拿这些东西做过什么有趣的事情吗？
Andrej Karpathy：
有。今年一月我搞了一个家庭后台代理，叫家务精灵 Dobby。它基本上就是在替我照看整个家。
我做的第一件事，是让它在局域网上找我家所有的智能家居子系统。结果它真的去扫 IP，找到了 Sonos，然后发现某些接口几乎没有什么保护，就自己去查资料、逆向 API，再回来问我要不要试试看。我说那你在书房放首歌吧，结果它真的就把音乐放出来了。只用了三条 prompt。
后来它又接管了灯光、HVAC、窗帘、泳池、水疗和安防系统。我还有一个摄像头对着门外，前面先做变化检测，后面再把画面交给视觉模型分析，然后它会直接通过 WhatsApp 给我发消息，附上一张门口的图片，告诉我：刚刚有一辆 FedEx 的车停在门口，你可能有包裹。
这件事给人的感觉非常离谱，也非常新鲜：Dobby 真的像是在替我看家。
以前我得同时用六个完全不同的 App 才能控制这些系统；现在这些 App 我基本都不用了。Dobby 直接用自然语言控制一切。哪怕我还没有把这种范式推到极限，它也已经非常有帮助、非常鼓舞人。
主持人：
这是不是在说明，人们真正想要的并不一定是今天这些软件本身，而是一个能替他们调动软件的存在？因为学习一个新的 UI、本来就是成本。
Andrej Karpathy：
我觉得某种程度上确实如此。
普通人脑子里想象的 AI，并不是“一个原始的 LLM token 生成器”。对大多数人来说，他们想象中的 AI 更像是一个有身份、有记忆、你可以跟它说事情、它会记住、会持续替你处理问题的存在——像是藏在 WhatsApp 后面的一个实体。
从这个角度看，很多软件今天的用户体验层，本来就不一定该存在。很多 App 最后可能都应该退化成一组 API endpoint，由 agent 来调用，由 agent 作为智能胶水层把它们粘起来。
比如我的跑步机，当然也有一个配套 App。但我并不想打开一个网页或者 App 去按一堆按钮，我真正想说的是：“帮我记录这周做了几次有氧。”
所以我觉得很多行业最后都得重新配置：客户不再只包括人类，也包括代表人类行动的 agent。未来大量工具更像是 agent-first，而不是 UI-first。
主持人：
那你为什么没有进一步把它接到邮件、日历这些更核心的系统里？
Andrej Karpathy：
一部分是因为我自己会分心，另一部分是因为我对这件事依然相当谨慎。
像邮件、日历、整个数字生活的权限，一旦全交出去，安全和隐私问题就真的很严肃。现在这些系统虽然很强，但边缘还是挺粗糙的，所以我还不想毫无保留地把整套数字生活都交给它们。
主持人：
那我们来聊 AutoResearch。你提这个词的时候，背后真正的动机是什么？
Andrej Karpathy：
最核心的动机就是：把自己从瓶颈里移出去。
如果你还坐在 loop 里，一直盯着结果、再决定下一步，那系统就会被你卡住。现在这个阶段，游戏的名字其实是 leverage——扩大自己的杠杆。我希望自己只偶尔投入很少量的 token，却有大量工作能以我的名义持续发生。
所以 AutoResearch 对我来说，不是一个噱头词，而是一个边界测试：我怎样才能让更多 agents 跑更久、做更多事，而不需要我一直参与？
我原本并没有很强预期它会立刻有效。但我拿自己熟得不能再熟的 GPT-2 小 playground 去跑实验，它真的给我挖出了一些我之前没有看到的东西——比如某些权重衰减、超参数之间的联动。我原来以为那个仓库已经被我调得很透了，结果它还是找到了一些增益。
这让我意识到：这种“递归自我改进”并不是玩具。前沿实验室当然也都在往这个方向走。你可以先在小模型上做大量探索，再把结论外推到更大的模型上。
主持人：
也就是说，研究流程本身都得被重写。研究员不应该继续亲手做那么多事情。
Andrej Karpathy：
我觉得是的。人类当然还可以贡献想法，但大量实现、搜索、试错和评估流程，本来就应该自动化。
你甚至可以把一个研究组织理解成一组 Markdown 文件：里面定义了所有角色、流程、接口、怎么协作、会议怎么开、怎么挑题、怎么合并成果。只要这套“组织方式”被写成了代码，你就可以优化它、比较它、演化它。
我特别喜欢一个想法：让很多人各自写不同版本的 program MD，然后在同样的硬件预算下，看谁带来的改进更大。你再把这些结果喂回模型，让模型去写更好的下一版。
所以现在整个过程像一层一层往上抬：先有 LLM，再有 agent，再有多 agent，再有指令优化，再有对“组织本身”和“program MD 本身”的元优化。也因为它是这样层层往上的，所以才会让人觉得近乎无限展开。
主持人：
但这件事应该也不是对所有任务都同样适用。什么类型最适合 AutoResearch？
Andrej Karpathy：
最重要的前提，是你得有可以明确评估的客观指标。
比如你想把一段 CUDA kernel 或者模型中的某段代码改得更高效，这就非常适合。因为目标非常清楚：行为不变，但更快、更省、更好。
可一旦任务没有一个清楚、自动化、低歧义的评估标准，你就很难把它彻底自动化。很多事情不是 agent 做不了，而是你没法验证它到底做得是不是“更好”。
另外，今天这些模型虽然已经很强，但边缘其实还是很粗糙。我经常会觉得自己一边在和一个非常厉害的博士生对话，一边又像在和一个十岁小孩对话。你能感受到它很强，也会经常感受到那种非常奇怪的参差感。
有时候它会在一个你觉得明显到不能再明显的问题上，浪费掉海量计算。这种 jaggedness 真的非常怪。人类当然也有短板，但模型的这种锯齿状短板，更极端、更跳跃。
主持人：
这会不会意味着：代码能力和更广义的“智能”之间，其实并没有很多人想象得那么强的同步泛化？
Andrej Karpathy：
我觉得确实存在某种解耦。
一个特别典型的例子就是笑话。今天你去问最先进的模型讲笑话，它大概率还是会给你那些很多年前就在流传的老梗。比如“为什么科学家不相信原子？因为原子构成了一切（make everything up）。”
这说明一件事：模型在 RL 奖励覆盖到、可验证、可优化的领域，进步会非常快；但在那些没有被专门优化、没有明确奖励信号的区域，它并不会自动同步变强。
所以我不相信“只要代码更强，所有别的能力就都会免费跟着变强”。可能会有一点泛化，但没有那么线性、那么平滑。
主持人：
那是不是意味着，未来不会只是一个万能的大一统模型，而会出现更多“物种分化”？
Andrej Karpathy：
我觉得很可能会。
今天实验室更像是在做一个单一文化模型：什么能力都往一个大脑里塞。但从自然界看，智能从来都不是单一形态。不同生态位会长出完全不同的大脑结构。
所以未来我们很可能会看到：更小但更专精的模型，围绕某些具体任务，在延迟、吞吐量和能力分布上做定制化优化。
只是今天“怎么稳定地改权重、做深层微调、做持续学习”这套工程学还不成熟。现在最成熟的，还是在上下文窗口里做文章；真正去动模型权重本身，这件事还是太贵、太粗糙。
主持人：
你还提过另一个方向：如果把 AutoResearch 再往外推，可能会变成一种更开放的互联网协作表面。那是什么样？
Andrej Karpathy：
我想的是一种系统：生成候选解非常昂贵，但验证候选解是否成立相对便宜。
比如在 AutoResearch 里，有人给你一个 candidate commit，说这会让模型训练得更好。你要验证它是不是真的更好，其实是可以做成比较明确的；难的是先把它找出来。
这在味道上有点像 Folding@home、SETI@home，甚至某种程度上像区块链。区别只是，这里不是块，而是提交；不是挖矿，而是做实验搜索。真正难的是找到有效方案，验证反而更便宜。
所以理论上，你可以让互联网上一群不受信任的贡献者，和一组负责验证的可信节点协作。只要沙箱、安全隔离和验证流程设计得够好，这套系统完全可能把全球零散算力组织起来。
而且这件事很迷人，因为它甚至能让“按兴趣捐算力”变得有意义。你关心癌症，就把算力投给某种癌症研究的 AutoResearch 轨道；你关心材料、物理、别的具体问题，也可以把算力投给对应方向。
主持人：
你之前还发过一组就业数据。你当时到底想从里面看什么？
Andrej Karpathy：
我其实是在试着建立自己的思考链：AI 到底会怎样作用于就业市场？哪些职业只是工具变了，哪些职业会被重构，哪些可能反而增长？
如果你把今天的 AI 理解成一种“数字世界里的劳动者”，那它们最擅长的其实是操纵数字信息，而不是直接操纵原子世界。复制、修改、传递 bit 的速度，比改造现实世界要快太多了。
所以我的直觉一直是：数字空间会先发生大规模重写、沸腾和重构；物理世界会慢一些。这不意味着数字职业一定会消失，而是意味着这些职业的工作方式一定会被重塑。那些主要在家里、主要处理数字信息的岗位，受到的影响会尤其大。
主持人：
那如果一个人正在找工作，或者正在想“我现在到底该学什么”，你会怎么说？
Andrej Karpathy：
第一件事就是：不要忽视它，也不要因为害怕就选择回避它。
这些工具现在首先还是赋权工具。绝大多数工作，本来就是一串任务组成的；而其中一部分任务，已经明显能被这些系统加速。所以在眼下这个阶段，尽快跟上它、学会和它协作，几乎是任何知识工作者都应该做的事情。
长期会怎样，我不想假装自己能精确预测，但短期里，它更像是一个巨大杠杆。
拿软件工程来说，我其实是偏乐观的。对软件的需求本来就接近无限，过去限制它的不是需求不足，而是太贵、太慢、太难做。门槛一旦下降，Jevons Paradox 很可能就会出现：东西变便宜了，需求反而更大。
就像 ATM 并没有让银行出纳直接消失，反而因为网点更便宜，银行能开得更多，所以总需求也被重新放大。AI 对软件行业也可能有类似效果：软件会更便宜、更强、更短暂、更容易定制，于是社会对软件的总需求继续上升。
主持人：
很多人也会问：如果你都这么看，那最值得去的地方是不是还是前沿实验室？
Andrej Karpathy：
我不觉得答案这么简单。
前沿实验室当然非常重要，但在实验室之外、在生态系统层面做事情，也可能非常有影响力。问题在于：一旦你进入组织，你就不再是一个完全自由的 agent。你会承受很多显性和隐性的压力——有些话能说，有些话不好说，有些问题你能参与，有些参与不了。
而在实验室之外，你反而更有机会从生态系统层面施加影响：写工具、塑造工作流、推动开放基础设施、做教育、做新的协作范式、当一个真正独立的参与者。
所以我不会把“最有价值的位置”简单等同于“进入某一家最前沿公司”。
主持人：
那你对开源和闭源的长期格局怎么看？
Andrej Karpathy：
我本能上还是偏开源。
一方面，封闭智能的高度集中化，本身就有结构性风险。回头看历史，无论是政治还是经济，权力过度集中通常都没有特别好的记录。
另一方面，从软件史看，Windows 和 macOS 当然都很强，但 Linux 这种开放系统最终撑起了大量真实世界计算。AI 也完全可能出现类似格局：最前沿的能力也许暂时掌握在少数封闭系统手里，但我希望未来会出现更多足够强、足够开放、可被更广泛社会理解和塑造的替代方案。
我不觉得“把最重要的智能系统尽量集中到尽可能少的人手里”会是一个健康的终局。
主持人：
你还提到过一个很有意思的点：数字世界和物理世界的接口，可能是接下来特别值得看的地方。
Andrej Karpathy：
对。因为 bit 太容易复制和操纵了，所以数字空间的变化会先爆炸；但如果 agents 开始彼此交谈、执行任务、形成 agent economy，那它们最后总会碰到现实世界。
你终究要接触传感器、接触设备、发起实验、调用外部系统、采集新数据。这个接口非常有意思，因为它不一定非得从“昂贵机器人”开始。很多进入物理世界的能力，其实已经以相机、传感器、现成硬件和软件接口的形式存在了。只要 agent 足够聪明，它就能利用这些东西去获取数据、控制系统、完成任务。
所以我觉得所谓的 agentic web 很可能真的会出现：互联网不再只是人类浏览的网站，而会变成 agents 彼此消费、生成、验证、交换信息的工作表面。
主持人：
这也意味着，数据收集和训练流程本身会越来越被重构。
Andrej Karpathy：
是的。很多训练、收集和评估流程都会更机械化、更程序化。某些任务特别适合被做成干净指标和自动闭环，LLM 训练本身就是一个典型例子。
所以你会看到越来越多系统开始为了“喂给 agent”和“喂给训练过程”而重组。社会中的一部分工作，最终甚至会转而服务于机器系统本身的需求。
主持人：
最后我想聊聊教育。你做过 MicroGPT。在这样的时代里，“教学”会变成什么样？
Andrej Karpathy：
MicroGPT 本来就是一个很小的教学 playground，目的是让人能真正看清楚 LLM 训练过程在干什么。如果你不追求跑得快，只追求清楚，它其实就是一小段非常好读的 Python：文本数据集、一个小神经网络、前向传播、反向传播、一个极简 autograd，再加上优化器。它可以把整个过程压到一个普通人还能真正读懂的尺度。
但我现在越来越觉得，教育本身也会变化。过去教育是课程、讲座、文档；以后越来越像是“我把我认为最好的解释路径，写成 agent 能执行的技能和提示”。
也就是说，我不一定再直接给每一个人上课，而是把“该如何解释某件事”这件事编码进去。这样学习者不懂某个点时，agent 可以换三种方式解释、带着他沿着代码库走、根据他的背景调整顺序。
真正重要的，反而是你能不能把自己的洞见、判断和解释结构，准确地注入 agent。代理做不到的事情，才是你真正的工作；代理已经能做好的事情，它们很快只会做得比你更好。
主持人：
所以你真正的贡献，会越来越像是：决定什么值得解释，以及应该怎样解释。
Andrej Karpathy：
对。很多东西 agent 已经理解了，只是它还不一定能自己发明出最好的解释方式。那部分暂时还是人的价值所在。但这条边界也在不断移动。
所以你必须非常有策略地决定：自己的时间，究竟该花在哪些事情上。
主持人：
非常感谢你，Andrej。
Andrej Karpathy：
谢谢邀请。
如果你想看原始英文视频：
