Оригинальное видео：The End of Coding: Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI
Ссылка на видео：https://www.youtube.com/watch?v=kwSVtQ7dziU
Примечание：ниже — переработанная по спикерам русская версия перевода с китайского. Ради читаемости удалены лишь немногочисленные бессмысленные слова-паразиты, а очень короткие реплики-вставки объединены с соседними высказываниями; ключевое содержание полностью сохранено, с акцентом на разделение реплик ведущего и Andrej Karpathy.
Фрагменты из вступления
Andrej Karpathy：
«Сейчас уже не очень точно говорить “писать код”. Точнее так: я каждый день по 16 часов выражаю намерение своим агентам (agents), чтобы что-то происходило».
Andrej Karpathy：
«Как мне сделать так, чтобы я открывал не только один диалог в Claude Code, Codex или каком-то другом агентном фреймворке, а одновременно больше? Как мне сделать это правильно? Сейчас сам агент почти стал предпосылкой “по умолчанию”, и сущности вроде Claude тоже всё больше становятся предпосылкой “по умолчанию”. Ты можешь иметь несколько одновременно, можешь давать им инструкции и дальше оптимизировать эти инструкции. И это невероятно затягивает: оно почти как бесконечное разворачивание, и при этом всё выглядит как “вопрос навыка”».
Основная часть
Ведущий：
Добро пожаловать обратно в No Priors. Сегодня у нас Andrej Karpathy: поговорим о кодовых агентах (agents), инженерии и будущем AI-исследований, о том, как больше людей смогут участвовать в исследованиях, что происходит в робототехнике, как агенты будут дальше проникать в реальный мир, и каким будет образование следующей эпохи.
Последние несколько месяцев в AI реально очень захватывающие. Я помню, как однажды зашёл в офис — ты был полностью “в потоке”. Я спросил, чем ты занимаешься, а ты сказал, что теперь тебе приходится “кодить” по 16 часов в день — хотя даже слово “кодить” уже неточное; скорее ты постоянно раздаёшь агентам указания. Что произошло? Как это ощущается изнутри?
Andrej Karpathy：
Я сейчас часто нахожусь в состоянии своего рода “AI-одержимости”, и уже довольно давно. Потому что для отдельного человека внезапно резко открылся верхний предел возможностей. Раньше узким местом были скорость набора, скорость реализации, то, сколько всего ты сам можешь делать параллельно; но где-то к декабрю прошлого года ощущение было такое, будто что-то щёлкнуло и “перевернулось”.
Раньше это было примерно 80% пишу сам и 20% делегирую агенту; потом постепенно стало 20/80; а сейчас — ещё экстремальнее. Начиная с декабря я, кажется, почти вообще не набирал код руками — буквально несколько строк. Это колоссальная перемена.
И мне кажется, обычные люди пока не осознали, насколько драматично всё изменилось. Сейчас возьми любого разработчика, сидящего на рабочем месте: его “дефолтный” рабочий процесс по сравнению с прошлым годом — уже не тот же самый процесс. Поэтому я всё время пробую: могу ли я открывать не только один Claude Code или Codex? Могу ли я открыть сразу кучу? Как их диспетчеризировать? Как сделать это более системно?
Я вижу в Twitter, как многие делают разные новые штуки, и это звучит очень разумно. И у меня возникает сильная тревога: если я не на самом переднем крае, мне очень не по себе. Потому что, по сути, эта область ещё очень-очень далека от того, чтобы быть полностью исследованной.
Ведущий：
Если даже ты нервничаешь, то всем остальным тем более стоит нервничать. Мы работали с одной командой, где инженеры уже не пишут код вручную. У каждого микрофон, и они постоянно вполголоса разговаривают со своими агентами. Раньше я думал, что они сошли с ума, а теперь скорее думаю: ага, вы просто раньше вошли в это состояние.
Как ты считаешь, что сейчас является настоящим узким местом, ограничивающим твою способность исследовать или делать проекты?
Andrej Karpathy：
Во многих случаях ограничение не похоже на “возможности не существует”, а скорее на “ты ещё недостаточно умеешь этим пользоваться”. Если что-то не заводится, моя первая реакция часто не “модель плохая”, а: не слишком ли плохо я объяснил? Не подключил ли я нормально систему памяти? Не нарезал ли я задачу достаточно чётко? Не распараллелил ли я процесс достаточно хорошо?
Иными словами, многие проблемы — это скорее проблема навыка (skill issue), а не возможностей (capability issue).
Ты начинаешь мыслить репозиторием на более макроуровне. Раньше ты думал “написать строку кода”, “реализовать функцию”; сейчас ты думаешь “эту новую фичу отдать агенту A”, “другую, не конфликтующую, — агенту B”, “третьего агента отправить на ресёрч или хотя бы сначала сделать план внедрения”. А затем ты, как главный диспетчер проекта, курсируешь между репозиториями, ветками и задачами: проверяешь, мёрджишь, продолжаешь раздавать работу.
Peter Steinberger довёл это до предела. Есть известное фото: ряд мониторов, на которых запущена куча экземпляров Codex. Каждый агент может работать по 20 минут, но он держит открытыми сразу много, переключается между разными репозиториями и постоянно выдаёт им задания.
В результате у тебя появляется новая мышечная память: когда один агент “бежит”, твоя первая реакция уже не “ждать, пока он закончит”, а “почему бы не открыть ещё несколько?” Если у тебя ещё не выбит лимит по токенам, не выбита подписка, не выбита вычислительная мощность — значит, узкое место в системе ты сам.
Ведущий：
То есть раньше узким местом многих инженерных задач было “не хватает вычислений”; а теперь внезапно “я сам стал узким местом”.
Andrej Karpathy：
Да, и именно поэтому это так затягивает.
Когда я учился в аспирантуре, если GPU не были загружены на максимум, возникало тревожное чувство: мощность есть, но ты её не используешь. Сейчас это ощущение перенеслось на пропускную способность по токенам. Если у Codex выбит лимит, начинаешь думать, не переключиться ли на Claude или другой инструмент. Центральный вопрос становится таким: сколько пропускной способности по токенам я могу превратить в реально полезный результат?
Это очень новый навык, и он действительно постоянно открывает новые “потолки”.
Ведущий：
А если посмотреть вперёд на год-два: во что вырастет такое мастерство?
Andrej Karpathy：
Мне кажется, сейчас все уже по умолчанию приняли существование “одного агента”; следующий шаг естественен — “стек кооперации многих агентов”. Все нащупывают: как собрать из нескольких агентов команду? как разумно разделить обязанности? как управлять состоянием и памятью?
Другое направление, которое мне очень интересно, — более устойчивый, постоянно работающий фоновый агентный сервис. Раньше я описывал это словом claw (claw). Смысл в том, что это не разовая сессия с ним; это штука, которая постоянно крутится в своей песочнице, делает для тебя дела, обладает большей устойчивостью и более сложной памятью, а не опирается только на сжатую память, когда контекст почти заполнен.
Если такие системы заработают, они поднимут “долгоживущесть” агента на другой уровень.
Ведущий：
Что важнее: подключение инструментов или более сильная память и долгосрочность?
Andrej Karpathy：
Мне кажется, важно и то и другое, и они усиливают друг друга.
У Питера особенно хорошо получилось то, что он не оптимизировал одну вещь — он одновременно инновационировал на многих уровнях: персона (личность), память, оркестрация, подключение инструментов, рабочие процессы — всё вместе.
Например, мне всё больше кажется, что “личность” очень важна. У Claude она сделана хорошо: ощущается как реально готовый сотрудничать напарник; кодовый агент Codex более сухой и холодный, скорее в духе “я сделал, но мне не очень важно, что именно ты строишь”. А ChatGPT часто более оптимистичен и легче “идёт за тобой”.
Эта разница не декоративна — она прямо влияет на опыт совместной работы. У меня даже бывает странное чувство: если Claude меня хвалит, мне кажется, что я правда хочу “заслужить эту похвалу”. Если я даю ему сырую идею, реакция не слишком сильная; но если я сам считаю, что идея действительно хорошая, его обратная связь будто становится сильнее. Ты хочешь заслужить его одобрение — звучит немного нелепо, но это показывает, что слой личности — не “обвес”, а часть продуктового опыта.
Ведущий：
Помимо софтверной инженерии, ты реально делал с этим что-то ещё интересное?
Andrej Karpathy：
Да. В январе я сделал домашнего фонового агента, назвал его домовёнок по хозяйству Dobby. Он по сути присматривает за всем домом вместо меня.
Первое, что я сделал, — попросил его найти в локальной сети все подсистемы умного дома. Он реально пошёл сканировать IP, нашёл Sonos, затем понял, что некоторые интерфейсы почти не защищены, сам полез читать материалы, сделал реверс-инжиниринг API и вернулся спросить, хочу ли я попробовать. Я сказал: включи музыку в кабинете — и он реально её включил. Всего тремя prompt.
Потом он взял под контроль освещение, HVAC, шторы, бассейн, спа и систему безопасности. У меня ещё есть камера, смотрящая на дверь: сначала идёт детектирование изменений, затем кадр передаётся модели компьютерного зрения, и дальше он напрямую пишет мне в WhatsApp, прикладывая фото двери и сообщая: только что у входа остановилась машина FedEx, возможно, у тебя посылка.
Ощущение очень дикое и очень новое: Dobby реально как будто “смотрит за домом” вместо меня.
Раньше мне нужно было шесть полностью разных приложений, чтобы управлять всеми этими системами; сейчас я этими приложениями почти не пользуюсь. Dobby управляет всем через естественный язык. Даже если я ещё не довёл эту парадигму до предела, она уже очень полезна и очень воодушевляет.
Ведущий：
Это показывает, что люди на самом деле хотят не обязательно сегодняшние программы как таковые, а сущность, которая может “задействовать” софт за них? Потому что изучение нового UI само по себе — издержка.
Andrej Karpathy：
В некоторой степени — да.
То, как обычные люди представляют себе AI, — это не “сырой генератор токенов LLM”. Для большинства AI — это скорее сущность с идентичностью и памятью: ты можешь ей что-то сказать, она запомнит и будет продолжать разруливать проблемы — как некая сущность, спрятанная за WhatsApp.
С этой точки зрения, UX-слой многих программ сегодня вообще не обязательно должен существовать. Многие приложения в итоге, возможно, должны деградировать до набора эндпоинтов API (API endpoint), которые вызывает агент, а агент выступает умным “клеевым слоем”, склеивая всё вместе.
Например, у моей беговой дорожки, конечно, есть приложение. Но я не хочу открывать веб-страницу или приложение и нажимать кучу кнопок; я на самом деле хочу сказать: “помоги мне записать, сколько раз на этой неделе я делал кардио”.
Поэтому мне кажется, что многим индустриям в итоге придётся переконфигурироваться: клиентами будут не только люди, но и агенты, действующие от имени людей. В будущем множество инструментов будут скорее agent-first, а не UI-first.
Ведущий：
Тогда почему ты не подключил это глубже к почте, календарю — к более ядровым системам?
Andrej Karpathy：
Отчасти потому, что я сам легко отвлекаюсь, а отчасти потому, что я всё ещё довольно осторожен.
Почта, календарь, права доступа ко всей цифровой жизни — как только ты отдаёшь это целиком, вопросы безопасности и приватности становятся очень серьёзными. Сейчас эти системы хоть и сильные, но по краям всё ещё довольно грубые, поэтому я пока не хочу безоговорочно отдавать им всю цифровую жизнь.
Ведущий：
Давай поговорим про AutoResearch. Когда ты произносишь это слово, какая настоящая мотивация за ним стоит?
Andrej Karpathy：
Самая главная мотивация — убрать себя из роли узкого места.
Если ты всё ещё сидишь внутри цикла (loop), постоянно смотришь на результаты и решаешь, что дальше, — система будет “спотыкаться” об тебя. На этом этапе имя игры — leverage (рычаг): увеличить свой рычаг. Я хочу, чтобы я лишь изредка вкладывал немного токенов, а большая работа продолжала происходить от моего имени.
Поэтому AutoResearch для меня — не хайповое словечко, а тест границы: как мне заставить больше агентов работать дольше и делать больше, не требуя моего постоянного участия?
Изначально у меня не было сильного ожидания, что это сразу станет эффективным. Но я взял очень знакомую мне маленькую песочницу GPT-2 и провёл эксперимент — и он реально выкопал кое-что, чего я раньше не видел: например, какие-то связки между weight decay и гиперпараметрами. Я думал, что тот репозиторий уже “вылизан” мной до конца, а он всё равно нашёл некоторый прирост.
Это заставило меня понять: такое “рекурсивное самоулучшение” — не игрушка. И фронтирные лаборатории, конечно, тоже идут в эту сторону. Можно сначала много исследовать на маленьких моделях, а затем экстраполировать выводы на более крупные.
Ведущий：
То есть сам исследовательский процесс нужно переписать. Исследователь не должен продолжать делать так много руками.
Andrej Karpathy：
Мне кажется, да. Люди, конечно, всё ещё могут вносить идеи, но большая часть реализации, поиска, проб-ошибок и оценочных процедур вообще-то должна быть автоматизирована.
Можно даже представить исследовательскую организацию как набор файлов Markdown: там определены все роли, процессы, интерфейсы, как сотрудничать, как проводить встречи, как выбирать темы, как мёрджить результаты. Как только этот “способ организации” записан как код, его можно оптимизировать, сравнивать и эволюционировать.
Мне особенно нравится идея: пусть многие люди пишут разные версии program MD, а затем на одном и том же бюджете железа сравнить, у кого улучшения больше. Потом эти результаты снова скормить модели, чтобы она написала лучшую следующую версию.
И поэтому сейчас весь процесс как бы “поднимается слой за слоем”: сначала LLM, потом агент, потом много агентов, потом оптимизация инструкций, потом мета-оптимизация “самой организации” и “самого program MD”. И из-за того, что это так наращивается слоями, оно и кажется почти бесконечно разворачиваемым.
Ведущий：
Но, видимо, это не одинаково применимо ко всем задачам. Какие типы задач лучше всего подходят для AutoResearch?
Andrej Karpathy：
Самое важное условие — у тебя должны быть объективные метрики, которые можно чётко оценивать.
Например, если ты хочешь сделать участок CUDA kernel или часть кода в модели более эффективной — это идеально подходит. Потому что цель ясна: поведение то же, но быстрее, экономнее, лучше.
Но как только у задачи нет ясного, автоматизируемого и слабо неоднозначного критерия оценки, её трудно полностью автоматизировать. Дело часто не в том, что агент не сможет, а в том, что ты не можешь проверить, сделал ли он “лучше”.
Кроме того, сегодняшние модели хоть и очень сильные, но по краям всё ещё довольно грубые. Я часто ощущаю, что одновременно разговариваю то с очень сильным аспирантом, то с десятилетним ребёнком. Ты чувствуешь, что оно мощное, и одновременно часто чувствуешь странную неровность.
Иногда оно тратит огромные вычисления на проблему, которая тебе кажется очевидной до предела. Эта “зубчатость” (jaggedness) реально очень странная. У людей, конечно, тоже есть слабые места, но у моделей эти зубчатые провалы более экстремальные и более скачкообразные.
Ведущий：
Это означает, что между навыком в коде и более широким “интеллектом” нет такой сильной синхронной генерализации, как многим кажется?
Andrej Karpathy：
Мне кажется, действительно есть определённая развязка (decoupling).
Очень типичный пример — шутки. Сегодня спроси самую передовую модель рассказать шутку — она с большой вероятностью выдаст старые баяны, которые ходят много лет. Например: “Почему учёные не доверяют атомам? Потому что атомы составляют всё (make everything up).”
Это показывает следующее: в областях, где RL-награда покрывает задачу, где есть верифицируемость и оптимизируемость, прогресс будет очень быстрым; но в зонах, которые специально не оптимизировали и где нет чёткого сигнала награды, модель не станет автоматически синхронно сильнее.
Поэтому я не верю в “как только код станет сильнее, все остальные способности бесплатно подтянутся”. Немного генерализации может быть, но не настолько линейно и не настолько гладко.
Ведущий：
Тогда получается, в будущем это будет не один универсальный монолитный модельный “бог”, а больше “видообразования”?
Andrej Karpathy：
Думаю, вполне возможно.
Сегодня лаборатории скорее делают модель одной-единственной культуры: всё запихивают в один мозг. Но если смотреть на природу, интеллект никогда не был одной формой. Разные экологические ниши порождают совершенно разные структуры мозга.
Так что в будущем мы, вероятно, увидим: более маленькие, но более специализированные модели, заточенные под конкретные задачи, с кастомной оптимизацией по задержке, пропускной способности и распределению способностей.
Просто сегодня инженерная часть “как стабильно менять веса, делать глубокую донастройку, делать непрерывное обучение” ещё не зрелая. Самое зрелое сейчас — играться с контекстным окном; а реально лезть в веса модели — всё ещё слишком дорого и слишком грубо.
Ведущий：
Ты упоминал ещё одно направление: если вытолкнуть AutoResearch наружу, это может стать более открытой поверхностью сотрудничества в интернете. Как это выглядит?
Andrej Karpathy：
Я думаю о системе, где генерировать кандидаты на решение очень дорого, а проверять, верен ли кандидат, относительно дёшево.
Например, в AutoResearch кто-то даёт тебе candidate commit и говорит, что это улучшит обучение модели. Проверить, действительно ли стало лучше, можно сделать довольно однозначно; сложность — найти это изменение.
По “вкусу” это немного похоже на Folding@home, SETI@home и даже в какой-то степени на блокчейн. Разница только в том, что здесь не блоки, а коммиты; не майнинг, а экспериментальный поиск. По-настоящему трудно найти работающую схему, а верификация дешевле.
Теоретически можно заставить в интернете сотрудничать множество недоверенных контрибьюторов и набор доверенных узлов, отвечающих за проверку. Если песочницы, изоляция безопасности и процесс валидации спроектированы достаточно хорошо, такая система вполне может организовать разрозненную мировую вычислительную мощность.
И это очень привлекательно ещё и потому, что может сделать осмысленным “пожертвование вычислений по интересу”. Тебе важен рак — ты отдаёшь вычисления в AutoResearch-трек по онкологии; тебе важны материалы, физика или другие конкретные проблемы — можно направить вычисления туда.
Ведущий：
Ранее ты публиковал набор данных по занятости. Что ты пытался в них увидеть?
Andrej Karpathy：
Я пытался построить собственную цепочку рассуждений: как именно AI повлияет на рынок труда? Какие профессии просто сменят инструменты, какие будут реконструированы, а какие, возможно, наоборот, вырастут?
Если понимать нынешний AI как “работников в цифровом мире”, то лучше всего они умеют манипулировать цифровой информацией, а не напрямую манипулировать атомным миром. Копировать, менять и передавать биты намного быстрее, чем перестраивать реальный мир.
Поэтому моя интуиция всегда была такая: цифровое пространство первым переживёт массовую перепись, “кипение” и реконфигурацию; физический мир будет медленнее. Это не значит, что цифровые профессии обязательно исчезнут; это значит, что их способ работы будет переформатирован. Позиции, где работа в основном из дома и в основном с цифровой информацией, почувствуют влияние особенно сильно.
Ведущий：
Если человек сейчас ищет работу или думает “чему мне учиться”, что бы ты сказал?
Andrej Karpathy：
Первое: не игнорировать это и не уходить в избегание из-за страха.
Эти инструменты сейчас прежде всего — инструменты расширения возможностей. Почти любая работа — это цепочка задач; и часть этих задач уже заметно ускоряется такими системами. Поэтому на текущем этапе как можно быстрее догнать это и научиться с этим сотрудничать — почти обязательная вещь для любого работника умственного труда.
Что будет в долгосрочной перспективе, я не хочу притворяться, будто могу точно предсказать, но в краткосрочной это скорее огромный рычаг.
Если говорить о софтверной инженерии, я скорее оптимист. Спрос на софт почти бесконечен; раньше ограничением был не недостаток спроса, а то, что делать софт слишком дорого, слишком медленно и слишком сложно. Если порог резко падает, может включиться парадокс Джевонса (Jevons Paradox): вещь стала дешевле — спрос стал ещё больше.
Как банкоматы не “убили” банковских кассиров напрямую, а из-за удешевления отделений банки смогли открывать больше точек и общий спрос переумножился. AI может дать похожий эффект в софте: софт станет дешевле, мощнее, более краткоживущим, проще кастомизируемым — и общий спрос общества на софт продолжит расти.
Ведущий：
Многие спрашивают: если ты так смотришь на это, то самое стоящее место — это всё равно фронтирные лаборатории?
Andrej Karpathy：
Я не думаю, что ответ настолько простой.
Фронтирные лаборатории, конечно, очень важны, но делать вещи вне лабораторий — на уровне экосистемы — тоже может быть очень влиятельно. Проблема в том, что как только ты входишь в организацию, ты перестаёшь быть полностью свободным агентом. На тебя давят множество явных и неявных факторов — что можно говорить, что нельзя; в каких вопросах можно участвовать, а в каких — нет.
А вне лабораторий у тебя, наоборот, больше шансов влиять на экосистему: писать инструменты, формировать рабочие процессы, продвигать открытую инфраструктуру, заниматься образованием, придумывать новые режимы сотрудничества, быть по-настоящему независимым участником.
Поэтому я бы не приравнивал “самую ценную позицию” к “попасть в одну из самых передовых компаний”.
Ведущий：
А как ты видишь долгосрочный расклад между open-source и закрытыми системами?
Andrej Karpathy：
Инстинктивно я всё же за open-source.
Во-первых, чрезмерная концентрация закрытого интеллекта сама по себе несёт структурные риски. Если оглянуться на историю — и в политике, и в экономике — у чрезмерной концентрации власти обычно не лучший послужной список.
Во-вторых, если смотреть на историю софта: Windows и macOS, конечно, сильны, но именно открытые системы вроде Linux в итоге подняли на себе огромную часть реальных вычислений мира. В AI вполне может сложиться похожая картина: самые передовые способности, возможно, какое-то время будут в руках немногих закрытых систем, но я надеюсь, что со временем появятся более сильные, более открытые альтернативы, которые общество сможет шире понимать и формировать.
Я не считаю здоровым финалом сценарий “максимально концентрировать самые важные интеллектуальные системы у как можно меньшего числа людей”.
Ведущий：
Ты упоминал ещё одну интересную мысль: интерфейс между цифровым и физическим миром — вероятно, то, за чем особенно стоит следить дальше.
Andrej Karpathy：
Да. Потому что биты очень легко копировать и ими манипулировать, поэтому изменения в цифровом пространстве взорвутся первыми; но если агенты начнут разговаривать друг с другом, выполнять задачи и формировать экономику агентов (agent economy), они в итоге неизбежно упрётся в реальный мир.
Тебе всё равно придётся касаться сенсоров, устройств, запускать эксперименты, вызывать внешние системы, собирать новые данные. Этот интерфейс очень интересен, потому что он не обязательно должен начинаться с “дорогих роботов”. Многие возможности входа в физический мир уже существуют в виде камер, датчиков, готового железа и программных интерфейсов. Если агент достаточно умён, он сможет использовать это, чтобы получать данные, управлять системами и выполнять задачи.
Поэтому я думаю, что агентный веб (agentic web) вполне может появиться: интернет перестанет быть просто сайтами для просмотра людьми и станет рабочей поверхностью, где агенты потребляют, генерируют, проверяют и обменивают информацию друг с другом.
Ведущий：
Это также означает, что сбор данных и сам тренировочный процесс будут всё сильнее перестраиваться.
Andrej Karpathy：
Да. Многие процессы обучения, сбора и оценки станут более механизированными и более программируемыми. Некоторые задачи особенно хорошо подходят под “чистые метрики” и автоматический замкнутый контур — и обучение LLM само по себе типичный пример.
Так что ты увидишь всё больше систем, которые перестраиваются ради того, чтобы “кормить агента” и “кормить тренировочный процесс”. Часть работы в обществе в конечном итоге может даже начать обслуживать потребности самих машинных систем.
Ведущий：
В конце хочу поговорить об образовании. Ты делал MicroGPT. В такую эпоху во что превратится “обучение”?
Andrej Karpathy：
MicroGPT изначально был маленькой учебной песочницей, чтобы люди могли реально увидеть, что происходит в процессе обучения LLM. Если не гнаться за скоростью, а гнаться за ясностью, это просто очень читабельный небольшой кусок Python: текстовый датасет, маленькая нейросеть, прямой проход, обратный проход, минималистичный autograd и оптимизатор. Это позволяет ужать весь процесс до масштаба, который обычный человек действительно может прочитать и понять.
Но сейчас мне всё больше кажется, что само образование тоже изменится. Раньше образование — это курсы, лекции, документация; дальше оно всё больше будет похоже на “я записываю лучший путь объяснения так, чтобы агент мог исполнить это как навык и подсказки”.
То есть я не обязательно буду напрямую преподавать каждому человеку, а “закодирую” то, как нужно объяснять вещь. Тогда, если учащийся не понимает какой-то момент, агент может объяснить тремя разными способами, провести его по кодовой базе, перестроить порядок под его бэкграунд.
В итоге важнее становится другое: можешь ли ты точно “влить” в агента свои инсайты, суждения и структуру объяснения. То, чего агент не может сделать, — это твоя настоящая работа; то, что агент уже может делать хорошо, он очень скоро будет делать лучше тебя.
Ведущий：
То есть твой реальный вклад будет всё больше выглядеть как: решить, что стоит объяснять, и как именно объяснять.
Andrej Karpathy：
Да. Многое агент уже понимает — просто он ещё не обязательно может сам изобрести лучшие способы объяснения. Эта часть пока остаётся ценностью человека. Но граница постоянно движется.
Поэтому тебе нужно очень стратегически решать: на что именно ты должен тратить своё время.
Ведущий：
Большое спасибо, Andrej.
Andrej Karpathy：
Спасибо за приглашение.
Если хотите посмотреть оригинальное английское видео：
