Karpathy自曝：我得AI精神病了

Karpathy自曝：我得AI精神病了！这些天，他已经处于精神错乱边缘，16小时不吃不睡就是搞Agent，而且很焦虑自己有没有把智元（token）用到极限，根本停不下来……

就在刚刚，Andrej Karpathy自曝：我得AI精神病了！

他没开玩笑。

就在最近，Karpathy上了一个播客，与风险投资人Sarah Guo进行了对谈。

这位前OpenAI联合创始人、前特斯拉AI总监，从去年12月起就没亲手敲过一行代码。

手写代码和委托智能体的比例，从80/20一下子翻转成了20/80。

每天16个小时，他只做一件事：向AI智能体下达指令。

五个月前他还说智能体是垃圾，五个月后他承认自己对它上瘾了，真香。

五个月前

他还说智能体“根本不好使”

这个转变之所以震撼，是因为时间线太短了。

2025年10月，Karpathy做客Dwarkesh Patel的播客，语气完全不同。

他说业界不该叫“智能体元年”，更准确的说法是“智能体十年”。

什么模型认知能力不足、多模态不够、记忆系统形同虚设，等等……

总之，就是复杂任务根本搞不定。

结果两个月后，他被自己狠狠地打脸了。

12月，Claude和Codex突然跨过了某种连贯性的阈值——智能体不再是勉强能用，而是真的能干活了。

如果你随便找个坐在工位上的软件工程师，看看他们在干什么，从12月开始，他们开发软件的默认工作流就完全变了。

Karpathy承认

我失控了，我得了AI精神错乱！

这一场帮命，正在悄无声息地发生。

Andrej Karpathy这场访谈中，用近乎失控的语气描述他的状态：他不再“写代码”，甚至觉得“写代码这个词都不准确了”。

他每天做的事情，就是“向我的智能体表达意志，一天16个小时。”

用他的话说，“某个开关被打开了”。以前，他是“80%自己写代码 + 20%用AI”，现在已经变成了“20%自己写 + 80%交给AI”，甚至更极端。

现在，人类不再操作代码，而是操作任务。

如果说，Copilot时代是单个AI助手，那现在出现的多智能体协作系统，就是一种全新的形态。

一个工程师的屏幕上，不再是代码编辑器，而是同时运行着多个Agent，每个Agent负责不同任务，每个任务大约运行20分钟，然后他在不同Agent之间切换。

这已经不是编程，而是一个人在管理一支AI队伍。

Kaparthy承认：我已经陷入AI精神错乱了！

这些天，他一直处于这种状态中。

因为AI的能力边界不断被突破，每天都有新可能，你永远都觉得“还可以更强”

而且最可怕的是：这个空间是“无限的”！

你可以并行更多Agent，设计更复杂的流程，自动优化指令，构建递归系统……

最终，你会进入一种状态：不再确定“极限在哪里”。

Karpathy说，他一旦在等某个Agent完成任务，脑子里的第一反应就是：“那我是不是可以再开几个Agent？”

一种新的焦虑诞生了：我是不是没有把AI用到极限？

Karpathy甚至表示，自己还会因为“智元（token）没用完而感到不安”。

总之，这仿佛在玩一个无限扩展的游戏：反馈周期变短，刺激不断增强，不断获得即时奖励的这种体验，会让人上瘾。

一直加任务，一直开Agent，根本停不下来！

这种AI精神病的本质，其实就是这样一个信号：我们已经进入了一个新的世界，但还不会生活在里面。

你是否有能力，驾驭一个无限扩展的AI系统？

跑不通的时候，你的第一反应不是“模型不行”，是“我的提示词写得不够好”。

Karpathy用了一个很精准的词：skill issue，自己菜。

智能体的“性格”比你想的重要得多

Karpathy在播客里花了不少时间聊一个很多技术人会忽略的话题：智能体的性格。

他说Claude Code的体验明显好于Codex，不是因为代码能力的差距，而是因为Claude“感觉像个队友”。它会和你一起为项目兴奋，会在你提出好想法的时候给出更多正反馈。

而Codex作为代码智能体“非常枯燥”，任务完成后就是一句冷冰冰的“哦，我实现了”，完全不关心你在创造什么。

更有趣的是他对Claude夸奖机制的观察。

他说Claude在他给出一个不太成熟的想法时，反应是平淡的“哦对，我们可以实现这个”。但当他自己也觉得某个点子确实很妙的时候，Claude似乎也会给出更强的正反馈。

结果就是他发现自己在“试图赢得Claude的夸奖”。

“这真的很奇怪，但性格确实很重要。”

Peter Steinberg在构建OpenClaw的时候也抓住了这一点。

他给智能体精心打造了一个有吸引力的性格设定文件（soul.md），加上更复杂的记忆系统和单一的WhatsApp交互端口。

三句话接管一栋房子

六个App全扔了

Karpathy不只是拿智能体写代码。今年1月，他搞了一个叫“Dobby”的Claude智能体来管家，名字来自《哈利·波特》里的家养小精灵。

他告诉Dobby：“我觉得家里有Sonos音响，你能找找看吗？”

Dobby对局域网做了一次IP扫描，找到了Sonos系统，发现没有密码保护，自己登了进去，逆向工程了API端点，然后问：要不要试试在书房放点音乐？

三句提示词，音乐就响了。

然后是灯光、空调、遮阳帘、游泳池、水疗池，全部接入。Karpathy家门口还有个安防摄像头，Dobby接了一个Qwen视觉模型做变化检测。

每次有车停在门口，系统会在WhatsApp上发条消息：“一辆FedEx的货车刚停下，你可能有快递。”

说一句“多比，睡觉时间到了”，全屋的灯就灭了。

但Karpathy觉得这个故事真正的要害不在智能家居。

他过去管理这些设备要用六个完全不同的App，现在全部扔掉了。

Dobby用自然语言统一控制一切，而且能做到任何单个App都做不到的跨系统联动。

他由此得出了一个更激进的判断：应用商店里那些智能家居App根本就不该存在。

未来的架构应该是API端点直接暴露给智能体，智能体充当智能胶水，把所有工具串起来。

不只是智能家居，他的跑步机数据、邮件日历，一切都该遵循同样的逻辑。

行业的客户不再是人类，而是代表人类行事的智能体。这个重构的规模会非常大。

Auto Research

700次实验之后，他看到了更大的东西

如果说Dobby是AI智能体在生活场景的极限测试，那AutoResearch就是Karpathy对AI科研能力的一次正面检验。

3月初，他把自己精心调优过的nanochat训练代码交给一个AI智能体，给它一个简单的指令：想办法让这个模型训练得更快。

智能体的操作空间是一个630行的Python文件，评估指标是验证集的bits per byte，每次实验固定跑5分钟。

跑完看指标，比之前好就保留修改，不好就回滚，然后继续下一轮。

两天时间，700次实验。

智能体找到了20个有效优化，包括重新排列QK Norm和RoPE的顺序这类架构层面的调整。把这些优化叠加到更大的模型上，训练速度提升了11%。

要知道，这个代码库是Karpathy本人从头手写、反复打磨过的。

一个震撼的结果：AI发现了人类没发现的优化

这个系统效果如何？Karpathy给出了一个令人震撼的例子。

他做了二十年的研究者，训了几千次模型，觉得已经调得相当好了。

结果，他让AutoResearch跑了一晚上，AI就找到了他没有发现的优化！

比如Adam优化器的betas参数没有充分调优，value embedding上忘了加weight decay，而这些参数之间还存在联合交互——调了一个，其他也得跟着变。

也就是说，AI在探索空间上，直接超越了人类！

如果继续推演下去，会发现一件更可怕的事：科研的本质，就是搜索最优解。

Kaparthy设想，未来的科研系统可能是这样的：有一个“想法池”（idea queue） ，一群Agent不断从中取任务，然后AI自动实验、验证、筛选，有效结果进入“主分支” 。

这个过程中，人类做的，只是往队列里“丢想法”。

Karpathy Loop，全网爆火

这个项目在X上引爆了。

860万浏览量，Shopify CEO Tobias Lütke连夜在自家数据上跑了一遍，37次实验，19%的性能提升。

SkyPilot团队把它搬上了16块GPU的集群，8个小时跑了910次实验。

他们发现并行化不只是加速，还改变了智能体的搜索策略——有了16块GPU，智能体不再做贪心爬山，而是同时跑十几组对照实验，一轮就能捕捉到参数之间的交互效应。

分析师给这套方法起了个名字：Karpathy Loop。

但Karpathy在播客里谈的远不止当前的结果。

他描绘了AutoResearch的下一步：一个分布式的、互不信任的工人池在互联网上协作跑实验。

他直接引用了SETI@Home和Folding@Home的先例。

前沿实验室掌握着大量受信任的算力，但地球远比它们大。如果你建立起合适的机制来处理不受信任的算力，互联网上的智能体蜂群说不定能跑赢前沿实验室。

他甚至设想了一种全新的“捐赠”形式——为你关注的那个AutoResearch项目购买算力。

比如，你关心某种癌症的治疗，那就加入那个赛道的分布式实验网络。

是天才博士

也是十岁小孩

说了这么多它有多强，Karpathy也没打算让你只记住好消息。他对模型缺陷的描述一样生猛。

我同时觉得自己在跟一个极其聪明的、搞了一辈子系统编程的博士和一个十岁小孩对话。这太奇怪了。

他管这叫“jaggedness”，参差不齐的能力分布。

模型能连续工作几个小时帮你搬山，转头就在一个显而易见的问题上犯蠢，然后陷入死循环。

Karpathy认为根源在于强化学习的训练方式。

模型在可验证的任务上被无限优化。代码能不能跑通、单元测试过不过，这些有明确的对错。但在需要判断力、需要揣摩意图、需要在合适的时候说“等等，我不确定你要的是这个”的场景里，优化信号根本不存在。

就比如，你去问ChatGPT讲个笑话，三四年前它讲的那个笑话，到今天还是同一个。

“为什么科学家不信任原子？因为它们组成了一切。”

四年了！模型在智能体任务上已经突飞猛进，但讲笑话这件事完全没被优化过，就卡在原地不动。

“你不是在跟一个通用智能打交道，”他总结说，“你要么在它被训练过的铁轨上，一切以光速运行；要么不在铁轨上，所有东西就开始飘了。”

瓶颈，变成了人类自己

回头看Karpathy这半年的轨迹，有一条暗线贯穿始终。

去年10月他说智能体是十年工程，12月被打脸转向，1月让Claude管家，3月让智能体做研究。

每一步的共同点是，人类退后一层，从执行者变成指挥者，从写代码的人变成写指令的人。

Karpathy在GitHub上给AutoResearch写了一段科幻风的开场白：

曾经，前沿AI研究由肉体计算机完成，它们需要吃饭、睡觉，偶尔用声波互联在“组会”仪式中同步一次。那个时代早已远去。

他给2026年的预测是一个词：slopacolypse，slop（泔水）+ apocalypse（末日）的合成词。

GitHub、arXiv、社交媒体上将充斥大量“差不多对但不完全对”的内容。

真正的效率提升和“AI生产力表演”会同时存在。

五个月前说“根本不好使”，五个月后承认自己得了“AI精神病”。

这个转变本身，或许就是2026年最意味深长的总结。