OpenAI联合创始人Karpathy:AI降低开发门槛后,软件需求会爆发式增长

智体Harness工程:综述(上) 26年5月来自CMU, Yale大学, JHU, 东北大学(NEU), Tulane大学, 阿拉巴马大学(UAB), 俄亥俄州立(OSU), Virginia Tech 和Amazon公司的论文“Agent Harness Engineering: A Survey”。 大语言模型(LLM)智体在生产环境中的快速部署揭示一个反复出现的规律:任务执行的可靠性与其说取决于底层的语言模型本身,不如说更多地取决于包裹该模型的“基础设施层”——即智体Harness(Agent Harness)。本综述基于实践经验,对 阅读详情

作为斯洛伐克裔加拿大 AI 研究者,Andrej Karpathy的履历堪称传奇 ——OpenAI 联合创始人、特斯拉 AI 与自动驾驶视觉总监。近期他在《No Briars》播客中,围绕AI Code Agent、自动研究、模型演化等核心话题展开深度分享,其观点直击 AI 产业变革本质,为开发者和研究者揭示了技术演进的清晰脉络。

一、编程的终结?AI Agent重塑开发 workflow

Karpathy 直言:“编码已不再是恰当的动词,如今我每天花 16 小时向AI Agent表达意图,而非亲手敲代码”。这场变革始于2023年12月,他的工作模式从 “80% 自主编码 + 20% Agent辅助” 彻底逆转为 “20% 指令设计 + 80% Agent执行”,甚至数月未手动编写一行代码。

这种转变的核心是宏观操作(macro actions)的普及:开发者不再局限于逐行代码或单个函数的编写,而是将完整功能模块委派给多个Agent并行处理 —— 一个负责需求拆解,一个负责代码实现,一个负责方案规划,自己则专注于任务分配与成果审核。正如他提到的Peter Steinberg案例,通过同时管理多个代码Agent,可在10个代码仓库间高效切换,每个Agent仅需20分钟即可完成指定任务。

更有趣的是Agent人格化的重要性:Claude因能精准回应优质想法、提供恰如其分的反馈,被他视为 “默契队友”;而Codex这类工具因风格干涩、缺乏共情,难以形成深度协作。这意味着,未来优秀的AI Agent不仅要能 “干活”,更要懂 “沟通”。

二、Claw 与 AutoResearch:从个人自动化到AI自迭代

在基础Agent工具之外,Karpathy 提出了Claw 的概念 —— 这是一种具备持久化记忆、可自主循环运行的高级Agent形态,即便用户不主动干预,也能在专属沙箱中持续完成任务。他亲自打造的 “Dobby the Elf Claw” 便是典型案例:通过IP扫描发现家庭局域网内的 Sonos 音响、智能灯光等设备,逆向工程 API 接口后,仅用三个提示词就实现了音乐播放、灯光控制等功能,最终整合了智能家居、安防监控、环境调节等六大系统,彻底取代了原先的六个独立 APP。

如果说 Claw 解决了个人场景的自动化问题,AutoResearch(自动研究) 则瞄准了 AI 迭代的核心痛点 —— 将研究者从循环中解放。Karpathy 通过实验发现,让 AutoResearch 整夜优化已调优两年的模型,竟能找到他遗漏的价值嵌入层权重衰减、Adam 优化器参数等关键改进点。其核心逻辑是:设定明确目标与评估指标,让Agent自主完成实验设计、参数调优、结果验证的全流程,实现 “一次配置,持续迭代”。

他进一步构想了分布式自动研究生态:如同 “在家折叠蛋白质”(Folding@Home)项目,让全球不受信任的计算节点贡献算力,通过 “难生成、易验证” 的机制筛选优质成果,甚至可能超越前沿实验室的集中式研究效率。

三、模型演化:从通用 monoculture 到领域 speciation

谈及当前 AI 模型的发展瓶颈,Karpathy 指出了能力锯齿状(jaggedness) 问题:顶尖模型能高效完成代码生成等可验证任务,却在讲笑话等非优化场景中表现拙劣 ——ChatGPT 至今仍在重复 “科学家为何不相信原子?因为它们总是编造一切” 这类老旧笑话。这背后是强化学习的局限:模型仅在有明确奖励信号的领域持续进步,难以实现真正的通用智能。

针对这一问题,他预测未来模型将走向物种分化(speciation) :如同动物界的生态位分化,模型无需追求 “全能 Oracle”,而是针对特定任务进化出专精能力。例如为数学家优化的 Lean 编程模型、为材料科学定制的实验分析模型等,通过更小的参数量实现更高的效率与精度。这种分化不仅符合计算资源优化需求,也能更好地匹配不同场景的专业诉求。

在开源与闭源的博弈上,Karpathy 认为当前 “闭源领先、开源紧随” 的动态平衡是健康的:闭源模型聚焦前沿突破,开源模型覆盖海量基础需求。随着技术扩散,如今闭源模型的前沿能力,半年后就可能成为开源模型的标配,最终形成 “前沿探索 + 普惠应用” 的良性循环。

四、职业与教育:AI 时代的能力重构

面对AI对就业市场的冲击,Karpathy 给出了审慎乐观的判断:软件开发将遵循杰文斯悖论——AI 降低开发门槛后,软件需求会爆发式增长,就像 ATM 机普及后银行柜员岗位反而因网点扩张而增加。对于开发者而言,核心竞争力将从 “编写代码” 转向 “设计指令、优化流程、评估成果”,成为 AI Agent的 “指挥者” 而非 “执行者”。

教育领域的变革同样深刻。Karpathy耗时数十年打造的MicroGPT,将LLM 的核心算法浓缩为 200 行 Python 代码(含神经网络架构、自动求导引擎、优化器),却发现传统教学模式已不合时宜 —— 如今无需亲自讲解,任何人都可让AI Agent用个性化方式拆解代码逻辑。这意味着教育的核心将从 “知识传递” 转向 “能力引导”:开发者需要学习如何向 AI 清晰表达意图,教育者则需设计让 AI 高效教学的 “技能脚本”。

五、机器人与物理世界:原子比比特难百万倍

尽管数字空间的 AI 变革如火如荼,但Karpathy 认为物理世界的智能化将严重滞后:操纵原子比处理比特难得多,机器人技术需要巨额资本投入与长期技术积累,正如自动驾驶领域多数初创公司最终折戟沉沙。

他预测技术演进将遵循 “数字空间→物理 - 数字接口→物理世界” 的路径:首先是数字信息处理的全面重构,接着是传感器、执行器等接口技术的突破,最终才是机器人在物理世界的规模化应用。而当前最具潜力的方向,是打通物理与数字的 “感知 - 行动” 闭环 —— 例如让 AI 通过付费获取人类采集的物理世界数据,或通过远程控制实现对实体设备的智能调度。

结语:AI时代的核心素养 —— 成为 “善用Agent的指挥家”

Karpathy 的分享勾勒出一幅清晰的 AI 演进图景:代码Agent重构开发模式,自动研究加速技术迭代,模型分化满足多元需求,而人类则需在这场变革中重新定位自身价值。正如他所言,如今的 “技能差距” 不再是会不会写代码,而是能不能高效驾驭 AI Agent;未来的成功者,将是那些懂得 “退出循环”、善于设定目标、优化流程的 “指挥家”,而非亲力亲为的 “执行者”。

对于开发者而言,与其畏惧 AI 替代,不如主动拥抱这场变革 —— 学习如何与 AI 协作、如何设计有效的指令、如何评估和优化 AI 产出,这些将成为新时代不可或缺的核心能力。毕竟,AI 的使命不是取代人类,而是让人类从重复劳动中解放,专注于更具创造力的价值创造。

DSPy:用程序化编译替代手写提示词的LLM工程化框架 大语言模型(LLM)应用开发正从‘提示词工程’迈向‘程序化工程’。传统Prompt Engineering依赖人工调试、难以复现、鲁棒性差,而DSPy提出将LLM调用抽象为带类型签名的模块(Signature)、可组合组件(Module)和可编译流程(Compile),实现提示词的自动合成、指标驱动优化与端到端验证。其核心价值在于提升LLM系统的可靠性、可维护性与生产就绪度,尤其适用于金融文档结构化、本地轻量化部署、Agent技能路由、多模型协同等对准确性、延迟和可解释性有严苛要求的工业场景。本文深入解析D 阅读详情

相关推荐

【AI编程】Vibe Coding 开发环境搭建与项目实战操作详解

Vibe Coding 开发环境搭建与项目实战操作详解

congge 7346

AI专家动向解读:从Karpathy简介变更看技术路线选择

人工智能模型开发涉及多种技术路线选择,从基础的深度学习原理到具体的工程实现。在技术演进过程中,模型安全性与性能平衡成为关键考量,这直接影响到AI系统的实用价值。当前AI安全领域备受关注,特别是Anthropic提出的宪法AI方法,通过在训练早期融入安全约束来确保系统可靠性。这种技术路线与传统的端到端训练形成对比,反映了行业对AI安全的不同理解。在实际应用场景中,开发者需要权衡模型效率优化与安全机制内置的关系,这自然引向对行业专家技术选择的分析。Andrej Karpathy作为AI领域的重要影响者,其技术动

weixin_30326515的博客 285

一、Abaqus CAE 入门操作(薄膜应力计算)

一、Abaqus CAE 入门操作(薄膜应力计算)

A20802013的博客 4371

两位AI传奇预测编程的未来(但你想不到)

这时,OpenAI联合创始人Andrej Karpathy和亚马逊、谷歌资深工程师Steve Yegge给出了他们的真实预测,结果完全颠覆了这种说法。当高级语言取代汇编时,大家担心技能退化,结果是领域扩大,工作增加。而现在,“聊天编程”已被“代理编程”远远超越——AI能独立执行完整工作流,比如:“帮我写用户登录,包括密码重置。赢的人不是最懂React Hooks或Kubernetes配置的,而是能清晰表达需求,引导AI正确构建的人。一年前,他提出“聊天式编程”——与AI对话写代码,而非简单自动补全。

粉丝们务必加入微信粉丝群 1214

告别手动发日报!用n8n+钉钉打造智能报告机器人(含模板下载)

本文详细介绍了如何利用n8n开源工作流自动化平台与钉钉机器人搭建智能日报系统,实现数据自动采集、处理和发送。通过实战步骤和模板下载,帮助用户告别手动处理日报的繁琐,提升工作效率和数据准确性。

h3i4j的博客 860

使用fairseq从头开始训练一个中英神经机器翻译模型

前言 由于毕设是做神经机器翻译相关,所以先尝试一下神经机器翻译的整个流程是非常有必要的。故将在news-commentary-v15语料上训练有监督中英NMT模型的整个流程,包括工具和数据的准备、数据的预处理、训练及解码等过程,以及过程中遇到的问题和解决方案记录在此,以供后期回顾,也希望能够给予别人一些帮助。附本人博客 1 相关工具及目录结构 1.1 相关工具 除jieba是使用pip install安装外,其他几个工具都是建议直接克隆库到自己的用户目录中,方便使用其脚本(moses/subword-nmt

qq_42734797的博客 2万+

OpenAI Sora团队成员介绍;Sora:视频生成新技术解析;谷歌Gemini 1.5评价OpenAI Sora视频生成工具

摘要:Sora团队由13名成员组成,其中包括伯克利应届生、LeCun学生和多名华人研究员。Sora项目的共同领导人包括Tim Brooks和Bill Peebles,他们在伯克利AI研究中心完成博士学位,并在OpenAI扮演重要角色。该团队的其他成员包括北大校友、天才工程师以及年轻但在AI领域取得显著成就的研究者。

haleycat的博客 747

药物对接仿真软件:HADDOCK_(3).分子对接基本原理

分子对接(Molecular Docking)是计算化学和结构生物学中的一种重要技术,用于预测小分子(如药物分子)与大分子(如蛋白质)之间的相互作用模式和结合亲和力。这一技术在药物设计和开发中具有广泛的应用,尤其是在寻找和优化潜在的药物候选物方面。本节将详细介绍分子对接的基本原理,包括其理论基础、计算方法和应用。

kkchenjj的博客 1172

从AI大牛职业变动看技术路线选择与开发者成长策略

深度学习作为人工智能的核心技术,通过神经网络模拟人脑学习机制实现复杂模式识别。其原理基于反向传播算法优化网络参数,在计算机视觉、自然语言处理等领域展现出强大技术价值。随着大模型时代的到来,AI安全与开发效率的平衡成为关键挑战,Anthropic等公司通过可解释AI和对齐工程确保模型行为符合伦理准则。在实际应用场景中,开发者需要掌握分布式训练、模型优化等工程实践技能,同时培养数据敏感度和伦理思考能力。从安德烈·卡帕西的职业轨迹可以看出,技术路线选择不仅关乎个人发展,更反映了AI行业在开源协作与商业化的不同路径

weixin_30493401的博客 349

Week 9 10 Neural Networks

Week 9 10 Neural Networks

金州饿霸吃不饱的博客 404

RK35X8调试YT8531单网口千兆以太网PHY芯片,修复ping不通或者IP地址丢失的问题

RK35X8上调试YT8531以太网PHY

荻夜的博客 3979

AI 前沿速报 | 2026年第27周(6月22日 — 6月28日)

方向关键变化代表事件AI Coding 模型竞赛加速一周内 GPT-5.6 + 豆包 2.1 Pro 双旗舰发布;GPT-5.6 Sol 登顶 Terminal-Bench,豆包 2.1 Pro 声称跨越生产级质变点GPT-5.6 + FORCE 大会AI 芯片自研化OpenAI 加入自研芯片阵营(Jalapeño),9 个月流片创造 ASIC 开发速度记录,标志着"模型-芯片-产品"全栈整合成为前沿玩家的标配Jalapeño网络安全 AI 化。

RisunJan的博客 1140

AUTOSAR 3万字面试题全面解析(持续更新)

ECU抽象层(EAL)是AUTOSAR架构中的一部分,它位于微控制器抽象层(MCAL)之下,但通常与MCAL一起被提及。EAL的目标是提供一个统一的接口来访问和管理ECU(Electronic Control Unit,电子控制单元)的硬件资源,包括处理器、存储器和外围设备。通过这种抽象,EAL使得上层软件能够以一种标准化的方式与ECU硬件交互,而不需要关心具体的硬件实现细节。EAL解决了硬件异构性带来的问题,即不同ECU可能采用不同类型的处理器和硬件配置。

大模型大数据攻城狮的专栏 5613

【Reading Notes】(8.2)Favorite Articles from 2025 February

2025年2月28日:2022年7月花费8万多购入一辆哪吒V(2022款 潮 400 Lite),官方宣称纯电续航400公里。来自上海的贺先生在2023年11月预订了一辆奇瑞舒享家,12月12日提车当天,竟发现这辆车像是被“动过手脚”,引擎盖有拆装过的痕迹,螺丝生锈,车头部位多处漆面异常。大多数人的春节假期,都是法定节假日(1月28日至2月4日),而张雪峰公司放假23天(1月18日至2月10日),真的是非常慷慨的假期了。2025年2月27日:【315专题】十几万买了辆奇瑞“瑕疵车”,售后却装死?

bryant_meng 2105

【ARM Trace32(劳特巴赫) 使用介绍 13 -- Trace32 Var 变量篇】

例如我们已经知道一个符号(可能是变量或者函数)的地址,怎么确定这个地址是一个变量还是一个函数呢?如果是变量的话,变量名是啥?变量定义的位置在哪?如果是函数,函数名是啥?函数定义的位置又在哪呢?查看结构体变量 str_t32 的值。例如我们已经知道了一个符号的地址为。在map文件中的地址为。

CodingCos的博客 2350

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

RSI 洞察:Agentic Coding 与 RSI 或许是研发下一代模型和 AI Infra 系统优化的版本答案

递归自我改进(Recursive Self-Improvement,RSI)不是全新概念,而是延续近 40 年的自我改进闭环:在环境与验证器约束下,系统自主发现目标、提出并验证改动、保留有效改进,再推动下一轮。它不等于 RL,也不只是模型,而是模型、记忆、Skill、Harness 与 Infra 的系统工程。当前有界闭环已现,递归增益与稳健可控仍缺证据;瓶颈是可靠验证、自主定义目标和防 Reward Hacking。落地关键在 Agentic Coding、真实环境持续学习与 AI Infra。

叶庭云 成为自己的光 946

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

AI关键知识点汇总

深度学习训练与优化技术摘要 本文介绍了深度学习领域的关键训练与优化技术,包括: 训练调度:区分Epoch(完整遍历数据集)和Iteration(单个batch训练)的概念与应用场景。 混合精度训练:通过FP16/BF16与FP32的混合使用提升训练效率,并分析不同NVIDIA架构的支持特性。 梯度优化技术: 梯度累加:通过小batch累积模拟大batch效果 梯度检查点:以计算换内存,选择性保存中间激活值 模型推理优化: GGUF格式:专为高效推理设计的二进制格式 推测性解码:大小模型协同工作的加速技术 函

weixin_43495948的博客 531

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

【Reading Notes】(10.3)Favorite Articles from 2026 March

是目前很受国内欢迎的国产开源 AI 桌面客户端,它把 DeepSeek、Claude、Gemini、Ollama 等 300+ 模型一键接入,还原生支持 OpenClaw(小龙虾)快速安装,让你几分钟内就能拥有一个“有灵魂”的持久 AI 伙伴——它会记住你是谁、怎么说话、有底线,还能定时干活、管日程、写代码。他展示了一个实验室管理系统,包括数据分析、实验管理、采购等功能。2)网络安全,就是行业笑话:你以为你是在玩AI,其实,你是把GitHub、Slack、邮箱、API key、数据库的全部钥匙,都给了它。

bryant_meng 1066

【Reading Notes】(10.2)Favorite Articles from 2026 February

在1000多的成本内,包含了大大小小的电机超过15个,传感器几十个,它的CPU或者说核心芯片的成本不到100块,主流品牌使用的瑞芯微、全志、酷芯微、地平线等SOC大多是消费级10Tops以内的算力芯片。一个类比:把扫地机当作自动驾驶汽车,两辆车在同样车速下行驶,每秒钟采集5帧VGA图像撞车的概率,要远高于20帧1080p图像,这是显而易见的结论。卷清洁力(更干净)、卷智能(更懂你)、卷场景(养宠、母婴、老人等群体,大平层、多层用户)、卷免维护(进一步解放双手)……松延动力x火山引擎,大脑与身体的强强联手。

bryant_meng 647

山东大学项目实训六

检索器通常需要在毫秒级延迟内处理百万甚至亿级的文档,因此只能使用轻量级的双编码器或 ANN 索引。重排序则不同——它只需要处理检索返回的 top-k(通常 k=50 到 200)个候选,因此可以使用计算量更大但更精确的方法。从 2020 年 Lewis 等人的一篇开创性论文,到 2026 年遍布各行各业的成熟基础设施,RAG 技术走过了令人瞩目的演进之路。从静态到动态:RAG 从离线批处理的固定流水线,走向在线实时、智能体自主决策的动态系统。从简单到复杂。

2301_79938092的博客 1205

AIGC 应用工程师(5-10年)面试题与答案全解析(2026 前沿版)

AIGC 应用工程师面试题与答案全解析(2026 前沿版) 摘要 本文系统整理了 2026 年 AIGC 应用工程师岗位的核心面试内容,包含 19 大模块、68 道关键题目及 15+ 代码示例。内容覆盖: 岗位定位:强调工程落地能力(RAG、Agent、系统集成)与业务闭环思维 技术体系:从基础理论(Transformer、涌现能力)到前沿应用(MCP协议、多模态生成) 工程实践:包含推理优化、成本控制、安全合规等关键落地能力 评估体系:详细讲解 golden set 构建、LLM-as-judge 等评估

weixin_48053866的博客 823

Python深度学习:从入门到实战

亲爱的读者,欢迎您翻开这本书。我们即将探索的,是深度学习的宇宙——一个由数据、算法与算力构筑的奇妙世界。它既是严谨的科学,也是创造的艺术,更是一条通往未来智慧的修行之路。本书将带您从最基础的数学原理出发,亲手搭建神经网络,驾驭Transformer等前沿模型,最终将智慧转化为现实世界的价值。请放下畏惧,保持好奇。这不仅是一次知识的学习,更是一场思维的远行。来,随我一起,开启这趟非凡的旅程吧。

weixin_45747731的博客 245
上一篇: 最小生成树(MST)详解:定义、算法与核心性质
下一篇: Unity2D物理系统-从入门到实战优化
vv蔡博士
博客等级 码龄4年 35粉丝 49原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

vv蔡博士

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值