Karpathy 最新訪談：AI 不是在幫你寫代碼，它在逼你換一種工作方式

OpenAI 前創(chuàng)始成員 Andrej Karpathy 在最新訪談中揭示了 AI Agent 如何徹底重構工程師的工作方式——從親手敲代碼到調度智能體集群，從單次交互到持續(xù)運行的系統(tǒng)進化。

———— / BEGIN / ————

我最近特別愛看播客，一是時間長，節(jié)奏慢；二是很多判斷，只有在一來一回的聊天里，才聽得更清楚。

昨天，我看了一場 Andrej Karpathy 的訪談，很有感觸。

Andrej Karpathy 是 OpenAI 前創(chuàng)始成員、特斯拉前 AI 總監(jiān)，我覺得也是 AI 編程和 Agent 討論里，非常值得認真聽的人。

因為他不是在外圍評論，而是真的站在一線，親手用、持續(xù)用，然后把變化講出來。

我把這場訪談按主線重新整理了一下。

代碼的工作方式已經變了

主持人一上來就問他，為什么最近像“上頭”了一樣，幾乎整天都在和 Agent 打交道。

Karpathy 的回答很直接。他說，不是自己突然變勤奮了，而是能力真的發(fā)生了一次蛻變。

以前一個人做事，速度上限很清楚，打字速度、切換任務的速度、腦子轉的速度，都會卡住你。但 Agent 出現(xiàn)以后，這個上限一下被抬高了。

他提到，大概從去年 12 月開始，這件事對他來說就很明顯了。

原來還是自己寫代碼為主，Agent 為輔，后來慢慢反過來，越來越多事情直接交給 Agent 去做。

到現(xiàn)在，他甚至說，自己從去年 12 月起，幾乎就沒怎么親手敲過代碼了。

在他看來，今天做開發(fā)，甚至都不太適合再用“寫代碼”來描述。更準確一點說，是你不斷把自己的意圖交給 Agent，讓它替你往前推進。

以前你的動作是寫一個函數(shù)、改一行代碼、修一個 bug。現(xiàn)在更像是在分配任務：這個 Agent 去做一個新功能，那個 Agent 去研究方案，還有一個 Agent 去處理不會和主分支沖突的部分。

也就是說，代碼還是那些代碼，但人的位置已經變了。

你不再是一個單線程執(zhí)行的人，而更像是在調度一組正在工作的 Agent。

現(xiàn)在的瓶頸，不一定是模型，而是你不會用

主持人接著問，那到底是 Agent 更強了，還是你更會用了。

Karpathy 的意思是，兩者都有，但更關鍵的可能是后者。

他說，現(xiàn)在很多人其實還沒有把手上的能力真正用滿。

模型開了，訂閱買了，工具也在用，但并沒有把這套系統(tǒng)跑到極限。

比如 token 吞吐沒有打滿，多個 Agent 沒有一起調起來，任務也沒有被拆成更適合并行執(zhí)行的方式。

今天很多問題已經不是工具不夠強，而是人還不會把這套東西用出更大的杠桿。

瓶頸正在慢慢從機器轉回到人。

不是模型不行，而是你還不會拆任務，不會調度，不會把多個 Agent 組織起來。

真正有意思的，不是一個 Agent，而是一群 Agent 怎么一起工作

他特別強調了一個詞：持續(xù)性。

今天很多 Agent，還是典型的會話模式。你問一句，它答一句，這輪結束，這個過程也差不多結束了。

但他更感興趣的是另一種東西：它不是一次性的對話，而是一個可以持續(xù)運行的小系統(tǒng)，有自己的狀態(tài)，有自己的沙盒，你不盯著它，它也會繼續(xù)往前做事。

這也是他為什么會對這類持續(xù)運行的 Agent特別興奮。因為單個 Agent 能不能寫代碼，在他看來已經不是最核心的問題了。

真正有意思的是，Agent 能不能形成更復雜的組織方式，能不能跑得更久，記得更多，把任務一段一段接力做下去。

這和我們現(xiàn)在理解的大多數(shù) AI 助手，已經不是一回事了。

Agent 競爭到后面，比的不是會不會答，而是能不能一直做

主持人后來問到 OpenClaw 這類方向到底吸引他什么。

Karpathy 講他感興趣的是這類系統(tǒng)背后的產品方向。

這類系統(tǒng)真正往前推了一步的地方，是開始接近一個真正能持續(xù)工作的系統(tǒng)。

它有更強的記憶能力，有自己的運行空間，會自己閉環(huán)，不需要你一直坐在中間盯著。

他說，今天很多 Agent 所謂的“記憶”，其實很淺。很多時候只是上下文快滿了，做一點壓縮和摘要。

但如果你真的想讓 Agent 替你做更長的事情，這種記憶肯定不夠。它需要更復雜的記憶系統(tǒng)，需要更穩(wěn)定的狀態(tài)管理。

這其實把 Agent 競爭的核心講得很清楚了。

這不只是編程工具升級，連軟件形態(tài)都可能跟著變

主持人問，如果 Agent 越來越強，那今天這些 App 還需要存在嗎？

Karpathy 的回答非常直接。他說，很多今天我們在手機里、設備里看到的 App，從某種意義上看，可能本來就不該存在。

更合理的方式，是把能力直接暴露成 API，讓 Agent 去調用。

他舉了自己的智能家居例子：

家里不同設備各有各的 App，燈一個，音響一個，空調一個，窗簾一個，運動設備一個。

過去你要完成一件事，得在這些 App 里來回切來切去。但他說，用戶真正想表達的其實不是“我要打開第幾個軟件，點哪個按鈕”，而是“我現(xiàn)在想把房間調成什么狀態(tài)”。

如果 Agent 足夠成熟，它就應該替你去調這些能力，而不是讓你自己學習一整套軟件操作流程。

所以他有一個很大的判斷：未來很多軟件層會被壓縮。

那些專門為人點按鈕、切頁面、走流程而設計出來的中間層，價值會越來越小。

更自然的方式，是服務把能力開放出來，Agent 成為那層真正把一切串起來的“膠水”。

他還說了一句我感興趣的話：未來的客戶，可能不再只是人，而是代表人行動的 Agent。

這句話背后不是交互方式的小修小補，而是軟件行業(yè)連“服務對象是誰”都可能被改掉。

以前是人學軟件，以后可能是 Agent 學軟件。以前很多產品賣的是界面和流程，以后越來越多產品可能賣的是 API、權限、調用能力和結果返回。

這會是一個很大的重構。

真正讓人著迷的，是把人從循環(huán)里拿出去

Karpathy 接著強調，如果你真想把現(xiàn)在這套工具的能力吃滿，就不能繼續(xù)讓自己待在那個循環(huán)里，不能每一步都還等著你來提示下一步。

真正的目標，是盡量把自己從系統(tǒng)瓶頸里拿出去，讓系統(tǒng)自己去跑，而你只在必要的時候介入。

AutoResearch就是這個邏輯的產物。

他不想繼續(xù)停留在那種傳統(tǒng)研究模式里：研究員不斷手動試參數(shù)、改配置、盯結果。

他想做的是，把研究里那些本來就可以客觀評估的部分，直接交給系統(tǒng)去自動跑。

因為只要一個任務目標足夠清楚，結果又能驗證，那理論上它就可以持續(xù)搜索、持續(xù)試錯、持續(xù)迭代，而不需要人每一步都站在旁邊。

這其實不是在說“AI 幫研究員干活”。

而是，很多原本由人類反復手工完成的循環(huán)，本來就應該被系統(tǒng)接過去。

所以 Agent 最有價值的地方，不是幫你省一點時間，而是讓你退出某些本來就不該由你一直盯著的流程。

Karpathy 對 AutoResearch 的解釋里，還有一個很關鍵的判斷。

他說，很多問題都有一個共同特點：找到好答案很難，但驗證一個答案對不對，其實很便宜。

這類問題就特別適合自動化系統(tǒng)。

因為前面可以大規(guī)模搜索，可以試很多方案，可以不斷迭代，只要后面有一個足夠明確的驗證機制，系統(tǒng)就能自己跑下去。

這也是為什么他會想到一種更大的可能：未來甚至不只是一個團隊內部跑 AutoResearch，而可能出現(xiàn)某種“互聯(lián)網上的 Agent 群體協(xié)作”。

大量分散的算力和 Agent 去搜索候選方案，再由少量可信系統(tǒng)負責驗證。

只要安全機制和驗證機制設計得夠好，這種模式在某些方向上甚至可能跑出很強的效果。

這部分現(xiàn)在當然還更像一種構想，但它很能說明 Karpathy 的思路。

他不是只在想“一個更強的模型”，而是在想：研究本身，能不能被改寫成一個自動運行、持續(xù)搜索、不斷產出候選結果的系統(tǒng)。

聽完整場訪談，我覺得 Karpathy 真正關心的是三件事

第一，工程師的工作方式已經變了。不是慢慢變，也不是概念上在變，而是在他這種深度使用者那里，已經徹底變了。

第二，代碼 Agent 的下一步，是更像一個持續(xù)運行的小系統(tǒng)。它得有記憶，有狀態(tài)，能閉環(huán)，能接力，能把事情往前推。

第三，這不只是工程工具的一次升級。它很可能會把今天的軟件形態(tài)一起帶著改掉。很多 App、很多 UI、很多人為設計出來的流程，未來都可能被更 Agent first 的方式替代。

本文來自公眾號：Fun AI Everyday 作者：張艾拉

想要第一時間了解行業(yè)動態(tài)、面試技巧、商業(yè)知識等等等？加入產品經理進化營，跟優(yōu)秀的產品人一起交流成長！