新智元报道
最近，Andrej Karpathy在社交媒体上透露自己陷入了由人工智能引发的精神困扰。这些天，他几乎每天都要连续工作16个小时，全神贯注于智能体开发，甚至怀疑自己是否将智能体的能力发挥到了极致，完全停不下来。
即便如此，Karpathy依然表示自己患上了“AI精神错乱”。
他没开玩笑。
他最近在播客节目中与投资人Sarah Guo展开了一场深入对话。
作为前OpenAI联合创始人和特斯拉AI部门总监，Karpathy自去年12月以来再也没有亲自编写过任何代码。
之前，他个人编写代码和利用智能体的比例为80/20，而如今这一比例已经逆转为20/80。
他现在每天的大部分时间都在向智能体下达指令。
五个月前，他还曾批评智能体毫无用处，但如今却承认自己已经离不开它。
五个月前
Karpathy曾表示智能体表现不佳，然而两个月后，他被自己先前的观点所彻底否定。
这种转变之所以令人震惊，是因为它发生在如此短的时间内。
在2025年10月的一次播客访谈中，Karpathy的态度截然不同。
他当时认为不应称2025年为“智能体元年”，而是“智能体十年”。
他指出智能体存在多方面问题，如认知能力不足、多模态处理能力欠缺、记忆系统不完善等。
这些问题导致智能体无法胜任复杂的任务。
但到了12月，Claude和Codex这两个智能体突然突破了某种界限，不再只是勉强可用，而是真正具备了实用价值。
自那时起，软件工程师的工作方式发生了显著变化，他们开始依赖智能体来完成大部分任务。
Karpathy形容自己完全失控了，陷入了由人工智能引发的精神困扰。
Karpathy承认
这场革命正在悄然进行。
在最近的一次访谈中，Karpathy用近乎绝望的语气描述了自己当前的状态：他不再写代码，甚至觉得“写代码”这个词都不准确了。
他每天的主要工作就是向智能体传达指令，几乎全天都在进行这项工作。
用他的话说，某个开关被打开了。以前，他个人编写代码与使用AI的比例是80%和20%，而现在这个比例已经变成了20%和80%，甚至更低。
现在，工程师们不再操作代码，而是操作任务。
Karpathy在GitHub上为AutoResearch项目写了一段充满科幻色彩的开场白。
他预测2026年将会出现“泔水末日”，指GitHub、arXiv和社交媒体上将充斥着大量不完全正确的内容。
真正的效率提升和“AI生产力表演”将并存。
五个月前，Karpathy还认为智能体毫无用处，而如今却承认自己患上了“AI精神错乱”。
这种转变本身或许就是对2026年最深刻的诠释。
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。
参考资料：
https://www.youtube.com/watch?v=kwSVtQ7dziU