AI能改10萬行代碼，卻讓你走路去洗車！Karpathy戳破「鋸齒狀智能」

新智元報道

編輯：元宇

【新智元導讀】能重構10萬行代碼的頂尖模型，卻會建議你走路去洗車店洗車？最近，Karpathy把這件怪事講透了：AI能力是鋸齒狀的，背后是一門經濟學。他還提到Vibe Coding抬高了編程的地板，但專業開發者還需要智能體工程。智能體時代，你可以外包思考，卻不能外包理解。

今天最先進的大模型，可以一口氣重構一個10萬行的代碼庫，也會在你想要洗車的時候，建議你走路去50米外的洗車店。

為什么同一個模型，一會兒它表現得像一位超級工程師，一會兒卻又像一個剛畢業的實習生？

這是Karpathy近日在Sequoia AI Ascent 2026爐邊談話中拋出的一個畫面，他用鋸齒狀智能（jaggedness）來概括這種能力分布。

2026年4月29日，Karpathy在Sequoia AI Ascent 2026爐邊談話現場

談話結束后，他在X上發帖復盤整場對話的亮點。

他想講的第一件事是，大模型根本不只是在加速已有的東西，它還在打開幾條全新的地平線：有些事第一次變得可能，有些事開始顯得不必要。

第二件事，就是鋸齒狀智能。為什么模型一邊能干超人的活，一邊在常識題上翻車？Karpathy把鋸齒狀能力解釋為可驗證性與經濟激勵共同影響的結果。

第三件事，一個面向原生智能體（agent-native）的新經濟正在長出來。所有今天為人類寫的軟件、文檔、流程，都要被重寫為「為agent寫」。

這三件事共同指向同一個判斷：AI已經不是「寫代碼更快」那么簡單。它在重寫軟件本身，也在重寫人類在系統里的位置。

Karpathy自己就是最鮮明的例子。

這位OpenAI創始成員、前Tesla AI負責人、Vibe Coding詞語的發明者，前不久還公開撂下一句話：「我從未感覺作為程序員這么落后過?！?/p>

Sequoia的主持人正是把這句話拎出來，作為爐邊談的開場白。

這并不是謙虛。

一年前發明「氛圍編程」（vibe coding）的人，親口承認自己跟不上AI時代的浪潮，只能說明一點：AI發展的速度實在太快了。

能改10萬行代碼

卻讓你走路去洗車

「太離譜了?！?/p>

Karpathy在Sequoia現場講了這個洗車的段子：最先進的模型，可以重構10萬行代碼庫，也會建議你走路去50米外的洗車店洗車。

10萬行代碼已經足以構成一個相當復雜的軟件項目，而「走路去洗車店」呢？這是一個三歲孩子都能搞清楚的常識題。

你想洗的是車，車不能走路，所以人走路去洗車店是一個毫無意義的建議。一個能改10萬行代碼的模型，就在這種小學生級別的常識題上崩了。

Karpathy用這個例子來說明大模型的鋸齒狀智能，他認為AI的能力并非均勻進步的，而是參差不齊，就像一塊凹凸不平的鋸齒板。

因此今天理解AI最危險的事，就是用「它行/它不行」二分法去判斷。

新地平線

當軟件可以「直接做到」

Karpathy在爐邊談里講了一個讓他自己有點尷尬的故事。

他寫過一個App，叫MenuGen。在餐廳拍下看不懂的菜單，App幫你把每道菜畫出來。OCR加圖像生成，這是一個標準的軟件1.0項目。

然后有一天他看到了一個軟件3.0的版本。

那個版本只有一句話：把菜單照片發給Gemini，然后說「用Nanobanana把菜品貼到菜單上」。

Gemini直接吐出一張圖。還是那張菜單，但每一道菜旁邊都貼上了圖。

那一刻，Karpathy感覺到自己寫的MenuGen是多余的，因為它還活在舊范式里。

這是Karpathy想說的第一個新地平線，不只是把舊軟件做得更快，而是把許多原本要靠一整個工程才能完成的事，壓縮成模型的一次輸出。

第二個地平線，是.md而不是.sh。

過去你裝一個軟件，用bash腳本，寫得密密麻麻，環境一變就崩。Karpathy提到OpenClaw的安裝方式：不是腳本，是一段Markdown文字，寫著「把這段復制粘貼給你的agent」。

Agent查看你的環境、debug并完成調試。Markdown不再是給人看的說明書，而是給agent看的指令。

第三個地平線，是LLM Wiki。

這是Karpathy 2026年4月在GitHub Gist上發布的一個新理念。普通RAG（檢索增強生成）是你每問一次，模型就從零開始重新拆解一次文檔，知識不累積。

LLM Wiki不一樣，它讓模型在一個Markdown文件夾里持續維護知識庫，你用Obsidian瀏覽：新文檔進來，模型自動更新已有條目、修訂摘要、補足鏈接、標記矛盾。

在那份Gist里，Karpathy用了一個比喻：Obsidian是IDE（集成開發環境），LLM是程序員，wiki是代碼庫。

在LLM Wiki里，知識被進一步組織成一個像代碼庫一樣可積累、可維護、可版本控制的工程產物。

三個例子，指向同一件事：軟件1.0你寫代碼，軟件2.0你訓權重，軟件3.0你寫提示詞（prompt）、控上下文窗口（context window）、調智能體。

鋸齒狀的背后

可驗證性和經濟學

講了新范式，Karpathy詳細解釋了那個讓全場最困惑的問題：為什么模型智能有時會表現得這么「鋸齒」？

他認為這主要不是一個技術問題，而是一個經濟學問題。

是收入和市場規模（revenue/TAM），決定了前沿實驗室在強化學習階段把什么打包進訓練數據分布。

Karpathy在解釋鋸齒狀能力時，特別強調了強化學習（ RL ）環境的作用。

強化學習要獎勵信號（reward），獎勵信號要可驗證。一個領域只要可以被驗證（代碼能不能跑、數學題答案對不對、漏洞能不能復現），就可以構建強化學習環境，模型就在這個領域飛速進化。

但「可驗證」還不夠，還要有錢賺。

OpenAI、Anthropic、Google選什么進訓練分布，背后是收入和市場規模的考量。

市場大、付費意愿強、能形成商業閉環的領域，會被打包進RL；反之就沒人投入。

Karpathy給了一個畫面感很強的比喻：在RL的軌道上，你在飛；離開數據分布，你拿著砍刀進叢林。

所以今天看到的所謂鋸齒狀，不是缺陷，是結構。是「可驗證 + 有錢賺」這兩條線把模型能力雕成的形狀。

這件事對創業者特別重要。

Karpathy在爐邊談里直接給了建議：如果你想做AI創業，找一個可驗證、但前沿實驗室還沒顧上的領域，自己去構建RL環境，自己去微調（fine-tune）模型。這是當下最有可能跑出護城河的方向。

換句話說，下一波AI-native公司，可能會是驗證環境本身。誰能定義可驗證任務、構建獎勵循環（reward loop）、積累邊緣案例（edge cases），誰就握有底牌。

Karpathy在爐邊談話中，將神秘的AI鋸齒狀智能，還原成一個可以被分析的工程經濟問題。

Vibe Coding的發明人

又造出新詞

2025年2月，Karpathy在X上發明了一個詞：Vibe Coding，以此形容一種高度依賴AI、幾乎不親手寫代碼的開發方式。

這個詞后來火到被Collins字典選為2025年度詞匯。Cursor、Lovable、Replit這一批公司估值飆到幾十億美金，背后都是這股風。

一年后，在這次對話中，Karpathy給這個詞又升了級，叫智能體工程（Agentic Engineering）。

他對這兩個詞的看法是：Vibe Coding是「把地板抬高」（raising the floor），讓所有人都能寫軟件。

智能體工程是「把天花板保住」（preserving the ceiling），讓專業軟件不因為AI而掉到不該掉的水準。

因為今天AI寫出來的代碼，在Karpathy眼中顯得很臃腫（bloaty），一堆復制粘貼，抽象很怪很脆弱，能跑，但真的很糟。

他還講了一個真實案例。

他的智能體在MenuGen里，居然試圖用Stripe和Google返回的email地址去做用戶匹配，而不是用一個持久化的用戶ID（user ID）。

這是任何一個有經驗的工程師都不會犯的錯，但智能體卻犯了。

因此，Karpathy給了智能體一個非常準確的定位：智能體就是一群實習生（intern entities）。

實習生有用，但你不能讓他們獨自上線生產代碼。你得管需求定義、管系統架構、管安全、管審美、管驗證。這些事，智能體干不了。

Vibe Coding的爽感區，屬于業余項目和原型，而智能體工程才是專業開發的下一站。前者降低門檻，后者抬高要求，兩件事不能混為一談。

這也是今天行業最容易踩的坑。

Vibe Coding浪潮下，所有人都在喊AI讓人人都是程序員，但Karpathy卻說：能在智能體時代活下來的工程師，不是寫得快的，是管得住智能體的。

你能外包思考

但不能外包理解

爐邊談話中，主持人還問了一個所有人都在焦慮的問題：當智能體能寫代碼、能調度、能自己裝軟件，人類還剩什么？

Karpathy引用了一條讓他打開腦洞的推文：

你可以外包你的思考，但你不能外包你的理解。

他對此的理解是：我仍然是瓶頸，因為只有我才知道我們到底要建什么、為什么要建。

Karpathy將人類在智能體流程里的角色定位為工程管理/工程導演職能。

第一是需求定義（spec），寫清楚要做什么；

第二是拆解計劃（plan），拆清楚怎么做；

第三是系統架構（architecture），決定系統長什么樣；

第四是品味判斷（taste），判斷哪個方案是好的；

第五是過程監督（oversight），盯著智能體別跑偏；

第六是結果驗證（verification），驗證智能體的產出是否真的正確。

這六件事，智能體可以輔助，但不能獨立承擔最終責任。

Karpathy重提了他此前提到的「動物與幽靈」（animals versus ghosts）比喻。

2025年10月，Karpathy曾系統闡述過這個比喻：幽靈之于動物，正如飛機之于鳥類。

他認為今天的前沿大模型研究不是在造動物，而是在「召喚幽靈」。

動物有內在動機，幽靈沒有，它只是被數據和獎勵塑形出來的智能模擬，是一個全新的物種：你不能像對待人一樣對待智能體，也不能像對待傳統軟件一樣對待智能體。

而人類的位置，是導演。

導演雖然不親自演戲，但導演要懂戲。你不親手寫每一行代碼，但你要知道這個產品該長什么樣、為什么這樣比那樣好、上線之后會出什么事。

Sequoia在2026年給出的判斷是：AI應用的滲透速度還在加快，「0到1億美金」的俱樂部，正在升級成「0到10億美金」。

最好的AI創業公司，每個員工的年產出已經過百萬美金。這背后是智能體在干活，但能讓智能體真正干出百萬產出的，是那些懂得當導演的創始人。

Karpathy在爐邊談話尾聲，描述了他的更遠愿景：未來某一天，神經網絡會變成主進程，CPU反過來淪為協處理器。

但就算這條路真的走通，導演的位置也不會消失。因為幽靈永遠不會替你想清楚，你到底要什么。那些不能外包的部分，就是你的位置。

參考資料：

https://x.com/karpathy/status/2049903821095354523

https://www.youtube.com/watch?v=96jN2OCOfLs