锯齿状智能

锯齿状智能是 Andrej-Karpathy 在 Sequoia AI Ascent 2026 上提出的一个概念，用以描述当前大语言模型能力分布极不均匀的特征：模型可以一口气重构 10 万行代码库，却会在常识问题上翻车（如建议你走路去洗车店）。

经济学解释

Karpathy 认为锯齿状智能主要不是一个技术问题，而是一个经济学问题。模型能力的分布形状由两条线决定：

可验证性（Verifiability）

强化学习（RL）需要奖励信号，而奖励信号需要可验证。代码能不能跑、数学题答案对不对——这些领域的反馈信号清晰，因此可以构建 RL 环境，模型在这些领域飞速进化。

商业价值（Revenue / TAM）

仅有可验证性还不够，还需要有钱赚。市场大、付费意愿强、能形成商业闭环的领域，会被前沿实验室打包进 RL 训练数据分布；反之则无人投入。

在 RL 的轨道上，你在飞；离开数据分布，你拿着砍刀进丛林。 —— Karpathy

锯齿状的本质

所谓锯齿状，不是缺陷，而是结构。是"可验证 + 有钱赚"这两条线把模型能力雕成的形状。在 智能体工程 的实践中，工程师需要理解这种锯齿状分布，才能正确地分配任务和设定预期。

对工程实践的影响

理解锯齿状智能对于 AI 工程实践有重要意义：

1. 任务分配：将模型擅长的可验证任务交给 AI，将需要常识判断和品味的任务留给人类
2. 质量保障：在模型能力薄弱的领域建立额外的验证机制
3. 预期管理：不因为模型在某些任务上的超人表现就对其全面信任

这与 Cursor 在 Agent Harness 中按模型定制策略的做法相呼应——承认模型的局限性，通过工程手段弥补。

外部链接

• 来源文章 - Karpathy戳破「锯齿状智能」
• Sequoia AI Ascent 2026