新智元 Karpathy 锯齿状智能 Sequoia 2026

文章 4 min read · 未标注

AI能改10万行代码，却让你走路去洗车！Karpathy戳破「锯齿状智能」

新智元报道 | 2026年4月29日

今天最先进的大模型，可以一口气重构一个10万行的代码库，也会在你想要洗车的时候，建议你走路去50米外的洗车店。

为什么同一个模型，一会儿它表现得像一位超级工程师，一会儿却又像一个刚毕业的实习生？

这是Karpathy近日在Sequoia AI Ascent 2026炉边谈话中抛出的一个画面，他用锯齿状智能（jaggedness）来概括这种能力分布。

三个新地平线

Karpathy想讲的第一件事是，大模型根本不只是在加速已有的东西，它还在打开几条全新的地平线。

Karpathy讲了MenuGen的故事。他写过一个App，拍下看不懂的菜单，App帮你把每道菜画出来。然后他看到了一个软件3.0的版本，只有一句话：把菜单照片发给Gemini，然后说「用Nanobanana把菜品贴到菜单上」。Gemini直接吐出一张图。

那一刻，Karpathy感觉到自己写的MenuGen是多余的，因为它还活在旧范式里。不只是把旧软件做得更快，而是把许多原本要靠一整个工程才能完成的事，压缩成模型的一次输出。

过去装软件用bash脚本，环境一变就崩。Karpathy提到OpenClaw的安装方式：不是脚本，是一段Markdown文字，写着「把这段复制粘贴给你的agent」。Agent查看你的环境、debug并完成调试。Markdown不再是给人看的说明书，而是给agent看的指令。

普通RAG是你每问一次，模型就从零开始重新拆解一次文档，知识不累积。LLM Wiki不一样，它让模型在一个Markdown文件夹里持续维护知识库。Obsidian是IDE，LLM是程序员，wiki是代码库。

Karpathy用「锯齿状智能」来解释为什么模型一边能干超人的活，一边在常识题上翻车。

他认为这主要不是一个技术问题，而是一个经济学问题。是收入和市场规模（revenue/TAM），决定了前沿实验室在强化学习阶段把什么打包进训练数据分布。

强化学习要奖励信号（reward），奖励信号要可验证。一个领域只要可以被验证（代码能不能跑、数学题答案对不对），就可以构建强化学习环境，模型就在这个领域飞速进化。

但「可验证」还不够，还要有钱赚。市场大、付费意愿强、能形成商业闭环的领域，会被打包进RL；反之就没人投入。

Karpathy给了一个画面感很强的比喻：在RL的轨道上，你在飞；离开数据分布，你拿着砍刀进丛林。

所以今天看到的所谓锯齿状，不是缺陷，是结构。是「可验证 + 有钱赚」这两条线把模型能力雕成的形状。

2025年2月，Karpathy发明了Vibe Coding。一年后，他给这个词升级为智能体工程（Agentic Engineering）。

Vibe Coding是「把地板抬高」（raising the floor），让所有人都能写软件。智能体工程是「把天花板保住」（preserving the ceiling），让专业软件不因为AI而掉到不该掉的水准。

Karpathy给了智能体一个非常准确的定位：智能体就是一群实习生（intern entities）。实习生有用，但你不能让他们独自上线生产代码。

Karpathy引用了一条让他打开脑洞的推文：你可以外包你的思考，但你不能外包你的理解。

他将人类在智能体流程里的角色定位为工程管理/工程导演职能：

这六件事，智能体可以辅助，但不能独立承担最终责任。

Karpathy重提了「动物与幽灵」（animals versus ghosts）比喻：幽灵之于动物，正如飞机之于鸟类。今天的前沿大模型研究不是在造动物，而是在「召唤幽灵」。

而人类的位置，是导演。导演虽然不亲自演戏，但导演要懂戏。你不亲手写每一行代码，但你要知道这个产品该长什么样、为什么这样比那样好、上线之后会出什么事。

Karpathy在炉边谈话尾声，描述了他的更远愿景：未来某一天，神经网络会变成主进程，CPU反过来沦为协处理器。但就算这条路真的走通，导演的位置也不会消失。因为幽灵永远不会替你想清楚，你到底要什么。

暂无来源