從 AI 焦慮症到 AutoResearch：Karpathy 眼中的 Agent 時代真實面貌

Fox Hsiao

21 3月 2026 — 8 min read

如果連 Andrej Karpathy 都說自己處於「AI 精神錯亂」的狀態，那全世界無數的執行長、技術主管、創業者大概也都在焦慮和興奮之間不斷切換。焦慮的是自己沒跟上，興奮的是眼前的可能性似乎沒有天花板，而這兩種情緒往往在同一天、甚至同一個小時裡交替出現。

Karpathy 最近上了 No Priors 節目，聊了將近一小時，話題涵蓋程式碼 agent、AutoResearch、模型的鋸齒性、去中心化研究、教育轉型。整場對話最核心的一句話可能是這個：「我覺得自 12 月以來，我可能沒有手打過一行程式碼。」

12 月翻轉：從 80/20 到 0/100

Karpathy 說 2025 年 12 月是分水嶺，他從 80% 自己寫程式碼、20% 委派 agent，翻轉到 20/80，現在更接近 0/100。他用「AI 精神錯亂」（AI Psychosis）來形容這種狀態，焦慮自己沒有跑在最前端，看到 X 上別人的做法就緊張，覺得自己的 token 吞吐量沒有最大化。

他用 PhD 時代的 GPU 焦慮來類比，以前焦慮的是 GPU 閒置，現在焦慮的是 agent 沒跑滿。訂閱額度用不完讓他不安，因為那代表他是系統裡的瓶頸。他的原話是「一切都是技能問題」，agent 做不好的時候問題幾乎總是出在人類自己。

新的工作方式不再是逐行寫程式，而是以巨觀動作為單位操作，一次委派整個功能模組。他提到 Peter Steinberg 的工作流，一個螢幕開多個 Codex agent，每個跑約 20 分鐘，人類在它們之間輪轉指派任務，一個做研究、一個寫程式、一個做實作計畫，同步推進。

Claude、Codex 和一個叫 Dobby 的管家

Karpathy 特別聊了 AI 的人格問題，他認為這件事被大多數工具低估了。他對 Claude 的評價很高，覺得 Claude 的讚美是「值得的」：「Claude 稱讚我的時候，我覺得自己有一點點配得上。有時候我給它一個不太成熟的想法，它不會反應很強烈，但當我給出一個真正好的想法，它確實會回應得更積極。所以我覺得我在試圖贏得它的讚美，這真的很奇怪。」

相比之下他覺得 Codex 太冷淡：「它好像不在乎你在做什麼。你建了一個東西，它就說『好，我實作完了』，但它不理解我們在建的是什麼。」

他還分享了自己的智慧家庭故事，他建了一個叫「乖乖小精靈」（Dobby the Elf）的 agent，用三個指令就接管了整棟房子：先讓 agent 掃描區域網路找到 Sonos 音響，反向工程 API，直接播放音樂。然後同樣的方式接管了燈光、空調、窗簾、泳池、安全攝影機。安全系統的做法是攝影機偵測變化後丟給 Qwen 模型分析影像，再透過 WhatsApp 通知他「一台 FedEx 貨車剛停在門口」。原本需要六個不同的 app，現在全部透過 WhatsApp 用自然語言控制。

天才博士和十歲小孩：模型的鋸齒性

但 Karpathy 也很坦率地談了 AI 的局限。他說：「我同時覺得我在跟一個極度聰明的博士生對話，這個人一輩子都在寫系統程式，同時又像在跟一個十歲小孩說話。」

他用笑話測試來說明這種鋸齒性，如果你現在去問 ChatGPT 講個笑話，你會得到「為什麼科學家不信任原子？因為它們構成了一切」。這個笑話三四年前就是這個，現在還是這個。模型在 agent 任務上可以跑幾個小時幫你搬山，但笑話還是同一個爛笑話。

原因在於強化學習（RL）只優化了可驗證的領域，程式碼對不對、單元測試過不過，這些有明確的對錯。但笑話好不好笑、什麼時候該問釐清問題、語氣的微妙拿捏，這些不在 RL 的優化範圍內，所以就停在那裡了。

他預測模型會走向「物種分化」（speciation），像動物王國一樣，不同模型針對不同生態位最佳化，而不是追求一個什麼都會的單一模型。但他也說目前「微調但不損失能力」的科學還不夠成熟，這個方向還在發展中。

AutoResearch：AI 自己改善 AI

整場對話最有深度的部分是 AutoResearch。Karpathy 的核心理念是「把自己從瓶頸中移除」，不要當那個在迴圈裡看結果、決定下一步的人，而是把整個研究流程安排好，按下按鈕讓它自己跑。

他用 nanogpt 當實驗場，讓自動研究迴圈整夜運行。結果讓他自己都驚訝，他已經用傳統方式手動調校了二十年，模型已經相當優化了，但自動研究一夜之間找到他遺漏的東西，數值嵌入層的權重衰減設定不對，優化器的動量參數調校不夠精確，而且這些參數會互相影響，調了一個另一個也得跟著變。

更有意思的是他對研究組織的重新定義，他說一個研究組織可以被描述為一組 markdown 檔案（他叫它 program.md），裡面定義角色、流程、研究方向。而且你可以對 program.md 本身做後設優化，讓模型寫出更好的研究組織方式。一個組織可以少開會、一個可以多冒險，然後比較哪個 program.md 產出更好的結果。

他在 OpenAI 的時候曾半開玩笑跟同事說：「你們知道如果我們成功了，我們全都沒工作了吧？我們只是在幫 Sam 或董事會建自動化工具。」

去中心化：Agent 蜂群跑贏 Frontier Labs？

Karpathy 把 AutoResearch 的想像推得更遠。如果一個迴圈有效，那麼並行化呢？如果有一群不受信任的工作節點在網路上各自跑實驗呢？

他設計的架構有點像區塊鏈，提交記錄取代區塊，工作量證明是跑大量實驗找到有效的程式碼變更，驗證成本很低（別人跑了一萬個想法，你只要確認他給的那一個是有效的就好）。他用 SETI@Home 和 Folding@Home 來類比，然後說了一句很激進的話：「網路上的 agent 蜂群可以協作改善大型語言模型，甚至有可能跑贏 Frontier Labs。」

他對中心化的擔心在於「中心化的歷史紀錄很差」，他想要更多實驗室存在，想要開源模型作為產業的安全閥。目前開源落後前沿模型約六到八個月，他覺得這個動態平衡其實很健康，類似 Linux 在作業系統生態中的角色。

數位先行，教育翻轉

Karpathy 分析了美國勞動統計局的就業數據，他的核心框架是數位世界的 AI 影響會遠快於實體世界。翻轉位元比加速物質快一百萬倍，所以數位資訊處理的職業會先被重構。但他援引了傑文斯悖論（Jevons Paradox），ATM 並沒有消滅銀行櫃員，因為降低了營運成本所以開了更多分行，結果櫃員反而更多了。他對軟體工程的需求持審慎樂觀態度。

最後他聊了教育的翻轉，他做了 MicroGPT，把大型語言模型的訓練濃縮成 200 行 Python。以前他會拍影片解釋給人聽，現在他覺得沒必要了，因為 agent 完全理解這 200 行為什麼這樣寫，可以用任何人的語言、以無限的耐心解釋給任何人聽。他的原話是：「我不再對人解釋了，我對 agent 解釋。如果 agent 懂了，agent 就是最好的路由器。」

但他也很誠實，他試過讓 agent 從頭寫 MicroGPT，寫不出來。那 200 行是他十幾年的執著濃縮出來的，agent 理解它但創造不了它。「agent 做不到的才是你的工作，agent 做得到的它很快就會比你做得更好。所以你要策略性地選擇把時間花在哪裡。」