從 AI 焦慮症到 AutoResearch：Karpathy 眼中的 Agent 時代真實面貌
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。」
相關資料
No Priors Podcast：Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI
https://www.youtube.com/watch?v=kwSVtQ7dziU
