站在巨人的肩膀上
Andrej Karpathy 2026 年 4 月底发布的一篇博客，内容是他对 Sequoia Ascent 2026 演讲的总结。他把近期博客、推文和演讲 transcript 喂给模型，生成摘要和整理稿；他检查后认为没有明显错误。
“I have never felt more behind as a programmer.” 作为程序员，我从未感到如此落后。
说这话的人是 OpenAI 创始成员，前 Tesla AI 总监，vibe coding 这个词是他 2025 年 2 月造的。他紧接着给了原因：编程本身没变难，变的是默认工作流。
我读到这句话愣了一下。以前慌的是别人跑远了追不上，现在慌的是我还在用半年前的方式干活。别人已经在让 agent 一口气生成一个相对完整的功能或小系统了，我还在一行行敲指令，指挥大模型干活儿。
他做成过什么
他读博在斯坦福，导师是 Fei-Fei Li。读博期间他设计并主讲了一门课，叫 CS231n，斯坦福第一门深度学习课。2015 年开课的时候 150 人，到 2017 年涨到 750 人。录像放上网。他把复杂东西拆给别人看的能力，从这时候就开始了。后来他在 YouTube 上做了 Zero to Hero 系列，从零开始讲怎么训练神经网络。2024 年他办了 Eureka Labs，专门做 AI 教育。
2015 年他是 OpenAI 的创始成员。两年后去了 Tesla，待了五年，领导 Autopilot 的计算机视觉团队。2023 年他回到 OpenAI，待了一年又走了。2026 年 5 月，他加入 Anthropic，进 pretraining 团队。
他的 GitHub 主页 bio 写着：“I like to train Deep Neural Nets on large datasets.” 截至 2026 年 7 月，约 20.9 万关注。从他的几个开源项目里，很容易看出这条极简路线：把复杂系统尽量压小。nanoGPT 把训练 GPT 这件事尽量压掉工程复杂度，让你看到骨架。micrograd 用几百行代码讲清楚反向传播。llm.c 用纯 C/CUDA 训练 LLM。这些项目在 GitHub 上累计拿了十几万颗星。
2025 年 2 月，他造了一个词叫 vibe coding，发了一条推文描述这种新的编程方式：不再”写代码”，而是看、说、运行、复制粘贴，mostly works。这个词后来进入了程序员社群的常用讨论。
图：Karpathy 个人官网履历（截图页面暂未更新其 Anthropic 经历）
他说”落后”，到底在说什么
默认工作流变了。 对他来说，2025 年 12 月前后出现了一次明显变化。他说：“Around December 2025, I felt a step change: the generated chunks got larger, more coherent, and more reliable. I started trusting the agents with more of the work.” 他开始信任 agent 干更多的活，生成的代码块更大、更连贯、更可靠。他自己说这个认知把他推进了”无限 side projects 的兔子洞”，side-projects 文件夹塞满了 random things，他全天都在写代码。
区别在动作。我刷到”AI 编程又变了”的新闻，第一反应是打开收藏夹，存下来，想着周末看。周末没看。他的第一反应是打开编辑器，开始做。我一直在存，他一直在做。
原来做的软件可能失效了。 他给编程分了三代，叫 Software 1.0/2.0/3.0，我们正在进入第三代。他拿自己的 MenuGen 当反面教材。MenuGen 是他做的一个 App，拍餐厅菜单照片，用 AI 生成菜品图片。他说这种东西在 Software 3.0 下不该存在了，因为模型可以直接做这件事。他原来花时间搭的那套应用层，大部分可以省掉了。
我手上正好有几个这样的东西，现在已经吃灰了。
执行可以交出去，理解还得留在自己手里。 他给了一个判断标准：传统软件自动化你能精确描述的，LLM 自动化你能验证的。这个框架帮我理解了为什么 AI 编程进步这么快，而 AI 还会这么离谱，比如你问它”我要去50米外洗车，开车还是走路”，它建议你走路。代码能跑能测，对错有即时信号。普通推荐和建议，往往没有这么直接的反馈。
他还引用了一条整理稿没中有标出作者的推文。他说：“There was a tweet that blew my mind.” 推文里写的是：“You can outsource your thinking, but you can’t outsource your understanding.” 你可以把”想”交给 agent，但你没法把”懂”也交出去。agent 干完活，你还是得知道：这个东西值不值得做，结果可不可疑，哪里可能出错。我自己对照了一下，发现我最近几个月越来越多地把”想”也外包了。遇到问题第一反应是问模型，自己先想那步基本省了。短期省时间，长期我在失去对问题的判断力。
他在演讲里提到的 microGPT 也是理解留在自己手里的一个例子。200 行纯 Python，不依赖第三方库，从零训练一个 GPT。他试过反复让模型把代码简化再简化，没得到他想要的结果。演讲整理稿里写着：“The models hate this. They can’t do it.” 但紧接着补了一句：“I don’t think there is anything fundamental preventing improvement.” 他分得很清：这件事现在做不到，和这件事根本做不到，是两回事。我很容易从一个失败里推出一个过大的结论，这种分寸感是我要学会的。
从他身上我想拆出什么
我自己手上有几个东西，是体验大模型快速开发时顺手做的。回头看，做完就停在了”它跑起来了”。跑起来，存下来，下一个。
Karpathy 不一样的地方，是他做完还会回头追问。MenuGen 做完了，一年后他复盘，发现这类 App 在 Software 3.0 下不该存在。做 microGPT 时，他反复让模型继续简化，借这个过程看到了模型暂时做不到的地方。
我做完几个工具，没有追问过。
大模型让我做得更快，但我做完之后追问的东西，一点没多。
搭的是一堆脚手架，楼早就换图纸了。
先拆一个试试。要解决什么问题，我还没想清楚。
资料卡
Andrej Karpathy（安德烈·卡帕西）
- 当前身份：Anthropic pretraining 团队（2026年5月加入）
- 代表作品：CS231n、nanoGPT、llm.c、Zero to Hero 系列、vibe coding（术语）
- 适合向他学什么：做完一个项目，再追问它让我看清了什么
从这几个入口继续关注他：
- 官网：https://karpathy.ai
- 博客：https://karpathy.bearblog.dev
- GitHub：https://github.com/karpathy（截至2026年7月，约20.9万关注）
- YouTube：https://www.youtube.com/@AndrejKarpathy
- X / Twitter：https://x.com/karpathy
- Google Scholar：https://scholar.google.com/citations?user=l8WuQJgAAAAJ
- 推荐阅读：Sequoia Ascent 2026 博客总结、Zero to Hero 系列
