AI能改10万行代码，却让你走路去洗车！Karpathy戳破「锯齿状智能」

【导读】能重构10万行代码的顶尖模型，却会建议你走路去洗车店洗车？最近，Karpathy把这件怪事讲透了：AI能力是锯齿状的，背后是一门经济学。他还提到Vibe Coding抬高了编程的地板，但专业开发者还需要智能体工程。智能体时代，你可以外包思考，却不能外包理解。

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。

2026年4月29日，Karpathy在Sequoia AI Ascent 2026炉边谈话现场

谈话结束后，他在X上发帖复盘整场对话的亮点。

他想讲的第一件事是，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：有些事第一次变得可能，有些事开始显得不必要。

第二件事，就是锯齿状智能。为什么模型一边能干超人的活，一边在常识题上翻车？Karpathy把锯齿状能力解释为可验证性与经济激励共同影响的结果。

第三件事，一个面向原生智能体（agent-native）的新经济正在长出来。所有今天为人类写的软件、文档、流程，都要被重写为「为agent写」。

这三件事共同指向同一个判断：AI已经不是「写代码更快」那么简单。它在重写软件本身，也在重写人类在系统里的位置。

Karpathy自己就是最鲜明的例子。

这位OpenAI创始成员、前Tesla AI负责人、Vibe Coding词语的发明者，前不久还公开撂下一句话：「我从未感觉作为程序员这么落后过。」

Sequoia的主持人正是把这句话拎出来，作为炉边谈的开场白。

这并不是谦虚。

一年前发明「氛围编程」（vibe coding）的人，亲口承认自己跟不上AI时代的浪潮，只能说明一点：AI发展的速度实在太快了。

能改10万行代码

却让你走路去洗车

「太离谱了。」

Karpathy在Sequoia现场讲了这个洗车的段子：最先进的模型，可以重构10万行代码库，也会建议你走路去50米外的洗车店洗车。

10万行代码已经足以构成一个相当复杂的软件项目，而「走路去洗车店」呢？这是一个三岁孩子都能搞清楚的常识题。

你想洗的是车，车不能走路，所以人走路去洗车店是一个毫无意义的建议。一个能改10万行代码的模型，就在这种小学生级别的常识题上崩了。

Karpathy用这个例子来说明大模型的锯齿状智能，他认为AI的能力并非均匀进步的，而是参差不齐，就像一块凹凸不平的锯齿板。

因此今天理解AI最危险的事，就是用「它行/它不行」二分法去判断。

新地平线

当软件可以「直接做到」

Karpathy在炉边谈里讲了一个让他自己有点尴尬的故事。

他写过一个App，叫MenuGen。在餐厅拍下看不懂的菜单，App帮你把每道菜画出来。OCR加图像生成，这是一个标准的软件1.0项目。

然后有一天他看到了一个软件3.0的版本。

那个版本只有一句话：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。还是那张菜单，但每一道菜旁边都贴上了图。

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。

这是Karpathy想说的第一个新地平线，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。

第二个地平线，是.md而不是.sh。

过去你装一个软件，用bash脚本，写得密密麻麻，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。

第三个地平线，是LLM Wiki。

这是Karpathy 2026年4月在GitHub Gist上发布的一个新理念。普通RAG（检索增强生成）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，你用Obsidian浏览：新文档进来，模型自动更新已有条目、修订摘要、补足链接、标记矛盾。

在那份Gist里，Karpathy用了一个比喻：Obsidian是IDE（集成开发环境），LLM是程序员，wiki是代码库。

在LLM Wiki里，知识被进一步组织成一个像代码库一样可积累、可维护、可版本控制的工程产物。

三个例子，指向同一件事：软件1.0你写代码，软件2.0你训权重，软件3.0你写提示词（prompt）、控上下文窗口（context window）、调智能体。

锯齿状的背后

可验证性和经济学

讲了新范式，Karpathy详细解释了那个让全场最困惑的问题：为什么模型智能有时会表现得这么「锯齿」？

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。

Karpathy在解释锯齿状能力时，特别强调了强化学习（ RL ）环境的作用。

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、漏洞能不能复现），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。

OpenAI、Anthropic、Google选什么进训练分布，背后是收入和市场规模的考量。

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。

这件事对创业者特别重要。

Karpathy在炉边谈里直接给了建议：如果你想做AI创业，找一个可验证、但前沿实验室还没顾上的领域，自己去构建RL环境，自己去微调（fine-tune）模型。这是当下最有可能跑出护城河的方向。

换句话说，下一波AI-native公司，可能会是验证环境本身。谁能定义可验证任务、构建奖励循环（reward loop）、积累边缘案例（edge cases），谁就握有底牌。

Karpathy在炉边谈话中，将神秘的AI锯齿状智能，还原成一个可以被分析的工程经济问题。

Vibe Coding的发明人

又造出新词

2025年2月，Karpathy在X上发明了一个词：Vibe Coding，以此形容一种高度依赖AI、几乎不亲手写代码的开发方式。

这个词后来火到被Collins字典选为2025年度词汇。Cursor、Lovable、Replit这一批公司估值飙到几十亿美金，背后都是这股风。

一年后，在这次对话中，Karpathy给这个词又升了级，叫智能体工程（Agentic Engineering）。

他对这两个词的看法是：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。

因为今天AI写出来的代码，在Karpathy眼中显得很臃肿（bloaty），一堆复制粘贴，抽象很怪很脆弱，能跑，但真的很糟。

他还讲了一个真实案例。

他的智能体在MenuGen里，居然试图用Stripe和Google返回的email地址去做用户匹配，而不是用一个持久化的用户ID（user ID）。

这是任何一个有经验的工程师都不会犯的错，但智能体却犯了。

因此，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。你得管需求定义、管系统架构、管安全、管审美、管验证。这些事，智能体干不了。

Vibe Coding的爽感区，属于业余项目和原型，而智能体工程才是专业开发的下一站。前者降低门槛，后者抬高要求，两件事不能混为一谈。

这也是今天行业最容易踩的坑。

Vibe Coding浪潮下，所有人都在喊AI让人人都是程序员，但Karpathy却说：能在智能体时代活下来的工程师，不是写得快的，是管得住智能体的。

你能外包思考

但不能外包理解

炉边谈话中，主持人还问了一个所有人都在焦虑的问题：当智能体能写代码、能调度、能自己装软件，人类还剩什么？

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。

他对此的理解是：我仍然是瓶颈，因为只有我才知道我们到底要建什么、为什么要建。

Karpathy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。

第一是需求定义（spec），写清楚要做什么；

第二是拆解计划（plan），拆清楚怎么做；

第三是系统架构（architecture），决定系统长什么样；

第四是品味判断（taste），判断哪个方案是好的；

第五是过程监督（oversight），盯着智能体别跑偏；

第六是结果验证（verification），验证智能体的产出是否真的正确。

这六件事，智能体可以辅助，但不能独立承担最终责任。

Karpathy重提了他此前提到的「动物与幽灵」（animals versus ghosts）比喻。

2025年10月，Karpathy曾系统阐述过这个比喻：幽灵之于动物，正如飞机之于鸟类。

他认为今天的前沿大模型研究不是在造动物，而是在「召唤幽灵」。

动物有内在动机，幽灵没有，它只是被数据和奖励塑形出来的智能模拟，是一个全新的物种：你不能像对待人一样对待智能体，也不能像对待传统软件一样对待智能体。

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。

Sequoia在2026年给出的判断是：AI应用的渗透速度还在加快，「0到1亿美金」的俱乐部，正在升级成「0到10亿美金」。

最好的AI创业公司，每个员工的年产出已经过百万美金。这背后是智能体在干活，但能让智能体真正干出百万产出的，是那些懂得当导演的创始人。

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。那些不能外包的部分，就是你的位置。

参考资料：

https://x.com/karpathy/status/2049903821095354523

https://www.youtube.com/watch?v=96jN2OCOfLs