听了Andrej Karpathy最新2小时访谈，我对Agent彻底祛魅了

两天前，Andrej Karpathy 上了 Dwarkesh 的播客。YOU管上有视频版，周末我把这期播客过了两遍，信息密度极高。他的核心结论可以用一句话概括：Agent 的发展还需要十年。

我在墨问上整理了一份尽可能保留 Andrej Karpathy 的原话原意的访谈记录，大约 6000 字：Andrej Karpathy 最新访谈：这是 Agent 的十年

下面谈谈我自己的阅读感受。

在整个圈内媒体都在喊「智能体元年」的时代，Andrej Karpathy 的话像是给业内泼了一盆冷水，但就像北京这几天的低温一样，秋天来了，是时候清醒一下了。

1

Karpathy 说，我们离能像实习生一样工作的 Agent，还差很远。

我们都希望把“Agent”当做一名员工或实习生，就像团队里已有的员工一样——什么时候你会愿意把他们的工作交给像 Claude 或 Codex 这样的 Agent 呢？

现在还不行。要让 Agent 真能接手员工的工作，缺的不是小修小补，而是一整套能力：更高的智能，更强的多模态，更可靠的电脑操作。Agent 没有持续学习能力——你告诉它们一件事，它们不会真正“记住”；它们在认知上也有缺陷，综合起来就是无法独立完成工作。把这些问题都解决好，恐怕需要十年的尺度。

“为什么是十年，不是一年或五十年？” 他给的是经验和直觉：我在 AI 领域差不多工作了两代时间，大概 15 年。我看过人们做预测、验证预测。我在工业界和研究界都待过。我有一套对时间尺度的直觉。我的感觉是，这些问题是可解的，是可以跨越的，但是很难。如果把这些平均一下，我的感觉就是十年这样的时间尺度。

这让我想起特斯拉自动驾驶。当年大家都以为只要再堆一点算力、再多几辆测试车，就能解决问题。但现实是每一个进步都要付出指数级的代价。AI 也一样，模型 Demo 和可靠产品之间的鸿沟，比很多人想象的要宽得多。

2

Karpathy 的另一个观点值得细细咀嚼：强化学习是糟糕的选择，但其他方法更糟。

模型现在的学习方式像是“用吸管吸监督信号”——它并行尝试几百种解法，只要一次蒙对，就会强化整条路径，包括所有错误的步骤。于是，AI 学到的不是“对的过程”，而是“凑巧的轨迹”。

这和人类完全不同。我们找到答案后，会反思为什么正确、哪些部分无效，有“过程监督”。但要把过程监督自动化并不容易：需要可拆解的分项评分、可靠的评审者，整体复杂且脆弱。我们学习的不是答案，而是方法论。人类学习的本质是“元学习”：我们在学习怎么学习。AI 还做不到这点，今天的模型，缺乏这种“内心回顾”的能力。

他判断未来会出现几次重要的算法更新，方向指向反思、评审、记忆库、合成数据与元学习。

3

Karpathy 讲了一个很有意思的悖论：“人类糟糕的记忆，是一种特性，不是缺陷。”

AI 记得一切，却学不会抽象；人类遗忘很多，却能举一反三。

Karpathy 在谈到 LLM 的“记忆 vs 认知”时说，模型过度擅长记忆，能逐字复述训练语料，这反而会“分散注意力、阻碍通用思考”。相反，人类因为记忆不那么好，被迫寻找可泛化的模式，这是一种优势。他用“权重里的知识是朦胧回忆、上下文是工作记忆”的比喻，进一步主张应削减模型的背书式记忆，保留并强化认知核心，让模型少依赖内置知识、多进行检索与推理。

这句话我非常认同。忘记，正是理解的开始。当你不再纠结细节，大脑被迫去提炼规律，看到的是森林，而不是树木。

AI 拥有完美记忆，就像一个从不睡觉的学生。它不断记笔记，却从未进行过“梦的蒸馏”。而人类恰恰在睡眠中把零散的经验整合成新的模型。

所以，也许我们真正需要的不是更大的模型，而是会智能遗忘的模型——能舍弃噪声、提炼概念、形成真正的抽象。

4

Karpathy 提出了一个颇具颠覆性的想法：未来最强大的 AI，可能只有十亿参数。

现在这么大的参数模型，其实都在处理互联网上的脏数据，如果把认知能力与记忆分离，让模型只保留思考的算法，而非百科全书式的记忆，它就会变成一个“有方法论的哲学家”。

对应 Agent 和 LLM，如果能筛出真正“认知增益”的数据，小模型的蒸馏会更加灵活。

墨问已经在做一个小型的知识库，大概 300 万字，都是我们之前在星球里写的笔记，内容包括了产品、创业、职场、生活、电影、图书、摄影等内容，在这个数据里和 AI 交流，效率就非常高了。

这让我想到人类教育。一个好的老师，不是把所有知识塞给学生，而是教会他们如何思考。AI 也应如此，从“记忆堆叠”走向“认知抽象”。

5

Karpathy 不相信“奇点爆炸”，AGI 不会一夜之间改变世界，也不会在 GDP 的增长曲线上留下一个显著的拐点，AI 会像蒸汽机、电力、互联网一样，融入那条曲折向上的 GDP 增长曲线。

这观点我非常喜欢。人类社会的变化，从来不是技术诞生那一刻决定的，而是扩散、普及、被理解的过程。

1990 年代我们有了互联网，但直到智能手机普及，信息社会才真正成型。我想 AI 也是如此——从能聊天的玩具，到能执行任务的助手，再到融入所有生产环节的“隐形基础设施”。

6

Karpathy 现在离开了前沿实验室，把重心转向教育。他在做一个叫 Eureka Labs 的项目，目标是让 AI 帮助教育。他提到一个非常打动人的观点：好的教学，是 untangling knowledge —— 解开知识的乱麻。

学习不是填鸭，而是建立依赖关系。一个好的课程，像爬梯子，每一级都踩在上一级的逻辑之上。这其实也是对 AI 设计的启示。我们现在的模型就像一团纠缠的知识堆，没有因果顺序，没有结构，只有概率。真正的智能体，必须理解“为什么”，而不仅仅“是什么”。

关于 Karpathy 对 Agent 的判断，我想补充一句：

未来十年，不仅是智能体的十年，也是人类再学习的十年。

AI 的发展速度让我们第一次直面“如何与智能共处”的问题。过去十年，人类教机器写作、编程、画画；接下来十年，我们要重新学会如何思考、提问、判断。

就像 Karpathy 说的，未来教育会变得像健身房——不是为了谋生，而是为了保持思想的健康与活力。

还是那句话，AI 会帮我们自动化世界，但人类必须主动维护自己的“认知肌肉”。

当机器不再遗忘，我们要学会更好地遗忘；
当模型不再困惑，我们要学会保留自己的困惑。

因为正是困惑、模糊和遗忘，让我们有了创造力，也让我们保持人性。