---
author: Best Partners TV
date: '2026-04-03'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=JSMUrVjHjuo
speaker: Best Partners TV
tags:
  - agentic-workflow
  - large-language-models
  - future-of-work
  - ai-research
title: 卡帕西：AI革命已至，精神错乱与未来工作模式的重塑
summary: 前OpenAI联合创始人安德烈·卡帕西深入剖析AI革命：从AI编程范式革新、Token焦虑，到家庭自动化、自动研究、模型物种分化，以及AI对就业、教育和开源生态的影响。他认为AI正从研发走向落地，重塑数字与物理世界，并预示着Agent将成为未来核心驱动力。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people:
  - Andrej Karpathy
companies_orgs:
  - OpenAI
  - Anthropic
products_models:
  - GPT-4
media_books: []
status: evergreen
---
### AI革命已至：卡帕西的深度思考

**大飞**: 大家好，这里是最佳拍档，我是大飞。作为 **OpenAI** 的前联合创始人、AI领域的顶尖大牛，**安德烈·卡帕西**在最新的一期播客节目中，不仅自曝因为AI的飞速发展，陷入了某种所谓的 **AI精神错乱**，还毫无保留地分享了他对AI编程、大模型发展、开源闭源竞争，甚至AI重构教育和就业的核心思考。卡帕西似乎想要向大家揭示，AI的革命，已经从模型研发走到了场景落地的深水区，而我们每个人都正在被这场革命所改变。今天我们就来给大家分享一下。

### AI编程范式革新与Agent的工作流

**大飞**: 首先，最颠覆的变化发生在AI编程的领域。卡帕西直言，从2025年12月开始，软件工程的工作流已经被 **Agent** 彻底改写，而他自己，已经几乎一行代码都没再亲自写过了。在这之前，卡帕西的工作中80%的代码需要自己手写，只有20%交给AI辅助；而现在，这个比例完全反转了：80%甚至更多的代码工作都由Agent完成。人类的角色，已经从写代码的人，变成了用自然语言向Agent表达想法的人。而且这种变化不是个例，而是整个行业的常态。卡帕西观察到，如今随便找一个软件工程师，他们构建软件的默认工作流都已经发生了戏剧性的改变。甚至有团队的工程师完全不手写代码，所有人戴着麦克风，一直对Agent发出语音指令，这在一年前还是无法想象的工作场景。

**大飞**: 而卡帕西口中的AI精神错乱，也正是源于这种极速的变化。因为Agent让个体能实现的事情呈指数级增长，过去人类的创造力会受限于打字速度、技术储备等客观因素，而现在，只要能精准向Agent表达需求，就能实现各种过去难以想象的功能。卡帕西表示，自己每天都在试图搞清楚Agent的能力边界，思考如何突破单次会话的限制，如何让多个Agent协同工作，如何把 **OpenClaw** 的能力应用到更多场景。而新的技术、新的玩法每天都在出现，一旦跟不上前沿，就会产生强烈的焦虑。这种焦虑，不是因为能力不足，而是因为AI的可能性太多，而人类还在探索什么是可能的，这个领域从根本上说，仍然是未知的。

**大飞**: 很多人会问，既然Agent这么强大，为什么自己用的时候效果并不好呢？卡帕西给出的答案很直接：Agent做不好，多半是人类没掌握好操作的 **Skill**，而不是模型本身的能力问题。比如对 `agents.md` 文件的指令编写不够精准，没有为Agent配置好用的记忆工具，或者不知道如何让Agent并行工作，这些都是导致Agent效果不佳的核心原因。卡帕西以 **OpenClaw** 的作者 **彼得·斯坦伯格** 为例，彼得的工作方式是让多个Codex Agent并行干活，他的显示器上铺满了Agent窗口，手上同时处理10个代码仓库的检查工作。通过精准的提示词和高强度的推理模式，让每个Agent在20分钟左右完成一个任务，而人类只需要根据代码的重要程度审查Agent的产出即可。这种宏观操作的思路，让人类能跳出改一行代码、加一个函数的细节工作，转而负责分配任务、把控方向的核心工作。而想要掌握这种思路，需要反复练习形成肌肉记忆，这也是当前AI从业者的核心必修课。

### 算力焦虑转向Token焦虑

**大飞**: 伴随着编程范式的改变，行业的焦虑点也发生了根本性的转移。这是卡帕西分享的第二个核心观点：现在的AI行业，最焦虑的已经不是能不能跑满GPU算力，而是能不能用完 **Token**。卡帕西甚至直言，“订阅没用完我就焦虑，说明我的Token吞吐量没拉满。” 这个变化可能也会让很多从业者感同身受。在过去，卡帕西读博期间会因为GPU没跑起来、FLOPS没榨干而焦虑；而现在，FLOPS的时代已经过去，Token成为了衡量生产力的核心指标。你的Token吞吐量是多少？你能指挥着多少Token同时运行？这成为了判断一个AI从业者能力的关键。

**大飞**: 为什么会出现这种变化呢？因为AI的能力已经实现了跃升。过去制约行业发展的是算力资源，而现在，算力不再是核心瓶颈，人类的操作能力才是。主持人用“每次等Agent干完活儿，都会觉得自己应该多干点别的”来形象地说明，如果Token还富余，就该并行塞进去更多的任务。因为如果不觉得Token花费是瓶颈，那系统里真正的瓶颈，就是人类自己。卡帕西表示，这种焦虑其实是好事，因为它会推动人类不断提升自己的操作。而一旦掌握了Skill，就能解锁Agent的更多能力，形成从Skill提升到能力解锁，再到效率提升的正向循环。而未来的发展方向，必然是从单次和Agent聊天，走向多个Agent协作和团队配合，甚至实现Agent的自主循环运行，这也是Agent的核心发展方向。

### Agent赋能家庭自动化：Dobby的实践

**大飞**: 而提到 **OpenClaw**，就不得不说卡帕西的一个有趣实践。他用OpenClaw打造了一个名为 **多比 (Dobby)** 的家庭Agent。这个Agent彻底接管了他的家庭，也让他得出了一个重要结论：Agent是数字世界的粘合剂，而许多App，本质上都应该是Agent可调用的API端点。

**大飞**: 在2026年1月，卡帕西还经历了一段OpenClaw精神错乱的时期。他只是跟多比说家里有 **Sonos**，你能找找吗？这个Agent就自动完成了IP扫描，发现Sonos音箱没有密码保护后直接登录，随后通过逆向工程和网络搜索，找到设备的API端点，最终实现了对音箱的控制，甚至能直接播放音乐。除了音箱以外，多比还完成了对家里灯光、空调、窗帘、泳池、水疗吧甚至安保系统的整合。它会自动创建API和控制面板，让卡帕西能通过一个界面掌控所有设备，甚至只需要说一句“多比，要睡觉了”，就能关闭所有灯光，实现全屋的智能联动。

**大飞**: 在安防方面，多比的表现更是让人惊叹。卡帕西家里的摄像头会实时进行变化检测，一旦发现陌生人接近，多比会调用**千问模型**进行分析，然后通过 **WhatsApp** 给卡帕西发送消息和现场图像，比如，“嘿，FedEx的卡车刚到了，你可能想检查一下。”在此之前，卡帕西需要用六个不同的App来控制家里的智能家居设备，而现在，多比用自然语言实现了所有功能的统一控制。这让他深刻感受到，应用商店里那些配套智能家居的定制App，其实根本没有存在的必要。这些设备只需要开放API，让Agent直接调用即可。卡帕西还以自己的跑步机为例，跑步机配套的App需要登录、走流程才能记录运动数据，而如果跑步机能开放API，Agent就能自动完成数据记录，无需人类干预。

**大飞**: 这意味着，整个行业正在走向Agent化的网络。未来的客户，不再只是人类，还有代表人类行事的Agent。而这种重构，将会是相当彻底的。当然，卡帕西也表示，目前他并没有把多比的能力推到极限，比如没有给它邮件、日历的访问权限，核心原因是安全和隐私的顾虑。当前的Agent还处于发展初期，技术还比较粗糙，贸然开放全部的数字生活访问权，存在不小的风险。但是他坚信，一两年或三年后，这种家庭自动化的能力会成为免费的基础服务，不需要人类进行任何专业的操作，任何AI甚至开源模型都能实现这样的功能。

**大飞**: 而 **OpenClaw** 之所以能打动用户，核心也不是因为某个功能最强，而是因为它更接近人类心目中的AI形态：它有人格、有记忆，能通过单一入口实现所有功能，而不是像最早的大模型那样，只是一个冰冷的Token生成器。卡帕西特别提到，OpenClaw的作者彼得打造的 `soul.md`，为Agent赋予了有吸引力的人格，而 **Claude** 也因为调优了模型的人格，让用户产生了想赢得它的夸奖的心理。这些细节，都是当前很多Agent忽略了、但是却至关重要的点。

### 自动研究：AI驱动的研发新范式

**大飞**: 如果说家庭自动化是Agent在生活中的应用，那么**自动研究 (AutoResearch)** 就是Agent在技术研发领域的核心突破。这也是卡帕西当前最关注的方向。卡帕西探索自动研究的核心动机，是想把人类从研究的瓶颈中彻底移除。过去，人类需要不断写提示词、指挥模型做下一步工作；而现在，我们需要做的，是安排好任务，让Agent完全自主运行，在不参与循环的情况下，最大化Token吞吐量。

**大飞**: 卡帕西表示，人们喜欢自动研究的概念，但很多人没完全想通它的含义。对他来说，自动研究员就是让Agent成为研究的主体，人类只需要告诉Agent目标、指标和行为边界，然后放手让它去做，因为人类的参与反而会成为研究效率的瓶颈。而卡帕西的实践也印证了自动研究的强大能力。他有一个经典的 **nanoGPT** 项目，作为拥有二十年研究经验的专家，卡帕西已经用手工方式对这个项目进行了极致的调优，做了大量的实验和超参数优化，自认已经把模型的性能做到了极致。但是当他让自动研究系统运行了一晚上后，系统竟然发现了他忽略的多个调优空间，比如他忘了对值嵌入做权重衰减，Adam beta的参数也没有充分调好。而这些参数之间存在联合交互，一旦调整一个，其他参数也需要相应优化，这些细节即便是卡帕西这样的专家，也在手工调优中遗漏了。

**大飞**: 更让他惊讶的是，`nanoGPT`的代码库已经经过了高度优化，而自动研究系统依然能找到提升的空间。这足以证明，AI在处理有客观指标、可量化的研究任务时，能力已经超越了人类。卡帕西表示，这还只是单循环的自动研究。而前沿AI实验室拥有数以万计GPU的集群，一旦将自动研究规模化，在较小的模型上进行大量的探索，然后将结果外推到大型模型上，将会大幅提升研发效率，让大模型的优化方向更加明确。而未来的研究流程也会发生彻底的改变，比如会出现一个点子队列，自动化研究员会根据 **arXiv** 论文和 **GitHub** 仓库，自动产生灵感并输入队列。人类研究员也可以贡献点子，所有的点子都会进入同一个队列，然后由自动化Agent去抓取任务并尝试。行得通的代码就进入功能分支，人类只需要偶尔监控并合并到主分支即可。简单来说，就是把人从研究的所有流程中撤走，尽可能实现自动化，追求极高的Token吞吐量。而这需要重新思考所有的技术抽象层，一切都要推倒重来。

### 大模型能力的锯齿状分布

**大飞**: 但是，自动研究并不是万能的。它的适用范围也揭示了当前大模型的一个核心特性，那就是呈**锯齿状分布的能力**。卡帕西用一个形象的比喻描述这种状态：现在与AI对话，感觉就像是同时在和一个天才程序员和一个10岁小孩对话。在某些领域，AI的能力极其强大；而在另一些领域，却表现得极其幼稚。这种锯齿状的能力分布，与人类均衡的能力分布完全不同。比如在编写CUDA算子、做超参数优化这些有客观指标、易于评估的领域，AI能做到极致；但是在一些需要理解人类细微意图、没有明确评估标准的领域，AI却会频频出错，甚至陷入完全错误的循环。

**大飞**: 而这种能力分布的背后，是大模型的训练逻辑。当前的大模型主要通过强化学习训练，而实验室只能在可验证、有奖励反馈的领域提升模型能力，而在那些没有明确标准的领域，模型的能力就会明显落后。卡帕西举了一个很有趣的例子，现在即使是最强的ChatGPT，让它讲个笑话，大概率还是会得到那个三四年前的老梗，因为这不在强化学习的优化范围内，是锯齿状能力中的洼地。

### 模型物种分化：专用模型兴起

**大飞**: 基于大模型的锯齿状能力分布，一个自然而然的问题就出现了：我们是否还需要追求无所不能的单一大模型呢？卡帕西的答案是否定的，他认为，未来大模型会出现更多的**物种分化**，就像动物界的大脑形态一样，会有各种不同的生态位。有些模型在某个领域的能力会被极致优化，成为专用的小模型，而不是像现在这样，追求一个在所有领域都尽可能聪明的单一大模型。

**大飞**: 但是卡帕西也表示，目前大模型的物种分化还没有成为主流，核心原因有两个：一是前沿实验室仍然在追求包罗万象的单一大模型，因为他们不知道终端用户会有什么样的需求，所以必须在所有可能的问题上进行多任务规划；二是操控模型的核心技术还没有成熟，比如在不损失通用能力的情况下对模型进行微调，实现持续学习，或者真正修改模型的权重，而不是只通过上下文窗口进行定制化。这些技术都还处于探索阶段，而修改权重本质上是在改变整个模型的智能，稍有不慎就会出问题。此外，算力的成本也是一个重要因素，只有当特化模型的成本足够低，能带来明显的效率提升时，物种分化才会成为行业的主流。

### AI研究的并行化与算力普惠

**大飞**: 尽管大模型的发展还存在许多的瓶颈，但是AI研究的形态，已经在发生另一个重要的变化，那就是正在从**单线程走向并行化**，甚至让互联网上的散户算力也能参与到AI研究中。卡帕西表示，过去的研究本质上是单线程的，一个研究者不断尝试、循环迭代；而未来，研究的并行化会成为核心趋势。多个自动研究员可以通过共享系统互相讨论，甚至可以让互联网上大量不被信任的工人参与进来，贡献闲散算力。

**大飞**: 卡帕西设计了一套这样的协作系统：在自动研究中，核心目标是找到能把模型训练到低验证损失的代码。而这个过程的特点是生成极贵、验证极便宜。也就是说，生成一个候选代码需要大量的尝试和算力，而验证这个代码是否有效，只需要跑一次训练即可。基于这个特点，可以引入不被信任的闲散算力来生成候选代码，然后由可信任的验证节点来验证代码的有效性。整个流程异步而且安全。而所谓的工作量证明，就是大量的实验和尝试，找到真正有效的代码。这种模式，与 **SETI@home**、**Folding@home** 等项目高度相似，这些项目都是让互联网的闲散算力参与到科学研究中。而未来，这种模式会被应用到AI研究中，形成所谓的 **Auto Research @ home**。

**大飞**: 卡帕西认为，这种模式的潜力巨大，因为前沿实验室虽然拥有大量的可信算力，但是地球上不被信任的闲散算力总量，要比实验室的算力大得多。如果能设计好机制，做好安全验证，这些闲散算力就能共同推动AI研究的发展，甚至有可能跑赢前沿实验室。更重要的是，这种模式能让AI研究变得更加普惠。比如有人关心癌症研究，就可以购买算力，加入癌症方向的自动研究池子，让算力成为一种可以贡献的资源。所有的研究者都能共享、竞争、迭代这些算力的成果。而现在，硅谷排队买显卡、中国商场里抢算力设备的现象，也说明个人算力正在重新变得有价值。未来，人们可能会像在乎美元一样在乎FLOPS，算力可能会成为真正稀缺和主导的资源。

### AI在数字与物理世界的应用差异

**大飞**: 聊完了AI的技术发展，我们再来看卡帕西对AI与就业、产业发展的思考。卡帕西最近对美国劳工统计局的就业数据进行了分析，他按照数字 vs. 物理的标准，将所有职业进行了分类。结果发现，当前主流发展的AI，更多是数字世界的幽灵，它们能极其高效地操纵数字信息，但是还没有真正的物理具身。而操控物理世界，永远比操控数字世界慢很多个数量级。

**大飞**: 基于这个判断，卡帕西认为，AI会先引发数字世界的爆炸式变化，大量原本由人和传统计算机完成的数字信息处理工作会被重构，而物理世界会相对滞后一段时间。对于那些面临就业市场、正在考虑学习什么技能的人，卡帕西给出的建议是，尽量跟上AI工具的发展，保持好奇、主动去接触和使用它们。因为AI现在已经是一种极其强大的生产力工具，很多工作都是由一系列任务组成的，其中一部分任务可以通过AI实现效率的百倍提升。而现在，最重要的是把AI当成工具，学会与它协作。

**大飞**: 当然，卡帕西也表示，长远的就业趋势很难预测，这需要经济学家进行专业的研究。但可以确定的是，数字领域的职业，工作内容和技能要求会发生巨大的改变。而这，就像给人类超级有机体升级了一套新的神经系统。

### AI重塑就业与技能需求

**大飞**: 而在软件工程这个核心领域，卡帕西的态度是谨慎乐观的。他认为，未来软件工程的岗位需求，可能会因为**杰文斯悖论**而出现增长。但是长远来看，前沿AI实验室的研究员，正在光荣地把自己自动化掉。卡帕西表示，**OpenAI**、**Anthropic** 这些前沿实验室，目前也就雇佣一千来个研究员，而这些研究员的核心工作，就是打造能取代自己的AI系统。他有时候去OpenAI转转，会跟研究员们说：“你们有没有意识到，如果我们真的成功了，我们全都要失业啊？我们就是在给**山姆·奥尔特曼 (Sam Altman)** 或者董事会，造一个能取代我们的东西啊！”而很多研究员也已经开始出现那种AI精神错乱的感觉，因为他们清楚地知道，自己正在亲手打造自己的替代品。而这也是AI发展不得不面临的必然趋势。

### 开源与闭源：AI生态的竞争与平衡

**大飞**: 而在AI生态的发展中，开源与闭源的竞争格局，也是卡帕西重点关注的内容。作为长期支持开源的研究者，卡帕西表示，当前闭源模型仍然领先于开源模型，但是两者之间的差距，已经缩小到了6-8个月左右。卡帕西认为，这是一个非常健康的趋势，因为行业需要一个开源的、大家觉得安全可信的共同工作空间。就像操作系统领域，有封闭的 **Windows** 和 **macOS**，也有开源的 **Linux**，而Linux跑在全球绝大多数的计算机上，成为了行业的基础。

**大飞**: 对于大模型领域来说，开源模型的存在，能有效避免完全封闭的智能带来的系统性风险。历史上看，极度中心化的系统，不管是政治、经济还是技术，表现都不太好。卡帕西希望，开源模型就算不是最强的，最好也只是稍微落后于闭源模型，这样才能实现行业的权力平衡。而未来的格局，大概率会是这样的：闭源模型服务于那些对最前沿智能有需求的高难度任务，比如诺贝尔奖级别的科学研究；而开源模型则会覆盖绝大多数的消费级场景和基础用例，甚至能在本地运行，成为行业的基础。

**大飞**: 但是卡帕西也对当前闭源模型头部越来越集中的趋势表示担忧，他希望能有更多的前沿AI实验室、更多的团队参与到大模型的研发中，因为在机器学习里，集成总是比单个模型强，而最难的问题也需要多组人共同思考，而不是关起门来由两三个人说了算。

**大飞**: 在数字世界之外，卡帕西也对AI在物理世界的发展进行了预判。他的核心观点是，AI在物理世界的规模化应用，会明显滞后于数字世界，但是物理世界的总潜在市场，可能比纯数字世界还要大。卡帕西的这个判断，源于他做自动驾驶研究的经历。十年前的自动驾驶创业浪潮中，有一大堆初创公司，但最后能活下来的寥寥无几，这让他深刻体会到，机器人领域需要巨量的资本、时间和信念，远非数字世界可比。

**大飞**: 卡帕西认为，AI的发展会遵循这样的时间线：首先是数字世界的大爆发，AI会重构所有的数字信息处理工作，榨干数字世界的过剩工作，也就是那些人类过去因为脑力不足、无法充分思考的数字化信息。然后，AI会延伸到数字与物理的接口部分，也就是传感器和执行器，因为纯数字的任务总有一天会做完，到那时，AI需要向物理世界获取数据，做实验，才能学到新的东西。最后，才会实现物理世界的规模化应用。而那些能做好数物接口的公司，会成为未来的核心玩家。

**大飞**: 卡帕西还提到，现在已经有一些公司在数物接口领域进行探索，比如 **Periodic** 公司，正在用AI做材料科学的自动研究，他们使用的传感器是昂贵的实验室设备，能为AI提供物理世界的精准数据。还有一些公司在做付费采集训练数据的生意，直接把人类当成传感器，为AI喂物理世界的数据。卡帕西认为，未来会出现发达的信息市场，比如有人可以出10美元，让别人在某个地方拍张照或视频，然后把数据喂给Agent，让Agent进行分析和决策。而这种Agent化的web，目前还处于早期阶段，缺少很多基础设施，但这必然是未来的发展方向。甚至有一天，整个社会会被重塑，人类会成为AI的传感器和执行器，服务于机器的需求，而这，也是AI发展的终极可能性之一。

### AI重构教育：Agent成为知识传授者

**大飞**: 最后，卡帕西分享了自己的一个个人项目：**micro GPT**。micro GPT是卡帕西十几年研究的结晶，他把大语言模型尽可能地简化、提纯到最本质。整个从头训练一个小型语言模型的代码，只有200行Python代码。卡帕西表示，大家看到的那些复杂的模型训练代码，绝大部分复杂度都来自要跑得快；如果不在乎速度，只关心算法本身，200行代码就足够了，包括数据集处理、50行网络结构、前向传播、100行autograd引擎算梯度、10行Adam优化器，再加一个训练循环。

**大飞**: 而这个项目的核心价值，不在于代码本身，而在于它揭示了教育的未来。卡帕西表示，以前他会想录个视频，一行行讲解nano GPT、micro GPT的代码，但现在他觉得没有必要了，因为这些代码已经简单到随便丢给一个Agent，它就能从各种角度进行解释，而且能根据用户的语言水平，无限耐心地反复讲解，人类反而能从Agent那里学得更好。卡帕西甚至可以写一个skill，告诉Agent应该按什么顺序、用什么方式，把micro GPT讲给不同水平的人，而他只需要负责设计课程的骨架，剩下的执行工作，全部交给Agent即可。

**大飞**: 这让卡帕西得出了一个重要的结论：人类互相教授知识的时代，快要结束了。未来的教育模式，会是先让Agent搞懂知识，然后让Agent来教人。现在，卡帕西还能比Agent讲得稍微好一点，但模型的进步速度太快，这是一场必输的战斗。而这种教育的重构，不仅体现在编程教学上，还会延伸到所有领域。卡帕西表示，自己的价值，就在于打造出micro GPT这样的核心成果，而剩下的知识传递工作，Agent能做得比人类更好。而未来的人类，需要战略性地把时间花在那些Agent做不到的事情上，这才是人类的核心价值所在。

**大飞**: 总结一下卡帕西这期播客的核心观点，其实就是一句话：AI的革命，已经从模型研发进入了场景落地和生态重构的阶段。Agent成为了核心的驱动力，正在以我们无法想象的速度改变世界。而我们，都是这场变革的参与者和见证者。未来的AI会走向何方呢？卡帕西的AI精神错乱，是否会成为每个科技从业者的常态呢？欢迎在评论区留言。感谢收看本期视频，我们下期再见。