这篇文章带来了一位重量级人物——Andrej Karpathy的深度访谈。Karpathy是OpenAI的早期成员，也是特斯拉AI总监，他在AI领域有着深厚的实战经验和独到的见解。

看了 Andrej Karpathy 的播客，信息量巨大

开篇泼冷水：未来十年没有 AGI，只有 Agent

这里说一下，Karpathy 是 OpenAI 早期成员，参与过 GPT 背后的技术路线，在一线干了 15 年同时，Karpathy 也是前特斯拉 AI 总监

同时，我制作了一份中文版音频使用的工具，是大橘子的 ListenHub 的 API（我弄了一整个周日，非常良心）

这里，我还准备了一份文字实录，中英双语

中英双语，非常贴心

在 Andrej Karpathy 眼中，当前的 AI Agent，核心问题有三个：

• continual learning：你告诉它一个事，它记不住

• multimodal：真正的多模态还没做到

• computer use：不能像人一样操作电脑

这三个问题，每一个都得花好几年解决

AGI 还要十年

有人说今年是 Agent 之年

Karpathy 表示：应该叫「agents 的十年」

在他的观点里

我们未来十年没有 AGI，只有 Agent

业界有很多 over-prediction

对于 AGI 大家都太乐观了

他举了个例子

你现在有 Claude、有 Codex，对吧，很厉害

但你会让它们替你干活吗？不会

为什么？

因为它们就是不行

智能不够、多模态不够、记不住东西、不能操作电脑

这些问题，每一个都是硬骨头

要花时间一个个啃

continual learning 这个事，很多人可能没意识到有多重要

现在的 LLM，你跟它聊天

它看起来「记住」了你说的话

但那只是因为对话历史还在 context window 里

你关掉窗口，重新开一个对话，它什么都不记得

这不是 bug，这是设计就这样

要让它真的「学习」新知识

不只是记住，而是真正理解并融入已有知识体系

目前没有好办法

你可能会想，那就扩大 context window 不就行了

问题是这治标不治本，学习不能只是把内容简单地塞进上下文

真正的学习，是要把新知识整合到模型的参数里

这需要重新训练，或者找到新的架构，成本高得吓人

当前的AI， 无法真正学习新知识

强化学习：terrible, but everything else is worse

播客里有个特别有意思的部分

Karpathy 说：

强化学习是个糟糕的选择

但紧接着他又说：

但其他方法更糟糕

这话听着矛盾，但其实是对现状最准确的描述

RL 的问题主要是数据效率太低

你想让模型学会一个东西，得让它试错无数次

AlphaGo 下围棋，self-play 了几百万局

才达到世界冠军水平

这种训练方式，放在真实世界根本不现实

你不可能让自动驾驶撞车几百万次来学习

你也不可能让医疗 AI 误诊几百万次来进步

所以：RL 在真实世界的应用，始终受限于数据效率

强化学习，需要海量试错

但为什么还要用 RL？

因为 supervised learning 也有问题：

需要大量标注数据

而真正难的任务，根本标注不出来

比如「写一个好的代码」、「做一个好的决策」

什么叫「好」

人类自己都说不清楚

你让标注员去标注什么是「好代码」

每个人的标准都不一样有人觉得简洁就是好，

有人觉得性能高就是好

这种主观性太强的任务，标注成本高得离谱

而且质量还没保证

所以最后还是得回到 RL，让模型自己在反馈中学

通过奖励信号，而不是人工标注，是目前唯一可行的路

Karpathy 的判断是：

未来会是 SL + RL 的混合

先用 supervised learning 学个大概，建立基础能力

再用 RL 精调，在具体任务上优化

但这条路，还有很长的路要走

需要解决的技术问题一堆

比如怎么设计好的奖励函数，怎么平衡探索和利用

每一个都不容易

未来的训练方式：监督学习 + 强化学习

人类怎么学习，AI 为什么学不会

播客里有一段特别精彩

主持人问：

人类是怎么学习的，为什么 AI 学不会

Karpathy 给了个很有意思的观点：

人类的学习，是多模态 + embodied + continual 的

什么意思？

对于一个苹果，在人类的认识中：

• 视觉上看到红色、圆形

• 触觉上感受到光滑、硬度

• 味觉上尝到甜味

• 听觉上听到咬下去声音

这些信息是同时发生的，互相强化的

而且你一辈子都在学，不断更新认知

你小时候对「苹果」的理解

和你现在对「苹果」的理解

肯定不一样

正如…

小时候对「络腮胡」的理解

和你现在对「络腮胡」的理解

也不一样（雾

这种持续的、多模态的学习方式，是人类智能的基础

人的学习能力，很牛逼

但 LLM 呢？它只有文本

虽然现在有了 vision model，但那还不是真正的 multimodal

真正的 multimodal，是所有模态在同一个 latent space 里

信息是融合的，不是翻译的

现在的做法，更像是把图片翻译成文本描述，再喂给 LLM

这不是真正的融合

就像你把一个视频的每一帧都写成文字描述

这个描述再详细，也不等于你真的看了视频

丢失的信息太多了

而且，LLM 不能 continual learning

你今天告诉它一个新知识，明天它就忘了

除非你重新训练整个模型，但那成本太高

一个模型训练一次，可能要花几百万美元

你不可能每次有新知识就重新训练一遍

Karpathy 说：

这是个根本性的架构问题

当前的 transformer 架构，就不是为 continual learning 设计的

它的参数是固定的，训练完就冻结了

要解决这个问题，可能需要新的架构

能够动态更新参数，而不影响已有知识

这是一个很难的问题

学术界在研究，但还没有成熟的方案

Transformer 架构不支持持续学习

model collapse：AI 不能吃自己

播客里还提到一个很有意思的概念：

model collapse

什么意思？

就是 AI 生成的数据，不能用来训练 AI

为什么？

因为会越来越糟

人类可以从人类写的东西里学习，对吧

你读别人写的书，你变聪明了

代际之间互相学习，知识不断积累

但 AI 不行

如果你用 AI 生成的文本，再去训练下一代 AI，模型就会越来越偏

最后输出变得越来越单调、越来越重复

这个问题其实挺严重的

现在网上越来越多 AI 生成的内容

文章、代码、图片、视频

如果下一代 AI 训练的时候，把这些内容也当成「真实数据」

那就完了

模型会学到 AI 的偏见和错误

然后放大这些偏见和错误

循环往复，越来越糟

这就是为什么 AI 不能像人类那样自我学习

人类可以互相学习、代际传承

但 AI 必须依赖人类产生的真实数据

这是个很大的瓶颈

而且随着 AI 生成内容越来越多

「干净」的人类数据会越来越少

将来怎么办？值得思考

有人提出：

可以标注 AI 生成的内容，训练时过滤掉

但这也不容易

AI 生成的内容越来越逼真，很难区分

而且标注成本也很高

这个问题，目前还没有好的解决方案

AI 生成内容，正在污染整个互联网

AGI 会是什么样：融入 2% 的 GDP 增长

很多人对 AGI 有个幻想

觉得会有个奇点，突然爆炸

某一天，AGI 出现了，然后世界完全变了

Karpathy 说：不会的

他的判断是：

AGI 会融入过去 2.5 个世纪的 2% GDP 增长

什么意思？

过去 250 年，人类社会一直在以每年 2% 的速度增长

蒸汽机来了，2%

电力来了，2%

互联网来了，2%

为什么？

因为技术革命不是一瞬间的

它需要时间扩散、需要基础设施、需要人适应

蒸汽机发明了，不是第二天所有工厂都换成蒸汽动力

需要几十年时间，建铁路、建工厂、培训工人

互联网也一样

1990 年代就有了，但真正普及到每个人手机上，用了 20 多年

AGI 也一样

它会逐渐渗透到各行各业

但不会在某一天突然改变一切

先是一些简单的任务被自动化

然后是复杂的任务

一步步来

期间会有阵痛，会有失业，会有适应期

但不会是突然的、剧烈的

Karpathy 说

他不相信「hard takeoff」

他相信的是：

AGI 会像之前所有技术革命一样，缓慢、渐进地改变世界

这个判断，其实挺重要的

如果 AGI 真的是这样，那我们有时间准备

不用担心明天醒来世界就变了

可以慢慢调整教育体系、社会保障、法律法规

这是一个好消息

当然，2% 的增长也不是绝对的

可能某些年份会高一些，某些年份低一些

但长期来看，会是一个相对稳定的、可预测的过程

而不是指数爆炸式的奇点

自动驾驶：为什么花了这么久

播客里还聊了自动驾驶

Karpathy 在特斯拉干了 5 年 Autopilot，他太清楚这里面的坑了

主持人问：

为什么自动驾驶这么难，为什么花了这么久

Karpathy 给了几个理由

第一个，是 long tail problem

你以为自动驾驶就是识别车道线、识别红绿灯

太天真了，真实世界有无数种情况

施工路段、临时路牌、突然窜出的小孩、逆行的疯子、路上的大坑、掉落的货物

这些「长尾情况」，占比很小，但每一个都可能致命

你必须把它们全部解决

不能说「我 99% 的情况都能处理」，剩下的 1% 就会是事故

而且这个长尾，真的很长

你以为处理完 100 种情况就够了

结果发现还有 1000 种

处理完 1000 种，还有 10000 种

永远有新的边缘情况

这就是为什么自动驾驶这么难

第二个，是 safety bar

自动驾驶不是「比人类平均水平好」就行

它必须远好于人类

为什么？

人们对机器的容忍度，远低于对人的容忍度

人类司机每天撞车，大家习惯了

美国每年 4 万人死于车祸，大家也接受了

但如果是自动驾驶撞了一次

新闻头条、国会听证、股价暴跌

所以 safety bar 特别高

（所以… AGI Bar 呢？）

不是做到人类水平就行，要做到远超人类水平

这个标准，其实挺不公平的

但现实就是这样

技术要被接受，必须远好于现状

不能只是「稍微好一点」

第三个，是 data problem

自动驾驶，需要海量的真实驾驶数据

再次划重点：真实世界的

这需要时间积累

特斯拉为什么现在做得好

因为它有几百万辆车在路上跑，每天收集数据

这是花钱买不来的

你可以造一个很贵的实验室，雇一堆博士

但你造不出几百万辆车在路上跑的数据

这个优势，其他公司很难追上

Karpathy 说：

自动驾驶花了这么久，其实是给 AGI 的一个预警

AGI 会遇到同样的问题

long tail、safety、data

每一个都需要时间

不是说模型做出来就完事了

还要在真实世界里打磨，处理各种边缘情况

这个过程，可能比模型训练本身还要长

教育的未来：untangling knowledge

播客最后聊了教育

Karpathy 现在在做 Eureka Labs，一个 AI 教育公司

他对教育有个很有意思的理解

好的教育，是 untangling knowledge

什么意思？

知识本身是一团乱麻

所有概念互相缠绕、互相依赖

但学习需要一个线性的路径

你得先学 A，才能学 B

好的老师，就是把这团乱麻理清楚

让学生按照一个清晰的顺序，一步步往上爬

每一步都只依赖前面学过的东西

不会突然冒出一个新概念，让你措手不及

Karpathy 举了个例子

他的 transformer 教程，为什么大家觉得好

因为他从 bigram 开始

bigram 是什么？

就是个 lookup table：上一个词是 A，下一个词是 B

就这么简单

一个 2 维表格，谁都能看懂

然后一步步加东西

加 embedding、加 attention、加 layer norm

好的教育，每一步都会解释：为什么要加东西，这是在解决什么问题这就是 untangling

比如，把复杂的 transformer 拆成一步步的演进，每一步都有章可循

他还说了个特别重要的教育原则：

present the pain before you present the solution

别上来就告诉学生答案，先让他们感受到问题，然后再给解决方案，这样学得才深

为什么？

因为如果你直接给答案，学生不知道这个答案解决了什么问题

就像你告诉学生「attention 机制是这样的」

学生学会了公式，但不知道为什么需要 attention

如果你先展示问题：

之前的模型处理长序列有这个问题

先让学生自己思考怎么解决

然后你再给出 attention 这个方案

学生会恍然大悟：原来是这样解决的

这种学习，才是深刻的，才能记得住

这个原则，其实不只适用于技术教育

任何教育都一样

先让学生感受到问题的存在，再给解决方案，这样学习效果

最好最后说两句

这个播客值得一看

Karpathy 是一个在一线干了 15 年的人

很诚实地说出他看到的东西

在 Karpaty 眼中，AGI 还需要十年

不是因为技术不行，而是因为问题太多、太难

continual learning、multimodal、safety、long tail、data

每一个都是硬骨头，需要时间一个个啃，但也不是遥不可及

十年，听起来很长

但 iPhone 发布到现在，也就 17 年

不用焦虑，也不用盲目乐观

踏踏实实做事就好