AI Agent 爆發時刻：Andrej Karpathy 說「我現在幾乎不再自己寫 code」

Source:https://www.youtube.com/watch?v=kwSVtQ7dziU
在這集訪談中，Andrej Karpathy 深入分享他近期對 AI Agent、Coding Agent、自動研究、開源模型與未來軟體開發的觀察。

Karpathy 提到，從 2024 年底開始，他自己的寫程式工作流出現巨大轉變：從多數程式碼自己撰寫，變成大量任務交給 AI Agent 完成。他也進一步討論了「Claw」這類能夠持續運作、具備記憶與自主性的系統，如何把 AI 從單次對話工具推向更接近長期工作夥伴的型態。

本集也談到 Auto Research 的概念：如果研究流程可以被拆成目標、評估指標、限制條件與可執行程式，那麼未來是否能出現由大量 AI Agent 自主推進的研究組織？此外，Karpathy 也分享他對 AI 工作取代、軟體需求增加、開源與封閉模型平衡，以及 microGPT 教學專案的看法。
如果你正在關注 AI Agent、LLM、軟體工程未來或 AI 研究自動化，這集會非常值得完整聽完。

本集重點
AI Agent 正在改變工程師的日常工作流
從「人類輸入 prompt」走向「長時間自主運作」
Auto Research 可能成為未來研究的新模式
LLM 的能力呈現不均衡：很會寫 code，但不一定會講笑話
開源 AI 可能在封閉前沿模型之外，維持產業權力平衡
未來巨大機會可能在數位與物理世界的介面
microGPT 展示了 LLM 訓練演算法其實可以非常簡化
#AndrejKarpathy #AIAgent #LLM #人工智慧

00:00 AI Agent 如何徹底改變 Karpathy 的寫程式方式
01:25 為什麼 Coding Agent 讓人上癮：能力解鎖與個人槓桿
03:20 從單一 Agent 到多個 Agent 協作的未來
05:35 什麼是 Claw：能長時間自主運作的 AI 系統
08:15 Dobby 與自然語言控制軟體的新使用體驗
10:30 人們期待的 AI，其實不只是 LLM token generator
12:45 個人化 AI、記憶與人格化介面的重要性
15:00 Auto Research：把人類從研究流程瓶頸中移除
17:30 如何讓 Agent 長時間自主執行任務
20:00 用 Markdown 定義一個 AI 研究組織
22:10 program.md、AI 組織設計與自我優化
25:00 為什麼 LLM 很強，卻還是只會講老笑話？
27:20 可驗證任務與不可驗證任務造成的能力落差
30:00 模型客製化、fine-tuning 與 context window 的限制
33:00 未來公司如何使用專屬 AI 研究能力
35:00 個人算力、Auto Research 與未來貢獻模式
38:00 AI 會取代工作嗎？Karpathy 的看法
40:00 Jevons Paradox：軟體變便宜，需求反而可能增加
43:00 工程師、前沿實驗室與影響 AI 發展的方式
45:00 加入 AI Lab 是否真的能影響未來方向？
48:00 封閉前沿模型與開源 AI 的權力平衡
50:00 為什麼開源模型仍然非常重要
53:00 AI 機會的發展順序：數位、介面、物理世界
55:00 感測器、致動器與 AI 進入現實世界
57:30 為什麼物理世界比數位世界難得多
60:00 microGPT：用 200 行 Python 理解 LLM 本質
62:30 為什麼神經網路訓練的複雜度多半來自效率需求
64:00 結尾與更多內容資訊

Видео AI Agent 爆發時刻：Andrej Karpathy 說「我現在幾乎不再自己寫 code」 канала 電腦王阿達