Full upload: MCNVideo AI project with .workbuddy

2026-08-06 23:44:59 +08:00
commit 7252d24ba1
@@ -0,0 +1,478 @@
+# Andrej Karpathy 著作与核心论点调研
+
+> 调研日期：2026-04-05
+> 信息源说明：一手 = 直接引自本人文字/视频；二手 = 他人转述/摘要；推测 = 基于多处语境推断
+> 黑名单：知乎、微信公众号、百度百科——本文件中均未使用
+
+---
+
+## 一、基本信息与职业轨迹
+
+**出生**：1986年10月23日，斯洛伐克布拉迪斯拉发，15岁随家人移居加拿大多伦多
+**教育**：
+- 多伦多大学：计算机科学+物理（双学位），2005-2009
+- 不列颠哥伦比亚大学：机器学习硕士，2009年
+- 斯坦福大学：博士，导师 Fei-Fei Li，2015年毕业，论文题为《Connecting Images and Natural Language》
+
+**职业轨迹（关键节点）**：
+- 2015：创建CS231n（斯坦福首门深度学习课，从150人扩展到750人）
+- 2015-2017：OpenAI联合创始成员，研究科学家
+- 2017-2022：特斯拉AI总监（汇报Elon Musk），主导Autopilot
+- 2022年7月：离开特斯拉
+- 2023年2月：重返OpenAI
+- 2024年2月：离开OpenAI
+- 2024年7月：创立 Eureka Labs（AI原生教育公司）
+- 2026年2月：发布microgpt（200行纯Python训练GPT，零依赖）
+
+来源：[Wikipedia](https://en.wikipedia.org/wiki/Andrej_Karpathy)（一手信息来源于本人官网 karpathy.ai）
+
+---
+
+## 二、博客文章（karpathy.github.io）完整列表
+
+| 日期 | 标题 | URL | 重要性 |
+|------|------|-----|--------|
+| 2026-02-12 | microgpt | karpathy.github.io/2026/02/12/microgpt/ | ⭐⭐⭐⭐⭐ 最新力作 |
+| 2022-03-14 | Deep Neural Nets: 33 years ago and 33 years from now | karpathy.github.io/2022/03/14/lecun1989/ | ⭐⭐⭐⭐ |
+| 2021-06-21 | A from-scratch tour of Bitcoin in Python | karpathy.github.io/2021/06/21/blockchain/ | ⭐⭐⭐ |
+| 2021-03-27 | Short Story on AI: Forward Pass | karpathy.github.io/2021/03/27/forward-pass/ | ⭐⭐ |
+| 2020-06-11 | Biohacking Lite | karpathy.github.io/2020/06/11/biohacking-lite/ | ⭐ |
+| 2019-04-25 | A Recipe for Training Neural Networks | karpathy.github.io/2019/04/25/recipe/ | ⭐⭐⭐⭐⭐ 实践圣经 |
+| 2018-01-20 | (started posting on Medium instead) | — | 转型节点 |
+| 2016-09-07 | A Survival Guide to a PhD | karpathy.github.io/2016/09/07/phd/ | ⭐⭐⭐⭐ |
+| 2016-05-31 | Deep Reinforcement Learning: Pong from Pixels | karpathy.github.io/2016/05/31/rl/ | ⭐⭐⭐ |
+| 2015-11-14 | Short Story on AI: A Cognitive Discontinuity | karpathy.github.io/2015/11/14/ai/ | ⭐⭐ |
+| 2015-10-25 | What a Deep Neural Network thinks about your #selfie | karpathy.github.io/2015/10/25/selfie/ | ⭐⭐ |
+| 2015-05-21 | The Unreasonable Effectiveness of Recurrent Neural Networks | karpathy.github.io/2015/05/21/rnn-effectiveness/ | ⭐⭐⭐⭐⭐ 经典之作 |
+| 2015-03-30 | Breaking Linear Classifiers on ImageNet | karpathy.github.io/2015/03/30/breaking-convnets/ | ⭐⭐ |
+| 2014-09-02 | What I learned from competing against a ConvNet on ImageNet | karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/ | ⭐⭐⭐ |
+| 2014-08-03 | Quantifying Productivity | karpathy.github.io/2014/08/03/quantifying-productivity/ | ⭐ |
+| 2014-07-03 | Feature Learning Escapades | karpathy.github.io/2014/07/03/feature-learning-escapades/ | ⭐⭐ |
+| 2012-10-22 | The state of Computer Vision and AI: we are really, really far away | karpathy.github.io/2012/10/22/state-of-computer-vision/ | ⭐⭐⭐ |
+| 2011-04-27 | Lessons learned from manually classifying CIFAR-10 | karpathy.github.io/2011/04/27/manually-classifying-cifar10/ | ⭐⭐ |
+
+**Medium博客**：https://karpathy.medium.com/
+核心文章：
+- [Software 2.0](https://karpathy.medium.com/software-2-0-a64152b37c35)（2017，最广泛引用的文章）
+
+来源：直接爬取博客索引页（一手）
+
+---
+
+## 三、核心博文深度解析
+
+### 3.1 Software 2.0（2017，Medium）
+**来源**：https://karpathy.medium.com/software-2-0-a64152b37c35（一手）
+
+**核心论点**：
+> "Software 1.0 是人类用Python/C++等语言手写的指令集；Software 2.0 是神经网络的权重——由优化算法从数据中生成的程序。"
+
+**Software 1.0 vs 2.0 对比**：
+- SW1.0：程序员识别问题空间中的"期望行为点"，手写显式规则
+- SW2.0：给定输入-输出对，优化算法在"程序空间"中搜索最优程序（网络权重）
+
+**SW2.0 的优势**（Karpathy原文论述）：
+1. 计算同质性：所有运算都是矩阵乘法，对硬件加速极度友好
+2. 可以学习人类无法明确表述的知识
+3. 性能随数据和算力持续提升（可预期的规模效应）
+
+**SW2.0 的劣势/风险**（Karpathy承认）：
+- 结果难以解释
+- 会静默失败（silent failure）
+- 可能编码数据中的偏见
+
+**SW2.0 将吃掉的领域**：视觉识别、语音处理、图像翻译、图像描述、游戏AI、数据库查询
+
+**特斯拉案例**：随着Autopilot进化，C++代码被持续删除，由神经网络权重替代——这是SW2.0"吃掉"SW1.0的实体案例。
+
+---
+
+### 3.2 The Unreasonable Effectiveness of RNNs（2015）
+**来源**：karpathy.github.io/2015/05/21/rnn-effectiveness/（一手）
+
+**核心论点**：
+> "如果训练普通神经网络是在函数空间上的优化，那么训练循环网络就是在程序空间上的优化。"
+
+**关键实验**（展示RNN生成能力）：
+- Paul Graham essays：生成有结构的创业智慧文字
+- 莎士比亚：学会对话结构、说话者名称、复杂句法
+- Wikipedia markdown：自动发现wiki链接格式
+- LaTeX数学：生成几乎可编译的数学证明
+- Linux内核C代码：生成有正确括号嵌套和变量声明的函数
+
+**技术洞察**：约5%的RNN神经元自发习得可解释算法（引号检测、URL边界、括号计数）——无需显式指导。
+
+---
+
+### 3.3 A Recipe for Training Neural Networks（2019）
+**来源**：karpathy.github.io/2019/04/25/recipe/（一手）
+
+**核心前提**（两个关键观察）：
+1. 神经网络训练是"有漏洞的抽象"（leaky abstraction）——不能当插件用，需要深入理解
+2. 失败是静默的——网络会训练但表现差，没有明显错误提示
+
+**六阶段流程**：
+
+**阶段1：成为数据的一部分**
+- 花几小时检视数千条样本
+- 理解分布、模式、不平衡、标注噪声
+
+**阶段2：端到端骨架+基准测试**
+- 固定随机种子
+- 关闭数据增强
+- 验证初始化时的loss是否符合预期
+- 建立人类基准
+- 单批次过拟合验证架构可行性
+
+**阶段3：过拟合**
+- "不要当英雄"：复制已验证的架构，不要自创
+- Adam + lr=3e-4 是容错性最强的起点
+
+**阶段4：正则化（按有效性排序）**
+1. 获取更多真实数据（最有效）
+2. 数据增强
+3. 预训练
+4. Dropout（ConvNet用spatial dropout）
+5. weight decay、early stopping
+
+**阶段5：调参**
+- 随机搜索优于网格搜索（更好地捕捉各参数间的敏感性差异）
+
+**阶段6：最后压榨**
+- 模型集成（guaranteed ~2%提升）
+- 比直觉判断训练更长的时间
+
+**元原则**：
+> "fast and furious的训练方式行不通。成功与耐心和细心的程度正相关。"
+
+---
+
+### 3.4 Deep Neural Nets: 33 years ago and 33 years from now（2022）
+**来源**：karpathy.github.io/2022/03/14/lecun1989/（一手）
+
+**核心论点**：深度学习33年来宏观上几乎没有变化——仍是可微神经网络 + 反向传播的端到端优化。变化的是规模。
+
+**数量级对比**：
+- 参数量：约1,000,000倍
+- 处理像素数据量：约100,000,000倍
+- 训练速度：消费级硬件提升3,000倍（GPU可再提升100倍）
+
+**性能提升来源**：
+- 现代优化技巧（Adam、dropout、数据增强）：~60%误差下降
+- 更大数据集：中等贡献
+- 规模：需要更多算力
+
+**2055年预测**：
+> 未来的从业者不会从头训练模型，而是用自然语言与巨型基础模型交流，告诉"10,000,000倍的神经网络超级大脑"要做什么。
+
+---
+
+### 3.5 microgpt（2026年2月）
+**来源**：karpathy.github.io/2026/02/12/microgpt/，GitHub Gist（一手）
+
+**核心主张**：用200行纯Python（零依赖、无PyTorch、无NumPy、无GPU加速）实现完整GPT训练和推理——这是他"十年迷恋：将LLM简化到最基本要素"的集大成之作。
+
+**包含内容**：文档数据集、分词器、自动微分引擎、类GPT-2架构、Adam优化器、训练循环、推理循环。
+
+**信念表达**：
+> "Everything else is just efficiency."（其他所有东西只是效率问题。）
+
+这是他"If I can't build it, I don't understand it"信念的最新实践。
+
+---
+
+## 四、YouTube教学视频系列
+
+### Zero to Hero 系列（Neural Networks: Zero to Hero）
+**主页**：https://karpathy.ai/zero-to-hero.html（一手）
+**GitHub仓库**：https://github.com/karpathy/nn-zero-to-hero
+**开始时间**：2022年8月
+**理念**：语言模型是学习深度学习的最佳入口——即使目标是计算机视觉，所学都能迁移。
+
+| # | 标题 | 时长 | 核心内容 |
+|---|------|------|---------|
+| 1 | The Spelled-Out Intro to Neural Networks and Backpropagation: Building Micrograd | 2h25m | 从零实现反向传播，只需高中微积分基础 |
+| 2 | The Spelled-Out Intro to Language Modeling: Building Makemore | 1h57m | bigram字符级语言模型，PyTorch入门 |
+| 3 | Building Makemore Part 2: MLP | 1h15m | 多层感知机，过拟合/欠拟合概念 |
+| 4 | Building Makemore Part 3: Activations & Gradients, BatchNorm | 1h55m | 梯度流分析，批归一化 |
+| 5 | Building Makemore Part 4: Becoming a Backprop Ninja | 1h56m | 手动反向传播，不用autograd |
+| 6 | Building Makemore Part 5: Building a WaveNet | 56m | 层级卷积网络架构 |
+| 7 | Let's Build GPT: From Scratch, in Code, Spelled Out | 1h56m | 从零构建GPT，遵循"Attention is All You Need" |
+| 8 | Let's Build the GPT Tokenizer | 2h13m | BPE分词器从零实现，分词对LLM行为的影响 |
+
+### 其他重要视频
+- **[1hr Talk] Intro to Large Language Models**（2023年11月）：面向普通受众，涵盖LLM训练、LLM OS比喻、安全（jailbreak/prompt injection）
+- **Deep Dive into LLMs like ChatGPT**（2025年2月，3h31m）：完整训练栈深度解析，心智模型建立
+- **Let's reproduce GPT-2**：从头复现GPT-2
+
+---
+
+## 五、学术论文（按引用量/重要性）
+
+来源：dblp.org + Google Scholar条目（二手，引用数为搜索时近似值）
+
+| 年份 | 标题 | 发表场合 | 合作者 | 核心贡献 |
+|------|------|---------|--------|---------|
+| 2017 | Deep Visual-Semantic Alignments for Generating Image Descriptions | IEEE TPAMI | Li Fei-Fei | 多模态对齐（图像→自然语言描述） |
+| 2016 | **DenseCap**: Fully Convolutional Localization Networks for Dense Captioning | CVPR | Justin Johnson, Li Fei-Fei | 密集图像描述任务 |
+| 2016 | Connecting Images and Natural Language（PhD论文） | Stanford | — | 博士论文总结 |
+| 2017 | PixelCNN++: Improving the PixelCNN with Discretized Logistic Mixture | ICLR | Tim Salimans等 | 生成模型改进 |
+| 2017 | World of Bits: An Open-Domain Platform for Web-Based Agents | ICML | Tianlin Shi等 | 网页代理基准（早期agent研究） |
+| 2015 | ImageNet Large Scale Visual Recognition Challenge | IJCV | Russakovsky, Deng, Fei-Fei等 | ImageNet基准定义 |
+| 2015 | Visualizing and Understanding Recurrent Networks | CoRR | Justin Johnson, Li Fei-Fei | RNN可视化与解释 |
+| 2015 | Deep visual-semantic alignments for generating image descriptions | CVPR | Li Fei-Fei | 图像描述早期版本 |
+| 2014 | Grounded Compositional Semantics for Finding and Describing Images | TACL | Socher, Le, Manning, Ng | 图文组合语义 |
+| 2014 | Large-Scale Video Classification with ConvNets | CVPR | Toderici, Li Fei-Fei等 | 视频理解 |
+| 2014 | Deep Fragment Embeddings for Bidirectional Image Sentence Mapping | NIPS | Joulin, Li Fei-Fei | 双向图文嵌入 |
+
+**注**：VGGNet（Very Deep ConvNets for Large-Scale Image Recognition）是Simonyan & Zisserman的工作，Karpathy参与的是ImageNet挑战赛论文，不是VGGNet的作者。（纠正常见误传）
+
+**CS231n课程**：2015年创立，是斯坦福首门深度学习课，视频在线免费，累计超过800,000次观看（TIME杂志数据）。
+
+---
+
+## 六、Software 1.0 / 2.0 / 3.0 完整框架
+
+**来源**：2017年Medium文章 + 2025年YC AI Startup School演讲（结合使用，均为一手）
+
+Karpathy在2025年YC AI Startup School演讲中将框架扩展为三代：
+
+| 代际 | 定义 | 编程方式 | 代表平台 |
+|------|------|---------|---------|
+| Software 1.0 | 人类用传统语言写的显式指令 | 程序员写代码 | GitHub |
+| Software 2.0 | 神经网络的权重，由优化器从数据生成 | 调数据集 + 跑优化器 | Hugging Face |
+| Software 3.0 | LLM，用自然语言Prompt来编程 | 用英语写Prompt | — |
+
+关键论断：
+> "Prompts are now programs that program the LLM."（Prompt现在是程序，它们对LLM编程。）
+> "Software 3.0 is eating 1.0/2.0." 
+> "A huge amount of software will be rewritten."
+
+**特斯拉佐证**：Autopilot进化过程中，神经网络持续扩张，C++代码持续被删除——这是SW2.0吃掉SW1.0的真实案例。
+
+---
+
+## 七、LLM OS 概念
+
+**来源**：
+- X推文，2023年9月（一手）：https://x.com/karpathy/status/1707437820045062561
+- X推文，2023年11月（一手）：https://x.com/karpathy/status/1723140519554105733
+- 1hr Talk Intro to LLMs（2023年11月视频）（一手）
+
+**核心类比**：LLM不是聊天机器人，而是新操作系统的内核进程（kernel process）。
+
+| 传统OS | LLM OS |
+|--------|--------|
+| CPU | LLM（处理器） |
+| RAM | 上下文窗口（工作记忆） |
+| 文件系统 | 嵌入数据库（向量检索） |
+| 系统调用 | 工具调用/API调用 |
+| 长期运行程序 | Agents |
+| I/O设备 | 多模态输入输出（视觉、音频） |
+
+---
+
+## 八、关键术语与概念发明
+
+### 8.1 Vibe Coding（2025年2月）
+**来源**：https://x.com/karpathy/status/1886192184808149383（一手）
+
+> "There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists."
+
+**背景**：2025年2月6日发布，内容提到用Cursor Composer + Sonnet + SuperWhisper用声音指令编码。
+
+**影响力**：被视为4.5百万次浏览，Merriam-Webster在2025年3月将其列为"俚语与流行词"；Collins英语词典将其评为2025年度词汇。
+
+### 8.2 Jagged Intelligence（锯齿形智能）
+**来源**：https://x.com/karpathy/status/1882518317585650084（一手）+ 2025 LLM Year in Review（一手）
+
+> "LLMs exhibit amusingly jagged performance characteristics: simultaneously a genius polymath and a confused and cognitively challenged grade schooler, seconds away from getting tricked by a jailbreak."
+
+这不是训练缺陷，而是RLVR优化机制的结构性后果：能力在RLVR训练的特定领域急剧上升，形成不均匀的能力地形。
+
+### 8.3 LLMs as "Summoned Ghosts"（被召唤的幽灵）
+**来源**：2025 LLM Year in Review（一手）
+
+> "LLMs are not evolved animals but summoned ghosts—entities optimized under entirely different constraints than biological intelligence."
+
+论证：LLM的神经架构、训练数据、训练算法、优化压力与生物智能完全不同，不应用"动物进化"的视角理解它们，而是作为"智能空间中全新类型的实体"。
+
+### 8.4 LLMs的"Anterograde Amnesia"（前向遗忘症）
+**来源**：YC AI Startup School 2025演讲（一手）
+
+将LLM比作电影《Memento》主角：缺乏长期记忆整合能力，只依赖上下文窗口。
+
+---
+
+## 九、Eureka Labs 使命宣言
+
+**来源**：https://eurekalabs.ai/（一手），2024年7月16日发布
+
+**使命**：构建一种AI原生的新型学校。
+
+**核心信念**：
+> "Subject matter experts who are deeply passionate, great at teaching, infinitely patient and fluent in all languages are very scarce and cannot personally tutor all 8 billion people on demand."
+
+**解决方案**：Teacher + AI Teaching Assistant 的协作模式——教师设计课程，AI助手被优化为引导学生完成学习的工具，支持、杠杆化、规模化教师的能力。
+
+**愿景**：
+> "If we are successful, it will be easy for anyone to learn anything, expanding education in both reach (a large number of people learning something) and extent (any one person learning a large amount of subjects, beyond what may be possible today unassisted)."
+
+**首款产品**：LLM101n: Let's Build A Storyteller（本科级课程，学生训练自己的AI）
+
+---
+
+## 十、学习哲学
+
+来源：Twitter/X推文 + Stanford建议页（一手）
+
+### 核心信条1：Learning should not be fun（学习不应该是娱乐）
+> "Learning is not supposed to be fun. It doesn't have to be actively not fun either, but the primary feeling should be that of effort."
+
+### 核心信条2：反"碎片化学习"（shortification of learning）
+**来源**：https://x.com/karpathy/status/1756380066580455557（一手，2024年2月）
+
+> "There are a lot of videos on YouTube/TikTok etc. that give the appearance of education, but if you look closely they are really just entertainment."
+
+处方：关掉那些快速博文的标签页，"seek the meal"——教科书、文档、论文、手册、长文。分配4小时窗口，阅读、记笔记、重读、重述、处理、操弄材料。
+
+### 核心信条3：Build to understand（构建即理解）
+> "If I can't build it, I don't understand it."
+
+这一信条贯穿：micrograd、makemore、nanoGPT、microgpt——每次都是"从零手造"来证明真正理解。
+
+### 核心信条4：读一手文献（Read primary sources）
+推荐他的LLM阅读列表包括直接读原始论文（Attention is All You Need、GPT-2、InstructGPT等），而非二手解读。
+
+---
+
+## 十一、Dwarkesh Patel 播客核心观点
+
+**来源**：https://www.dwarkesh.com/p/andrej-karpathy（二手整理，一手为原播客）
+
+**AGI时间线**：还需10年（不是近在眼前），问题可解决但仍然困难。
+
+**对强化学习的批评**（反常观点！）：
+> "Reinforcement learning is terrible."
+
+论据：基于结果的奖励是"从吸管里吸取监督信号"——把大量轨迹信息压缩成单个奖励信号，在整个学习过程中传播噪声。人类并不主要用RL学习，而是用反思、合成数据生成（思考）、睡眠中的蒸馏。
+
+**模型崩溃（Model Collapse）问题**：合成数据生成会失败，因为模型产出"坍缩"的分布，反复自我采样会危险地缩窄多样性。训练模型生成内容会降低性能，维持熵需要外部熵源（人类交互、多样化经验）。
+
+**认知核心（Cognitive Core）愿景**：未来系统将分离知识与认知——约10亿参数的"认知核心"，去掉百科全书式的记忆但保留推理算法，像人类一样需要知识时再查找。
+
+**计算连续性观点**：Karpathy拒绝"AI与普通计算机科学"的截然区分。他认为进步是演化性的："我们在非常、非常缓慢地抽象自己"，类似编译器取代汇编。AGI可能表现为连续性改进，而非不连续跃迁。
+
+---
+
+## 十二、反复出现的核心论点（≥3次出现的真信念）
+
+以下是跨多个场合反复表达的核心立场，按确认次数排序：
+
+### 论点1：从零构建是理解的唯一路径 ★★★★★
+**出现场合**：micrograd（视频+代码）、makemore系列、nanoGPT、microgpt博文、LLM101n课程设计哲学、PhD建议
+**标志性表达**：
+> "If I can't build it, I don't understand it."
+
+### 论点2：神经网络训练会"静默失败"，需要极度谨慎和可视化 ★★★★★
+**出现场合**：Recipe for Training NNs（2019）、Zero to Hero课程、CS231n材料
+**标志性表达**：
+> "Neural net training is a leaky abstraction." 
+> "A 'fast and furious' approach does not work."
+
+### 论点3：软件正在经历根本性范式转变（SW1.0→2.0→3.0） ★★★★★
+**出现场合**：Software 2.0（2017）、1hr Intro to LLMs（2023）、YC Startup School（2025）、X推文（多条）
+**标志性表达**：
+> "Software 2.0 will eat through Software 1.0."
+> "A huge amount of software will be rewritten."
+
+### 论点4：LLM是新型计算基础设施，不是工具 ★★★★
+**出现场合**：LLM OS推文（2023）、1hr Talk（2023）、YC演讲（2025）、2025 LLM Year in Review
+**标志性表达**：LLM是操作系统内核；上下文窗口是RAM；Memento类比。
+
+### 论点5：LLM是全新类型的实体，不能用生物/人类框架理解 ★★★★
+**出现场合**：2025 LLM Year in Review、"summoned ghosts"推文（多条）、短故事文章
+**标志性表达**：
+> "LLMs are not evolved animals but summoned ghosts."
+> "Jagged Intelligence" 
+
+### 论点6：AI教育需要民主化，任何人都应能学到最优质内容 ★★★★
+**出现场合**：CS231n免费开放、Zero to Hero系列（免费）、Eureka Labs使命宣言、LLM101n开源
+**标志性表达**：
+> "If we are successful, it will be easy for anyone to learn anything."
+
+### 论点7：深度学习的本质33年未变，变化的只是规模 ★★★
+**出现场合**：33 years ago and 33 years from now（2022）、Lex Fridman播客、多处采访
+**标志性表达**：
+> "Not much has changed in 33 years on the macro level."
+
+### 论点8：数据质量和数量是SW2.0的核心竞争力（超越架构创新） ★★★
+**出现场合**：Tesla Data Engine描述、Recipe for Training NNs（"获取更多真实数据是最有效的正则化"）、Zero to Hero课程
+**标志性表达**：在正则化方法中，"Get more real data"排名第一。
+
+---
+
+## 十三、推荐阅读/资源（揭示智识谱系）
+
+### 必读论文（Karpathy推荐的LLM入门清单）
+来源：karpathy.ai LLM reading list（一手）
+
+1. Attention is All You Need（Transformer原论文）
+2. Language Models are Unsupervised Multitask Learners（GPT-2论文）
+3. Training Language Models to Follow Instructions（InstructGPT）
+4. Llama 2: Open Foundation and Fine-Tuned Chat Models
+5. RLAIF: Scaling Reinforcement Learning from Human Feedback with AI
+6. Training Compute Optimal Language Models（Chinchilla）
+7. Sparks of Artificial General Intelligence: Early Experiments with GPT-4
+
+### 推荐学习资源
+- CS231n笔记（他自己写的）
+- 《Deep Learning》教科书（Goodfellow等）
+- 《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（入门推荐）
+- 直接读原始论文，不要只看二手解读
+
+**智识谱系推断（推测）**：
+- 对费曼式教学法的认同（"从零构建"="如果你能教会别人，说明你理解了"）
+- 对LeCun工作的深度了解（33 years ago博文直接复现1989年LeCun论文）
+- 对Bahdanau（注意力机制发明者）的个人通信（发布了私人邮件对话，征得同意）
+
+---
+
+## 十四、已知矛盾与张力（不调和，直接记录）
+
+**矛盾1：对RL的批评 vs. RLVR的赞扬**
+- Dwarkesh播客中：称"Reinforcement learning is terrible"，批评基于结果的奖励
+- 2025 LLM Year in Review中：将RLVR（Reinforcement Learning from Verifiable Rewards）称为2025年最重要的训练范式转变，高度赞扬
+
+可能的调和：他批评的是稀疏奖励的传统RL（如策略梯度），赞扬的是有可验证奖励的RLVR。但这一区分在原文中并不总是清晰。
+
+**矛盾2：谦逊预测 vs. 大胆愿景**
+- "AGI still a decade away"（谦逊的10年时间线）
+- 同时描述未来"任何人都可以学到任何东西"的教育革命、"大量软件将被重写"
+
+这不一定是矛盾，但存在张力：他的预测相对保守，但他的行动（创立Eureka Labs、押注SW3.0）假设变革即将发生。
+
+**矛盾3：反对"shortification of learning"（碎片化学习） vs. 自己制作大量解释性视频**
+他批评YouTube上给人学习感觉但实际是娱乐的内容，但他自己的Zero to Hero系列本身也是YouTube视频。
+可能的区分：他的视频要求大量认知投入（2小时+，要求动手做），是他定义中"需要努力"的类型。
+
+---
+
+## 十五、来源索引
+
+| 来源 | URL | 可信度 |
+|------|-----|--------|
+| 个人博客（karpathy.github.io） | http://karpathy.github.io/ | 一手 |
+| Medium博客 | https://karpathy.medium.com/ | 一手 |
+| 个人官网 | https://karpathy.ai/ | 一手 |
+| Zero to Hero课程页面 | https://karpathy.ai/zero-to-hero.html | 一手 |
+| X账号 | https://x.com/karpathy | 一手 |
+| Eureka Labs官网 | https://eurekalabs.ai/ | 一手 |
+| bearblog年度回顾 | https://karpathy.bearblog.dev/ | 一手 |
+| dblp论文列表 | https://dblp.org/pid/04/9925.html | 一手（文献数据库） |
+| Google Scholar | https://scholar.google.com/citations?user=l8WuQJgAAAAJ | 一手（文献数据库） |
+| YC Startup School演讲摘要 | https://www.latent.space/p/s3 | 二手（有完整transcript） |
+| Dwarkesh播客 | https://www.dwarkesh.com/p/andrej-karpathy | 二手（有完整对话） |
+| Wikipedia传记 | https://en.wikipedia.org/wiki/Andrej_Karpathy | 二手（综合可信） |
+| Stanford个人页面 | https://cs.stanford.edu/people/karpathy/ | 一手 |
+| vibe coding维基 | https://en.wikipedia.org/wiki/Vibe_coding | 二手（辅助确认） |
@@ -0,0 +1,238 @@
+# Andrej Karpathy 对话与访谈调研
+
+> 信息来源说明：
+> - **[他说过的]**：有直接引语或可靠文字记录的内容
+> - **[来源转述]**：经过第三方总结，无法确认原话的内容
+> - **[我推断的]**：基于多方证据的合理推断
+> 可信度：★★★★★ = 有文字稿原文 / ★★★★ = 权威媒体报道 / ★★★ = 博客或社区转述
+
+---
+
+## 一、主要访谈清单
+
+### 1. Lex Fridman Podcast #333（2022年10月29日）
+**主题**：Tesla AI, Self-Driving, Optimus, Aliens, and AGI
+**时长**：约3小时34分钟
+**链接**：https://lexfridman.com/andrej-karpathy/
+**可信度**：★★★★★（有视频和完整文字稿）
+
+---
+
+### 2. Dwarkesh Patel Podcast（2025年10月17日）
+**主题**：AGI is still a decade away
+**时长**：约2小时25分钟
+**链接**：https://www.dwarkesh.com/p/andrej-karpathy
+**可信度**：★★★★★（有完整文字稿）
+
+时间戳：
+- 0:00:00 AGI还需十年
+- 0:30:33 LLM的认知缺陷
+- 0:40:53 RL很糟糕（但其他方法更糟）
+- 0:50:26 人类如何学习？
+- 1:07:13 AGI将融入2%的GDP增长
+- 1:18:24 超级智能
+- 1:33:38 智能与文化的演化
+
+---
+
+### 3. No Priors Podcast 第一次（2024年9月5日）
+**主题**：The Road to Autonomous Intelligence
+**可信度**：★★★★（有摘要，无全文稿）
+
+涵盖：自动驾驶演进、Tesla vs Waymo路径、Eureka Labs教育愿景。
+
+---
+
+### 4. No Priors Podcast 第二次（2026年初）
+**主题**：Code Agents, AutoResearch, and the Loopy Era of AI
+**链接**：https://podscripts.co/podcasts/no-priors-artificial-intelligence-technology-startups/andrej-karpathy-on-code-agents-autoresearch-and-the-loopy-era-of-ai
+**可信度**：★★★★（有文字稿摘要）
+
+涵盖：代码Agent相变、工程职业重构、AutoResearch项目。
+
+---
+
+### 5. YC AI Startup School 演讲（2025年6月）
+**主题**：Software Is Changing (Again) / Software 3.0
+**链接**：https://www.ycombinator.com/library/MW-andrej-karpathy-software-is-changing-again
+**可信度**：★★★★★（有官方视频）
+
+---
+
+### 6. Tesla AI Day 2021（2021年8月19日）
+**可信度**：★★★★★（有完整文字稿）
+
+Karpathy出现时间戳：47:09 – 1:24:30。
+
+---
+
+## 二、核心思想与被追问时的即兴思维
+
+### 2.1 关于AGI时间线
+
+**[他说过的]** 在Dwarkesh访谈中：「我的AGI时间表比AI技术圈的人悲观5-10倍，但比AI怀疑论者仍然相当乐观。」他称这个判断来自15年AI预测经验，通过直觉平均化得出——不是数学模型，是田野观察。★★★★★
+
+**[他说过的]** 「他们没有足够的智力，不够多模态，无法进行计算机操作……没有持续学习能力。你无法告诉它们某事然后让它们记住。」——谈Agent的缺陷，2025年10月 ★★★★★
+
+**[他说过的]** 自我评论：「我说得太快了，我为此道歉。这对我不利，因为有时我的说话线程跑得比我的思考快。」★★★★★
+
+---
+
+### 2.2 被追问时的思维过程
+
+**[来源转述]** 在Dwarkesh访谈中，被追问「为什么智能爆炸还是2%的GDP增长？」时，他承认自己「还在整合这两个观点」——这是他公开承认有未解决内在矛盾的罕见时刻。★★★
+
+**[他说过的]** 在关于LLM认知缺陷的问题上，他明确说「我不确定」，并列出了需要实验才能知道的问题。★★★★
+
+---
+
+### 2.3 拒绝回答或说「我不确定」的典型场景
+
+**[他说过的]** 面对意识问题，他对Lex说：「我仍然相当确定我是一个NPC（非玩家角色），但一个NPC无法知道自己是NPC。意识可能有不同程度。」——不给确定答案，给出可能性框架。★★★★★
+
+**[他说过的]** 关于量子力学的真随机性：他说他「不舒服」接受真随机性，偏好决定论框架，但承认「我无法解决这个悖论」。★★★★
+
+---
+
+## 三、印象深刻的类比与比喻（表达DNA核心）
+
+### 3.1 技术比喻
+
+**「LLM是操作系统内核」**（推文，2023年9月）★★★★★
+> [他说过的] "LLMs not as a chatbot, but the kernel process of a new Operating System."
+> 具体规格：LLM = CPU处理器，RAM = 128K token上下文窗口，文件系统 = 嵌入向量数据库。他还说：「看待LLM为聊天机器人，就像看待早期计算机为计算器一样。」
+
+**「权重=长期记忆，上下文窗口=工作记忆」**（YC演讲+多次访谈）★★★★★
+> [他说过的] 模型权重是模糊压缩的长期记忆，上下文窗口是实际推理的工作记忆。
+
+**「软件2.0」**（Medium文章，2017年）★★★★★
+> [他说过的] 传统代码（Software 1.0）是程序员直接写的指令；神经网络权重（Software 2.0）是数据优化出来的指令。后者的「源代码」是数据集，「编译器」是训练过程，「二进制」是最终权重。
+
+---
+
+### 3.2 生物学/进化比喻
+
+**「LLM是幽灵（Ghosts/Spirits）」**（Dwarkesh访谈+2025年年度总结）★★★★★
+> [他说过的] 「我们正在构建幽灵或精灵……通过模仿人类和互联网数据训练，而非进化。你得到的是这些飘渺的精神实体，因为它们是完全数字的，在模仿人类。」
+> 他用这个比喻区分LLM与进化出来的生物智能：LLM没有本能、没有具身性、没有真实世界的生存压力。
+
+**「预训练=蹩脚的进化」**（Dwarkesh访谈）★★★★★
+> [他说过的] Pre-training是"crappy evolution"——用互联网数据代替跨代进化优化。两者都是在寻找能够预测/生存的表示，但底层机制完全不同。
+
+---
+
+### 3.3 社会/人文比喻
+
+**「Iron Man套装 vs Iron Man机器人」**（YC演讲）★★★★★
+> [他说过的] 构建AI应用应该构建「Iron Man套装」（增强人类、保留控制权），而不是「Iron Man机器人」（完全自主的替代品）。
+
+**「我的说话线程跑得比我的思维快」**（推文）★★★★★
+> [他说过的] "I speak so fast…my speaking thread out-executes my [thinking]."
+> 这是难得的自我元认知时刻，也侧面说明他思维的流动性——他在实时整合，不是背稿。
+
+---
+
+## 四、他改变过立场的问题
+
+### 4.1 Agent的可用性（最戏剧性的立场翻转）
+
+**阶段一（2025年10月）**：★★★★★
+> [他说过的] 「我在nanochat上几次尝试用Claude/Codex代理，但它们根本不够用，是净负收益。」他对Dwarkesh说「不应该叫代理年，应该叫代理十年」，并列出Agent的系统性缺陷。
+
+**阶段二（2025年12月，仅两个月后）**：★★★★★
+> [他说过的] 从80%手工编码、20%代理，翻转为80%代理、20%手工。他形容这是「我约20年编程生涯中最大的工作流变化」。解释是：Claude和Codex在12月「跨越了某种连贯性门槛」。
+
+**[我推断的]** 这次翻转本身就是他思维方式的体现：他会基于直接实验证据更新立场，而不是为面子维护旧观点。但他也保留了谨慎：仍然强调需要「像鹰一样观察」模型工作。
+
+---
+
+### 4.2 关于「coding就是写代码」的身份认同
+
+**[他说过的]** 「我现在确实基本上用英文编程了。」（2025年12月）
+这对于一个以写精密底层神经网络代码（micrograd、nanoGPT等）闻名的人来说，是一种自我身份的温和颠覆。★★★★★
+
+---
+
+## 五、他的教学风格分析
+
+### 5.1 核心教学哲学
+
+**「如果我不能构建它，我就不理解它」**（多次演讲和访谈中引用）★★★★★
+> [他说过的] 这是他课程（CS231n、Zero to Hero）的核心逻辑：理解=能从零重建。
+
+**「学习不应该是有趣的」**（推文，2024年2月）★★★★★
+> [他说过的] "Learning is not supposed to be fun. It doesn't have to be actively not fun either, but the primary feeling should be that of effort."
+> 他批评YouTube/TikTok上「给学习穿上娱乐外衣」的内容。
+
+---
+
+### 5.2 解释复杂技术概念的策略
+
+**从最简单单元开始，逐步组装**
+CS231n课程设计：从单个矩阵乘法开始，到反向传播，到卷积网络，到GPT。每个视频标榜「step-by-step spelled-out explanation」。★★★★★
+
+**先展示令人惊讶的结果，再解释原理**
+在「RNN的惊人有效性」博客中，他先展示RNN写出的莎士比亚风格文本，让读者震惊，再解释背后的字符级预测机制——反直觉→解释→理解的经典叙事结构。★★★★★
+
+**承认局限性而不是掩盖**
+在CVPR 2021演讲中，Karpathy明确提到Tesla Autopilot每五百万英里崩溃一次，并与人类的六千五百万英里对比——他没有回避不利数据，而是把它放进更大的比较框架里。★★★★★
+
+---
+
+## 六、对AGI与AI安全的看法
+
+### 6.1 核心立场（相对稳定）
+
+**[他说过的]** 「我的AI时间表比你在AI技术派对上见到的人悲观5-10倍，但相对于AI怀疑论者仍然相当乐观。」★★★★★
+
+**[他说过的]** 他预测AGI「距离约10年」，并将其定义为「能够像你会雇用的员工或实习生一样工作」的AI系统。这个定义透露了他对AGI的务实理解——不是科幻里的超级智能，是可靠的工作协作者。★★★★★
+
+### 6.2 超级智能（ASI）的态度
+
+他对智能爆炸与GDP增长之间的矛盾，没有回避，而是说自己在「整合这两个观点」——这是难得的公开承认自己有悬而未决的内在张力。★★★★★
+
+---
+
+## 七、值得深挖的访谈片段索引
+
+| 访谈/来源 | 时间点/章节 | 主题 | 特别价值 |
+|---------|-----------|------|---------| 
+| Dwarkesh #1 | 0:40:53 | "RL很糟糕" | 他对反直觉命题的辩护方式 |
+| Dwarkesh #1 | 0:30:33 | LLM认知缺陷 | "从稻草中吮吸监督信号"比喻 |
+| Lex #333 | 意识段落 | NPC/意识 | 他如何用不确定性重构问题 |
+| YC演讲 | Iron Man段落 | 产品哲学 | 套装vs机器人比喻 |
+| No Priors | 代码Agent段落 | 相变描述 | "思考vs打字"比率重构 |
+| Tesla AI Day 2021 | 47:09起 | 视觉栈 | 大型工程决策如何折射团队结构 |
+| 推文 2023-09 | LLM OS | OS比喻 | 最完整的"LLM即OS"框架 |
+| 博客 2015 | RNN文章 | 技术写作风格 | "先震惊后解释"叙事结构 |
+
+---
+
+## 八、他讲故事/类比的方式（表达DNA）
+
+**[我推断的]** 基于所有来源，Karpathy的类比有几个一致的模式：
+
+1. **映射到已知计算范式**：无论是OS、编译器、RAM，他总是用「计算机科学已有的词汇」来框架新事物。
+
+2. **用极端对比制造张力**：不说「LLM有局限」，而说「LLM在某些领域超人，却在基础任务上犯蠢」——「超人+蠢货」的并置让「参差不齐的智能」概念瞬间可感知。
+
+3. **用生物学/进化类比强调本质差异**：不说LLM「无法泛化」，而说它是「幽灵」——不是进化出来的，没有本能，没有具身性。
+
+4. **诚实暴露自己的不确定**：他会说「我的说话线程跑得比我的思维快」，会公开自己有内在矛盾没解决。
+
+5. **时间压缩/展开来制造新视角**：把数十亿年压缩来看，把当前AI进展放进「软件历史第二次根本性变化」的大框架里。
+
+---
+
+## 来源索引
+
+- Dwarkesh Podcast: https://www.dwarkesh.com/p/andrej-karpathy
+- Lex Fridman Podcast #333: https://lexfridman.com/andrej-karpathy/
+- YC AI Startup School演讲: https://www.ycombinator.com/library/MW-andrej-karpathy-software-is-changing-again
+- No Priors transcript: https://podscripts.co/podcasts/no-priors-artificial-intelligence-technology-startups/andrej-karpathy-on-code-agents-autoresearch-and-the-loopy-era-of-ai
+- CVPR 2021 Talk: https://bdtechtalks.com/2021/06/28/tesla-computer-vision-autonomous-driving/
+- Tesla AI Day 2021: https://elon-musk-interviews.com/2021/08/31/tesla-ai-day-the-presentation-i/
+- Karpathy Tweet - LLM as OS: https://x.com/karpathy/status/1707437820045062561
+- Karpathy Tweet - Vibe Coding: https://x.com/karpathy/status/1886192184808149383
+- The Decoder - Agent立场翻转: https://the-decoder.com/former-tesla-ai-chief-andrej-karpathy-now-codes-mostly-in-english-just-three-months-after-calling-ai-agents-useless/
+- Simon Willison摘要: https://simonwillison.net/2025/Oct/18/agi-is-still-a-decade-away/
@@ -0,0 +1,311 @@
+# Andrej Karpathy：表达DNA调研
+
+> 调研时间：2026-04-05
+> 数据来源：X/Twitter (@karpathy)、个人博客 karpathy.github.io、bearblog、GitHub README、YC AI Startup School演讲记录、Dwarkesh Patel访谈
+
+---
+
+## 一、标志性句式与高频用词
+
+### 1.1 命名造词：用最简单的词，创造记忆点
+
+Karpathy有一种天赋：用口语化的短语命名复杂现象，一次性定义赛道。
+
+> "There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists."
+> ——2025年2月2日原推
+
+> "The hottest new programming language is English."
+> ——2023年1月24日，6字定义一个范式
+
+> "LLMs are 'people spirits', stochastic simulations of people, where the simulator is an autoregressive Transformer."
+> ——YC AI Startup School，2025年6月
+
+这三个例子共享同一种结构：**先命名（给个称号），再用一句话说清楚它是什么**。名字本身必须口语化、有画面感，定义句精准但不掉书袋。
+
+---
+
+### 1.2 软件版本升级框架：Software 1.0 / 2.0 / 3.0
+
+他喜欢用「版本号」类比来描述范式变迁，把抽象的技术演化变成可感知的升级：
+
+> "Software 1.0 is the code you write for the computer. Software 2.0 are basically neural networks... Software 3.0 is now LLMs, programmed in English."
+
+这种框架的力量：**让读者觉得自己正站在历史节点上**。他不说「AI改变了编程」，他说「这是第三次范式升级」。
+
+---
+
+### 1.3 "Imo"（In my opinion）：标志性的主张开头
+
+在X上，他频繁用「imo」来标记自己的判断——既是礼貌的hedge，也是一种「我说了，但我不强迫你接受」的姿态：
+
+> "Imo fair to say that software is changing quite fundamentally again."
+
+> "prompters is doing it a disservice and is imo a misunderstanding."
+
+---
+
+### 1.4 "I kind of feel like" / "I have a sense that"：刻意保留不确定性
+
+Karpathy在技术判断上极少斩钉截铁，尤其是预测性陈述：
+
+> "When I see things like, '2025 is the year of agents,' I get very concerned. And I kind of feel like, you know, this is the decade of agents."
+
+> "I have a sense that I could be 10X more powerful if I just properly string together what has become available over the last ~year."
+
+> "I don't have a super strong prediction...I have a very wide distribution here."
+
+这种不确定性不是软弱，而是**认知诚实**。他主动展示自己的置信区间。
+
+---
+
+### 1.5 "It's kind of like" / "in some sense"：解释时爱用类比过渡
+
+> "Whenever I talk to ChatGPT or some LLM directly in text, I feel like I'm talking to an operating system through the terminal."
+
+> "The LLM is a new kind of a computer. It's sitting, it's kind of like the CPU equivalent."
+
+---
+
+## 二、核心类比体系
+
+### 2.1 LLM = Dream Machine（梦境机器）
+
+这是他最诗意的类比，也是他重新定义「幻觉问题」的核心武器：
+
+> "In some sense, hallucination is all LLMs do. They are dream machines. We direct their dreams with prompts."
+
+> "TLDR I know I'm being super pedantic but the LLM has no 'hallucination problem'. Hallucination is not a bug, it is LLM's greatest feature."
+
+逻辑结构：先承认通俗理解（幻觉是问题），再反转（从LLM的本质看，这才是它做的事）。这是他的标准辩证手法。
+
+---
+
+### 2.2 LLM = People Spirits（人类幽灵/精神的蒸馏）
+
+> "We're not building animals. We're building ghosts or spirits."
+
+> "LLMs are kind of like people spirits. They are stochastic simulations of people."
+
+> "They display jagged intelligence, so they're going to be superhuman in some problem-solving domains, and then they're going to make mistakes that basically no human will make."
+
+他用「**jagged intelligence**」（锯齿状智能）来描述LLM忽强忽弱的表现——这是他自造的概念，后来被广泛引用。
+
+---
+
+### 2.3 LLM = Operating System（操作系统）
+
+> "These are now increasingly complex software ecosystems...The LLM is a new kind of a computer."
+
+> "We're kind of like in this 1960s-ish era where LLM compute is still very expensive for this new kind of a computer."
+
+类比到计算机历史的某个年代，这是他常用的「时间定位法」——帮助读者感知「我们现在在哪个阶段」。
+
+---
+
+### 2.4 训练数据 = 糟糕的互联网（反直觉的吐槽）
+
+> "The internet is really terrible...total garbage...stock tickers, symbols, slop."
+
+他用「slop」（垃圾）描述互联网数据质量，批评当前预训练数据的问题。这个词在他2025年的表达中反复出现。
+
+---
+
+### 2.5 学习 = 压缩而非娱乐
+
+> "It took me a while to really admit to myself that just reading a book is not learning but entertainment."
+
+> "Ideally never absorb information without predicting it first."
+
+---
+
+## 三、词汇风格与节奏
+
+### 3.1 刻意用朴素动词，拒绝AI腔
+
+Karpathy极少使用「leverage」「utilize」「facilitate」这类商务词汇，他更偏好：
+- **gobbled up**（"which gobbled up the compute"）
+- **chewing through**（"LLM labs chewing through the overhang"）
+- **strap in**（"Strap in."——独立一句，戏剧性停顿）
+- **terraform**（"Vibe coding will terraform software"）
+- **hack**（"very easy to hack to your needs"）
+
+### 3.2 短句独立成段——制造冲击感
+
+他在博客和X上都会用单句段落来强调关键点：
+
+> "Strap in."
+
+> "Don't be a hero."
+
+> "If I can't build it, I don't understand it."
+
+> "Gradient descent can write code better than you. I'm sorry."
+
+最后那句「I'm sorry」是点睛之笔——技术陈述后跟一个人类语气词，幽默而有温度。
+
+### 3.3 技术精确 + 口语化表达并存
+
+> "3e-4 is the best learning rate for Adam, hands down."
+
+「hands down」（毫无疑问）——口语短语，用在极为精确的技术参数旁边，产生喜剧效果。他享受这种张力。
+
+> "a failure to claim the boost feels decidedly like a skill issue."
+
+「skill issue」是互联网梗，用来描述自己感受到的技术落后——自我调侃+恰当的互联网语言。
+
+---
+
+## 四、幽默方式
+
+### 4.1 极度精确的荒诞感
+
+他的笑话往往来自把一个很serious的技术词汇放在一个荒谬的语境里：
+
+> "Plan is to throw a party in the Andromeda galaxy 1B years from now. Everyone welcome, except those who litter."
+
+> "How long until we measure wealth inequality in FLOPS"
+
+> "Earth as dynamical system is really bad computer."
+
+这种幽默的核心是**把宇宙尺度的事情当成日常小事来说**，或者**把日常小事当成宇宙尺度的问题来分析**。
+
+### 4.2 自嘲式的技术承认
+
+> "Gradient descent can write code better than you. I'm sorry."
+
+> "lol `¯\_(ツ)_/¯`"（在nanoGPT README中，对生成效果不完美时的反应）
+
+> "Amusingly, I coined the term 'vibe coding'"（用「amusingly」评价自己创造了影响数百万人的词汇）
+
+### 4.3 反英雄式建议
+
+> "Don't be a hero. I've seen a lot of people who are eager to get crazy and creative... Resist this temptation strongly."（在《神经网络训练食谱》中）
+
+---
+
+## 五、确定性程度：高度倾向于留白
+
+**笃定（亲身经验/实验验证）：**
+> "The qualities that in my experience correlate most strongly to success in deep learning are patience and attention to detail."
+
+> "When you sort your dataset descending by loss you are guaranteed to find something unexpected, strange and helpful."
+
+**留白（预测/判断/未来）：**
+> "I simultaneously (and on the surface paradoxically) believe [多个看似矛盾的命题]"
+
+> "Personally I suspect that LLM labs will trend to graduate..."
+
+这种模式很清晰：**我能测的我斩钉截铁，我猜的我留有余地。**
+
+---
+
+## 六、他不怕说的争议性立场
+
+### 6.1 反炒作：用时间拉长视角
+
+> "When I see things like, '2025 is the year of agents,' I get very concerned. And I kind of feel like, you know, this is the decade of agents."
+
+他不直接否定，而是把时间轴拉长——从「今年」变成「这个十年」。这种操作既保留了正面态度，又隐含批评。
+
+> "Overall, the models are not there. I feel like the industry is making too big of a jump and is trying to pretend like this is amazing, and it's not."
+
+### 6.2 重新定义「幻觉问题」
+
+他敢于说「hallucination is not a bug, it is LLM's greatest feature」——和主流舆论方向相反，他用逻辑解释而非权威背书来支持它。
+
+### 6.3 对学习的反直觉定义
+
+> "Reading a book is not learning but entertainment."
+
+挑战了「读书=学习」的朴素认知。他的观点是：真正的学习需要主动预测和建构，而不是被动接收。
+
+---
+
+## 七、批评对象清单
+
+他会批评的方向：
+
+1. **AI炒作周期**：过于激进的短期预测（「year of agents」）
+2. **低质量训练数据**：「The internet is really terrible...total garbage...slop.」
+3. **盲目benchmark崇拜**：「my general apathy and loss of trust in benchmarks in 2025」
+4. **不动手只读书的学习方式**：「just reading a book is not learning but entertainment」
+5. **过于复杂的代码库**：「They're bloating the code base...it's just not net useful.」
+6. **框架依赖**（llm.c项目名言）：「no need for 245MB of PyTorch or 107MB of cPython」
+7. **初学者急于「成为英雄」**：「Don't be a hero...Resist this temptation strongly.」
+
+---
+
+## 八、在技术细节上：极简化 vs 精确的平衡
+
+Karpathy的策略是**用极简代码来证明精确理解**：
+
+> "Train and inference GPT in 243 lines of pure, dependency-free Python" (microgpt)
+
+> "~300-line training loop and ~300-line GPT model definition" (nanoGPT)
+
+这是他的教学哲学：**如果你真的理解了，就能用最少的代码写出来。**
+
+对应他的名言：「If I can't build it, I don't understand it.」
+
+---
+
+## 九、标志性表达模式总结
+
+| 模式 | 例子 | 作用 |
+|------|------|------|
+| 新词命名 + 定义 | "vibe coding: fully give in to the vibes" | 创造概念，占据话语权 |
+| 版本号框架 | Software 1.0 / 2.0 / 3.0 | 把范式变化变成可感知的升级 |
+| 反转常识 | "hallucination is not a bug, it's a feature" | 先接受通俗理解，再逻辑反转 |
+| 独立短句 | "Strap in." / "Don't be a hero." | 制造停顿，强化记忆点 |
+| 自嘲 + 精确 | "3e-4 is the best learning rate for Adam, hands down." | 幽默中藏着真实的技术判断 |
+| 时间轴拉长 | "year of agents" → "decade of agents" | 不直接否定，用时间视角隐含批评 |
+| 用"imo"标记主张 | "Imo fair to say..." | 诚实标注自己判断的边界 |
+| 类比过渡词 | "it's kind of like" / "in some sense" | 铺垫类比，降低理解门槛 |
+| 承认不确定 | "I have a wide distribution here" | 认知诚实，建立信任 |
+| 互联网语气词 | "lol" / "skill issue" / "omg" | 技术大牛也很「网」 |
+
+---
+
+## 十、原文引用速查（按主题）
+
+**关于LLM本质：**
+- "LLMs are dream machines."
+- "LLMs are people spirits."
+- "They display jagged intelligence."
+- "We're summoning ghosts."
+
+**关于编程范式：**
+- "The hottest new programming language is English."
+- "There's a new kind of coding I call 'vibe coding'."
+- "I've never felt this much behind as a programmer."
+- "A failure to claim the boost feels decidedly like a skill issue."
+- "It's less Iron Man robots and more Iron Man suits."
+
+**关于学习：**
+- "If I can't build it, I don't understand it."
+- "Reading a book is not learning but entertainment."
+- "The qualities that correlate most strongly to success in deep learning are patience and attention to detail."
+
+**关于炒作：**
+- "This is the decade of agents."
+- "Overall, the models are not there."
+- "My general apathy and loss of trust in benchmarks in 2025."
+
+**关于代码：**
+- "Don't be a hero."
+- "Backprop + SGD does not magically make your network work."
+- "No need for 245MB of PyTorch."
+
+---
+
+*信息源：*
+- https://karpathy.ai/tweets.html
+- https://x.com/karpathy/status/1886192184808149383
+- https://karpathy.bearblog.dev/year-in-review-2025/
+- https://x.com/karpathy/status/1733299213503787018
+- https://singjupost.com/andrej-karpathy-software-is-changing-again/
+- http://karpathy.github.io/2019/04/25/recipe/
+- https://www.dwarkesh.com/p/andrej-karpathy
+- https://github.com/karpathy/nanoGPT
+- https://github.com/karpathy/llm.c
+- http://karpathy.github.io/2026/02/12/microgpt/
@@ -0,0 +1,184 @@
+# 外部视角：别人眼中的 Andrej Karpathy
+
+> 调研日期：2026-04-05
+> 信息范围：截至 2026 年 4 月的公开资料
+> 来源可信度标注：★★★（高）/ ★★（中）/ ★（低/推断）
+
+---
+
+## 一、同行与同事的评价
+
+### Sam Altman
+
+- Karpathy 第二次回归 OpenAI（2023年2月）时，Altman 在 X 上发推「@karpathy welcome back!」。★★★
+- **核心分歧**：Altman 预测 AI 将在 2030 年前超越任何专业领域的人类智能；Karpathy 则称自己的 AGI 时间线「比主流预测悲观 5 到 10 倍」。Karpathy 曾在公开场合直接反驳 Altman、Dario Amodei、Jensen Huang 的乐观预测，称他们「夸大了 AI 的能力」。★★★（Fortune 报道，2025年10月）
+
+### Ilya Sutskever
+
+- 两人几乎同时离开 OpenAI（Karpathy 2024年2月，Sutskever 2024年6月），但原因和走向完全不同。
+- Sutskever 参与了 2023年11月推翻 Altman 的董事会政变；Karpathy 自始至终与 OpenAI 保持友好关系，与 Sutskever 路径明显分叉。
+- 外部观察者：「两人分别代表 AI 将成为你的导师（Karpathy）和 AI 将成为你的神明（Sutskever）这两种根本不同的愿景。」★★
+
+### Andrew Ng
+
+两人均是深度学习教育领域的核心人物，但在「vibe coding」概念上有正面交锋。
+
+Ng 在 2025年6月 LangChain Interrupt 活动中发言：「很遗憾这个东西叫 vibe coding，这个名字会误导人们以为工程师只是随便感觉一下。实际上，引导 AI 写出有用的软件是一项深度智识工作。我用 AI 辅助编程工作一整天，坦率地说，结束时我精疲力竭。」★★★
+
+Ng 并非否定 AI 辅助编程本身，而是认为 Karpathy 的命名方式造成了认知误导。
+
+### Richard Sutton（RL 领域奠基人）
+
+Karpathy 与 Sutton 之间有实质性的学术路线分歧。Karpathy 提出「我们在 summoning ghosts（召唤鬼魂）」，反驳 Sutton 的「我们在 building animals（培育动物）」框架。
+
+Sutton 认为 LLM 是「dead end（死胡同）」，强调 RL 和 continual learning 才是正途；Karpathy 不认同 RL 作为主路线，称其为「用吸管吮吸监督信号」（sucking supervision through a straw），存在根本性的噪声问题。★★★
+
+### Fei-Fei Li（博士导师）
+
+两人共同开设 Stanford CS231n，课程从 2015年的 150 人增长到 2017年的 750 人，侧面印证了外界对这门课的高度认可。没有找到 Fei-Fei Li 公开评价 Karpathy 的直接声明。★★（间接证据）
+
+---
+
+## 二、离职事件的行业反应
+
+### 离开 Tesla（2022年7月）
+
+行业反应较为震惊。Fortune 标题：「谁是 Andrej Karpathy？Tesla AI 主管突然辞职，这对 Elon Musk 意味着麻烦。」★★★
+
+外部分析（Medium）：离职的「真实原因」可能是 Musk 对 FSD 过于乐观的公开承诺与 Karpathy 实际工程认知之间的长期张力——Karpathy 从不公开夸大进度。★（推测性分析，可信度有限）
+
+### 离开 OpenAI（2024年2月）
+
+Karpathy 本人的表述：「什么都没发生，不是任何事件或戏剧的结果。」TechCrunch 标题：「Andrej Karpathy 再次离开 OpenAI——但他说没有任何戏剧性事件。」★★★
+
+与 Sutskever 同时期离职形成对比，外部媒体普遍将两者捆绑报道，但实际原因截然不同：Karpathy 是主动选择，Sutskever 是政治失败后的出走。
+
+---
+
+## 三、「Vibe Coding」概念引发的争议
+
+### 原始定义
+
+「有一种新的编程方式，我称之为 vibe coding——你完全沉浸于 vibes 中，拥抱指数增长，忘记代码甚至存在。」★★★
+
+### 支持者的论点
+
+Simon Willison（Django 联合创始人）：高度赞赏 Karpathy 的原始定义，认为「精准且有趣」，因为 Karpathy 是顶级程序员，他用这个词描述的是一种具体的探索模式，而非主张放弃理解。★★★
+
+### 批评者的论点
+
+1. **Andrew Ng 的命名批评**：术语本身具有误导性，让人以为工程是「随便感觉」，实际上 AI 辅助编程是繁重的智识工作。★★★
+2. **安全漏洞风险**：CodeRabbit 2025年12月分析发现，AI 协作代码比人类代码安全漏洞率高 2.74 倍。★★★
+3. **可维护性问题**：Fast Company 报道「vibe coding 宿醉」——senior 工程师描述接手 AI 生成代码库后陷入「开发地狱」。★★★
+4. **初学者技能退化**：批评者担心 vibe coding 消灭了新手编程所需的入门级任务，破坏技能梯队。★★
+
+### 2026 年的反转
+
+Karpathy 自己宣布 vibe coding「已经过时」，他的新偏好词是「agentic engineering」：「默认情况下，你 99% 的时间不是在直接写代码，而是在编排 agents 并担任监督者角色。」★★★
+
+---
+
+## 四、「Job Risk Map」删除事件（2026年3月）
+
+### 事件经过
+
+Karpathy 用两小时「vibe coded」了一个交互式图表，对 342 个 BLS 职业进行 AI 暴露度评分（0-10 分）。图表显示白领职业评分最高，体力劳动职业评分最低。Elon Musk 转发并评论「所有工作都将是可选的」，图表迅速病毒式传播。
+
+数小时内，Karpathy 删除了 GitHub 仓库。他的解释：「'暴露度'是 LLM 根据工作数字化程度打分的。这与这些职业实际会发生什么无关。人们在歪曲这个可视化工具，把话塞进我嘴里。」★★★
+
+### 社区批评
+
+- **方法论缺陷**：用 LLM 打分作为劳动市场替代指标，在方法上过于粗糙。
+- 这一事件被部分观察者解读为 Karpathy「公开试验文化」的代价：他愿意公开半成品想法，但当这些想法被媒体放大时，选择退缩而非承担辩论。★★
+
+---
+
+## 五、Eureka Labs 的外部评价
+
+### 期待
+
+TechCrunch 报道基调正面，将其视为自然延伸：从斯坦福 CS231n 到 YouTube 教学视频，再到正式创业。★★★
+
+### 质疑与批评（Dan Meyer，数学教育者）
+
+Dan Meyer 在 Substack 撰文《Andrej Karpathy Is in Trouble》，是迄今最有分量的公开批评：
+
+- **前人失败先例**：Sebastian Thrun 的 Udacity、Andrew Ng 的 Coursera，均是技术精英在线教育领域的先行者，但都未能实现宏大的教育转型目标。
+- **核心矛盾**：「很少有设计教育软件的人有成功管理课堂或学校的经验。」Karpathy 帮助构建了世界上最先进的计算技术，但他需要将全部创造力投入「帮助人们学习」这一更难的任务。
+- **学习规模化的历史失败**：「每一种承诺规模化学习的技术都辜负了其宣传。」★★★
+
+---
+
+## 六、AI 学习者社区的评价
+
+### 高度正面的评价（主流声音）
+
+- Google Scholar 显示超过 78,000 次引用（截至调研时）。★★★
+- 「Zero to Hero」课程被广泛认为是深度学习领域最好的入门课程之一。DeepLearning.AI 将其列为「Heroes of Deep Learning」。★★★
+- 教学风格被高度评价为「真实」：强调「不要抽象掉任何东西」，实时编码并展示错误修复。
+
+### 细微的批评（少数声音）
+
+- 少数学习者认为课程假设学习者已有相当基础，「zero to hero」名称有些夸张。
+- Hacker News 上对 Eureka Labs 的讨论：部分人期待，部分人持「证明给我看」的观望态度。
+
+---
+
+## 七、学术影响力与同代人对比
+
+| 维度 | Karpathy | LeCun / Bengio / Hinton |
+|------|----------|------------------------|
+| 学术引用 | ~78,000（Google Scholar） | 数十万（图灵奖得主级别） |
+| 研究贡献 | CS231n、ImageNet 人类基准、RNN博文 | 深度学习理论奠基 |
+| 影响力路径 | 工程实践 + 大众教育 | 学术体系 + 机构影响力 |
+| 公众知名度 | 远超多数学术同行 | 圈内知名，圈外有限 |
+
+外部评价的核心共识：Karpathy 是罕见的「顶级研究者 + 顶级沟通者」组合。他在科普和工程实践层面的影响力可能超过任何同代研究者。★★★
+
+---
+
+## 八、外部观察到的行为模式
+
+### 1. 公开试验文化，但有时收场仓促
+job risk map 事件是典型案例：发布半成品 → 病毒式传播 → 删除澄清。先做再想，但当社会后果超出预期时，选择退缩而非辩论。★★★
+
+### 2. 敢于反对行业共识
+在 AGI 泡沫时期，他是少数愿意公开说「models are not there」「产品是 slop」的顶级人物。TradeFox CEO：「如果这个 Karpathy 采访不能戳破 AI 泡沫，没有什么能了。」★★★（Fortune，2025年10月）
+
+### 3. 说话速度快，思维领先于表达
+Karpathy 自己承认：「我知道，我说话太快了。这对我不利，因为有时我的说话线程执行速度超过了我的思考。」★★★
+
+### 4. 与 Elon Musk 的关系耐人寻味
+Musk 转发了他的 job risk map，两人似乎保持联系，但 Karpathy 从未公开表态支持 Musk 的政治行动。他离开 Tesla 被分析为与 Musk「过度乐观的公开承诺」文化存在底层张力。★（推测性，无直接证据）
+
+### 5. 低调的个人生活，高调的技术观点
+没有找到任何关于他私人生活的可信报道。他的公开形象与私下形象几乎完全重合——技术博文、课程视频、X 上的技术评论。
+
+---
+
+## 九、有根据的批评汇总
+
+| 批评 | 来源 | 可信度 | 是否有根据 |
+|------|------|--------|-----------| 
+| vibe coding 命名误导了行业 | Andrew Ng，2025-06 | ★★★ | 有根据：AI 辅助编程的严肃性被低估 |
+| 教育行业经验不足，Eureka Labs 面临历史先例挑战 | Dan Meyer，2024 | ★★★ | 有根据：Udacity/Coursera 前车之鉴真实存在 |
+| 发布半成品分析（job risk map）引发不必要的社会恐慌 | 综合报道，2026-03 | ★★★ | 部分有根据：方法论确实不足，但他主动删除 |
+| 有时表述不够严谨，说话速度超过思考 | Karpathy 自述 + 外界观察 | ★★★ | 他自己承认 |
+| 学术引用量不及「Godfathers」级别 | Google Scholar 数据 | ★★★ | 事实，但他的影响力路径本就不同 |
+| vibe coding 产生安全漏洞 | CodeRabbit 研究，2025-12 | ★★★ | 有根据，但这是技术趋势的代价，非 Karpathy 个人责任 |
+
+---
+
+## 十、核心差异化特征（外部观察）
+
+与同代 AI 领袖相比，外部观察者普遍注意到以下独特之处：
+
+1. **双重稀缺性**：他既是顶级工程师，又是顶级沟通者。LeCun 能研究但沟通曲高和寡；很多科普者能讲但缺乏工程深度。
+2. **机构独立性**：他在斯坦福、Tesla、OpenAI、Eureka Labs 之间流动，不依附于单一机构，这使他的公开表态更可信。
+3. **建设性批评者**：他批评 AI hype，但不否定 AI 价值——与 Gary Marcus 等人的「反 AI」立场形成鲜明对比。
+4. **概念生产力**：「Software 2.0」（2017）、「vibe coding」（2025）、「summoning ghosts」（2025）、「agentic engineering」（2026）——他定期贡献能在行业内流通的概念词汇。
+5. **公开脆弱性**：他愿意公开说「我从未感觉作为程序员落后得这么厉害」（2025年），承认自己说话太快等——这在顶级 AI 领袖中罕见。
+
+---
+
+*来源：Fortune、TechCrunch、The New Stack、Dwarkesh Podcast、simonwillison.net、danmeyer.substack.com、SC Media UK、Hacker News、Futurism、Google Scholar*
@@ -0,0 +1,162 @@
+# Andrej Karpathy：重大决策与关键行动记录
+
+> 调研时间：2026-04-05
+> 信息来源：Wikipedia、TechCrunch、CNBC、Lex Fridman Podcast、Karpathy本人Twitter/X、BDTechTalks、VentureBeat、Electrek等
+
+---
+
+## 决策一：加入 OpenAI 创始团队（2015年）
+
+### 背景
+Karpathy 当时在斯坦福读博（Fei-Fei Li 实验室），研究 CNN 在计算机视觉与 NLP 的交叉应用。2015年他还在 DeepMind 做过深度强化学习方向的实习。同年 OpenAI 宣布成立。
+
+### 决策逻辑
+他公开表示，吸引他的是 OpenAI「学术与创业混合体」的独特模式——既有研究自由度，又有现实应用的驱动力。这在当时的 AI 机构中是罕见形态。他希望成为推动 AI 落地的早期参与者，而不只是写论文。
+
+### 事后反思
+没有公开批评这段经历。他把这段时间定性为建立核心技术认知的基础期。他后来两度回归 OpenAI，说明对这家机构的认同感持续存在。
+
+---
+
+## 决策二：离开 OpenAI 加入 Tesla（2017年）
+
+### 背景
+Elon Musk 亲自挖角。彼时 Tesla Autopilot 正处于关键扩展期，需要一个能把学术深度学习能力真正工程化落地的人。对 Karpathy 而言，这是把「Software 2.0」理念（他在同年11月发表的博客文章中系统阐述）在真实世界规模化验证的机会。
+
+### 决策逻辑
+这是一个典型的「可验证性驱动」决策。Tesla 拥有百万辆车的真实数据飞轮，恰好是验证「神经网络替代人工编写规则」范式的最大实验场。从学术研究转向现实验证，符合他「如果我建不出来，我就不算真正理解了」的认识论。
+
+他描述 Musk 的管理风格：「Elon 喜欢小而精、高度技术化的团队。他始终是反对扩张团队规模的力量……如果工程师说 GPU 不够用，他听到两次就会直接打电话给 GPU 集群负责人，再打给黄仁勋。」
+
+---
+
+## 决策三：「完全依赖视觉，不用 LiDAR」——Tesla 的技术路线
+
+### 背景与决策时间线
+这不是单一时间点的决策，而是在 2017-2022 年持续演进和强化的技术路线。标志性时刻：
+- 2021年 CVPR 主题演讲，Karpathy 系统论证了视觉方案
+- 2021年底，Tesla 移除雷达，完全转向纯视觉
+- 2022年，进一步移除超声波传感器
+
+### 决策逻辑（Karpathy 的公开论证）
+
+**核心论点一：数据飞轮比传感器方案更重要**
+「真正的问题不是你有没有 LiDAR，而是你有没有一支能收集数据的车队。」
+
+**核心论点二：LiDAR 的规模化问题**
+「收集、构建和维护高精度 LiDAR 地图是不可扩展的。」
+
+**核心论点三：视觉方案的通用性**
+「一旦真正让它工作，它就是一个通用视觉系统，原则上可以在地球任何地方部署。」
+
+**核心论点四：神经网络已超越传感器融合**
+「我们的深度学习系统已经比雷达精确一百倍，雷达开始成为制约因素，开始引入噪声。」
+
+### 言行一致性分析
+Karpathy 离开 Tesla 后未公开反驳这一技术路线。他的技术判断在某种程度上被市场验证：Tesla FSD 持续迭代，仍是纯视觉路线。但 Waymo 等公司的多传感器方案在安全性数据上的表现也引发了持续争论。
+
+---
+
+## 决策四：离开 Tesla（2022年7月）
+
+### 决策逻辑（他的公开表述）
+官方声明：「在帮助 Tesla 实现目标的五年里我感到非常荣幸……我没有具体的下一步计划，但想花更多时间回归我长期的热情：技术工作、开源和教育。」
+
+Lex Fridman 播客中更坦率的表述：「五年里，我让自己陷入了管理职位。我大部分的时间都在开会……这不是我从根本上喜欢的事情。」
+
+### 言行一致性分析
+**一致**：他的离开完全符合他一贯的工程师身份认同。离开后他立刻开始密集发布 YouTube 技术视频（nanoGPT、makemore 系列），这是他「用行动证明价值观」的方式。
+
+---
+
+## 决策五：开源 nanoGPT 系列教育项目（2022年底起）
+
+### 决策逻辑
+他写 nanoGPT 的初衷直接：「作为一个小小的仓库来教人们 GPT 训练的基础知识。」
+
+这背后是他的认识论核心：「如果我建不出来，我就不算理解它」（他归因于费曼）。nanoGPT 约750行代码，能训练 GPT-2 级别的模型，设计目标是「任何人都能读懂每一行」。后来又有 llm.c（用 C/CUDA 直接实现），走向更底层。
+
+### 影响
+nanoGPT 成为 AI 教育领域被阅读量最大的代码之一，成为后续众多项目的基准和起点。
+
+---
+
+## 决策六：重返 OpenAI（2023年2月）
+
+在「空档期」密集发布了大量教育内容后，GPT-4 发布前几个月，他选择回到 OpenAI。他主要负责搭建新团队，专注于「中间训练」（midtraining）和合成数据生成，也参与了 GPT-4 的改进工作。
+
+---
+
+## 决策七：再次离开 OpenAI（2024年2月）
+
+### 他的原话
+「Hi everyone，是的，我昨天离开了 OpenAI。首先，什么都没有『发生』，这不是任何特定事件、问题或戏剧性情况的结果（但请继续来阴谋论，非常有娱乐性 :)）。实际上，在过去大约一年里在 OpenAI 工作非常棒——团队非常强大，人们很优秀，路线图很令人兴奋。」
+
+**言行一致**：这是他第二次选择「个人项目」优先于「大公司」。模式非常稳定——他在大公司待一段时间，做贡献，然后回归自主创作状态。
+
+---
+
+## 决策八：创立 Eureka Labs（2024年7月）
+
+### 决策逻辑
+他把 Eureka Labs 定位为「AI 原生学校」。使命：用 AI Teaching Assistant 来放大人类专家写的课程材料，实现教育规模化。第一个产品是 LLM101n。
+
+这与他整个职业生涯的「次主题」高度一致：Stanford CS231n（深度学习课程，150人→750人）→ YouTube「Zero to Hero」系列 → nanoGPT 和 llm.c → Eureka Labs。
+
+他从未把教育当副业——在 Tesla 高峰期，他仍在维护开源教育资源。Eureka Labs 是把「一直在做的事」变成了主业。
+
+---
+
+## 决策九：提出「Vibe Coding」并面对批评（2025年2月）
+
+### 原始推文核心
+「有一种新的编码方式，我叫它『vibe coding』，你完全顺着感觉走，拥抱指数级增长，甚至忘掉代码的存在……我总是 Accept All，从不阅读 diff。」
+
+### 反应与批评
+这个词迅速病毒式传播，被 Merriam-Webster 收录，被评为 Collins 英语词典 2025 年度词汇。批评来自 Andrew Ng、Simon Willison，以及安全研究者（AI 协作代码安全漏洞率高 2.74 倍）。
+
+### Karpathy 的回应
+他没有完全认错，而是发帖描述「真正专业工作时」的 AI 辅助编码节奏与 vibe coding 的区分——用「补充语境」而非「认错」回应。
+
+2026年3月，他用 vibe coding 做了一个劳动力市场 AI 暴露度分析图，被误读后删帖，解释是「被严重误读了，这是一个周六早上的两小时项目」。
+
+---
+
+## 横向分析：决策模式
+
+### 模式一：工程师身份优先于职位头衔
+每次感到「管理把我变成了另一种人」就离开。不贪恋组织权力。
+
+### 模式二：教育使命贯穿始终
+Eureka Labs 不是「退休后才想到的事」，是他做了20年的事情的终点站。
+
+### 模式三：在关键技术节点「押重注」
+每次都在波峰前进入（2015年加入OpenAI、2017年加入Tesla、2023年GPT-4前夕回归），对趋势的早期判断。
+
+### 模式四：用「建造」来验证理解
+nanoGPT、llm.c、CS231n、LLM101n——所有教育产出都以「能不能从零构建」为终极检验标准。
+
+### 模式五：对批评的姿态是「补充语境而非认错」
+无论是视觉方案争议、vibe coding 批评，还是删图表事件，应对都是「你们误读了，让我补充语境」。
+
+### 言行一致
+- 说「我喜欢技术工作不喜欢管理」→ 行动上每次都离开管理职位
+- 说「教育是长期热情」→ 行动上建立 Eureka Labs
+- 说「从零构建是理解的唯一方式」→ 行动上写 nanoGPT、llm.c
+
+### 言行存疑
+- 「vibe coding」描述与他「构建式理解」的核心信条之间的张力，他没有在公开场合充分解释这两者如何共存
+- 他在 Tesla 内部工程师对移除雷达表达担忧时，他的处置方式从未被完整披露
+
+---
+
+## 关键资料来源索引
+
+- Karpathy 离开 OpenAI 原声：https://x.com/karpathy/status/1757600075281547344
+- 离开 Tesla 原声：https://x.com/karpathy/status/1547332300186066944
+- Vibe coding 原始推文：https://x.com/karpathy/status/1886192184808149383
+- Software 2.0 博客（2017）：https://karpathy.medium.com/software-2-0-a64152b37c35
+- Lex Fridman Podcast #333：https://lexfridman.com/andrej-karpathy/
+- TechCrunch 离开 OpenAI 报道：https://techcrunch.com/2024/02/13/andrej-karpathy-is-leaving-openai-again-but-he-says-there-was-no-drama/
+- CVPR 2021 视觉方案论证：https://bdtechtalks.com/2021/06/28/tesla-computer-vision-autonomous-driving/
+- Eureka Labs 介绍：https://techcrunch.com/2024/07/16/after-tesla-and-openai-andrej-karpathys-startup-aims-to-apply-ai-assistants-to-education/
@@ -0,0 +1,84 @@
+# Agent 6: Andrej Karpathy 人物时间线
+
+> 调研时间：2026-04-05
+> 主要来源：Wikipedia、karpathy.ai、karpathy.bearblog.dev、TechCrunch、Dwarkesh Patel播客、VentureBeat
+> 已排除：知乎、百度、微信公众号
+
+---
+
+## 完整时间线
+
+| 时间 | 事件 | 思想意义 |
+|------|------|---------|
+| 1986-10-23 | 生于斯洛伐克布拉迪斯拉发 | — |
+| 2001 | 随家人移居加拿大多伦多（15岁） | — |
+| 2005–2009 | 多伦多大学本科（CS+物理，数学辅修），修读Geoff Hinton课程 | 早期接触神经网络先驱，播下深度学习种子 |
+| 2009–2011 | UBC硕士，与Michiel van de Panne研究机器人+机器学习 | 从理论到具身AI的早期交汇 |
+| 2011–2015 | Stanford CS PhD，导师Fei-Fei Li，论文「Connecting Images and Natural Language」 | 多模态AI方向奠基；博士期间开始对「如何教懂AI」产生强烈兴趣 |
+| 2015 | 与Fei-Fei Li共同创设CS231n（150人→2017年750人） | 教育使命的第一次大规模实践；确认「教即是学」信念 |
+| 2015–2017 | 加入OpenAI创始团队，研究科学家 | 见证AI从学术到工程化转型的起点；接触前沿安全讨论 |
+| 2017-06 | 加入Tesla，Director of AI（Autopilot团队） | 从研究象牙塔进入「真实世界」：数十亿英里数据、安全压力、工程现实主义 |
+| 2017-11-11 | 发表「Software 2.0」博文 | ⭐ 思想里程碑：将神经网络定义为新型编程范式，不是工具而是语言 |
+| 2021–2022 | Tesla AI Day（2021、2022年）演讲 | 公开捍卫「纯视觉+不要Lidar」路线；「march of nines」工程现实主义首次系统阐述 |
+| 2022-07 | 离开Tesla | 称「想做些个人项目」；无戏剧性原因 |
+| 2022-08起 | 发布YouTube「Neural Networks: Zero to Hero」系列（micrograd→makemore→nanoGPT→LLM from scratch） | 教育使命2.0：用最小化实现让任何人都能真正理解LLM |
+| 2023-02 | 重返OpenAI | GPT-4时代，短暂回归 |
+| 2024-02-13 | 再次离开OpenAI | 「没有戏剧性原因，只是时机到了」 |
+| 2024-07-16 | 宣布创立Eureka Labs（AI原生学校，首课LLM101n） | 教育使命3.0：从个人YouTube到机构化AI原生教育 |
+| 2025-02-02 | 提出「vibe coding」概念 | 全球病毒式传播；他的本意是「放弃完全理解，依赖LLM协作编程」，但被过度简化解读 |
+| 2025-06 | AI Startup School演讲，提出「Software 3.0」框架 | Software 1.0→2.0→3.0 三部曲完成；英语成为新编程语言 |
+| 2025-10 | Dwarkesh Patel播客 | AGI仍需10-15年；反对agent过度叙事；坚持「现实主义」立场 |
+| 2025-12-21 | 发布「2025 LLM Year in Review」 | 年度技术总结，显示他仍保持「教师-观察者」身份 |
+| 2025-12-26 | 「我是被甩在后面的程序员」推文（1400万浏览） | 罕见的自我暴露：承认自己在新AI工具时代也感到失落 |
+| 2026-01 | 提出「agentic engineering」取代「vibe coding」 | 对自己创造的概念进行纠偏，显示他重视精确性 |
+| 2026-02-12 | 发布microGPT（243行纯Python实现完整GPT） | 「最小化理解」哲学的极致表达 |
+
+---
+
+## 核心思想演变轨迹
+
+### Software 1.0 → 2.0 → 3.0 三部曲
+
+- **Software 1.0**（传统编程）：人类写明确规则
+- **Software 2.0**（2017提出）：神经网络通过数据学习规则，权重即代码
+- **Software 3.0**（2025提出）：LLM本身即程序，英语/自然语言是新编程语言
+
+### Tesla锻造的「工程现实主义」
+
+- 在Tesla之前：偏学术，关注优雅的模型架构
+- Tesla之后：对「march of nines」（从90%到99%到99.9%的工程爬坡）有深刻直觉；对「在真实世界部署AI」的复杂性极为敏感
+- 标志性立场：坚定支持纯视觉方案，认为Lidar是「工程师的安慰剂」
+
+### 教育使命的三次跨越
+
+1. CS231n（2015）：课堂教学，750人规模
+2. YouTube Zero to Hero（2022）：全球免费教学，百万级受众
+3. Eureka Labs（2024）：机构化AI原生教育，「AI助教+人类教师」模式
+
+### AGI观的稳定性
+
+- 始终偏向「务实/现实主义」，不跟风「6个月AGI」的叙事
+- 2025年Dwarkesh访谈：AGI仍需10-15年
+- 对agent过度叙事保持怀疑：「agent不是魔法，只是循环调用LLM」
+
+---
+
+## 最近12个月（2025年至今）重点动态
+
+- **vibe coding概念传播与纠偏**（2025年全年热点）：原始概念被稀释→他主动用「agentic engineering」修正
+- **Software 3.0框架**（2025-06）：英语作为编程语言的系统论述
+- **microGPT**（2026-02）：极简主义教育哲学的新峰值
+- **「被甩在后面的程序员」推文**（2025-12）：引发全球共鸣，显示他愿意公开分享脆弱
+
+---
+
+## 信息可信度说明
+
+| 信息来源 | 可信度 | 说明 |
+|---------|--------|------|
+| karpathy.ai / bearblog | 一手 | 本人博客 |
+| Twitter/X @karpathy | 一手 | 本人原文 |
+| YouTube频道 | 一手 | 本人视频 |
+| Dwarkesh Patel播客 | 一手（采访） | 直接对话记录 |
+| TechCrunch / VentureBeat报道 | 二手 | 新闻报道，引用直接引语 |
+| Wikipedia | 二手 | 已与一手来源交叉验证 |