别神话LLM，AGI还要等十年
AGI并非明天到，但也不是海市蜃楼。Karpathy直言：通往 AGI 的路已出现，却布满硬骨头——强化学习信号稀薄、模型崩塌风险、环境与评估匮乏、系统集成与安全难题等。他给出一个“乐观而不煽情”的时间表：10年。
最近几天，OpenAI的创始元老、特斯拉前深度学习负责人Karpathy，公开表示：AGI仍有十年之遥。
Karpathy批评业界高估了当前的AI的智能水平，但同时他认为通向AGI之路已经出现，但这条路并非坦途。
为什么强化学习很糟糕（不过其他方法更糟）、
为什么模型崩塌会阻止大语言模型像人类那样学习、
为什么AGI只会融入过去约2.5个世纪以来每年约2%的GDP增长趋势、
为什么自动驾驶花了这么久才被攻克。
这些问题很难，所以大概实现AGI还需要10年。这被普遍解读为看衰AI，给当前AGI狂热浇下一盆冷水。
马斯克点名Karpathy迎战Grok 5
马斯克认为，Karpathy的确有些观点不错。
但随后，马斯克话锋一转，点名卡帕西和Grok 5来场编程大战，类似于国际象棋大师卡斯帕罗夫与深蓝的对决时刻。
不过，Karpathy拒绝了马斯克的挑战，并表示我宁愿与Grok 5合作，也不愿与它竞争
考虑到马斯克认为目前Grok 5实现AGI的概率只有10%，但要Grok 5在编程上挑战Karpathy。
或许，AI初创Yuchen Jin的推文很好解释马斯克为何如此做：
马斯克在用他的“现实扭曲立场”，在推动xAI团队实现“不可能的目标”。
智能体工程师Dan Mac表示，Karpathy在断言，现在正处于LLM炒作的“幻灭低谷期”。
这更像一种现实主义：与其摆擂台，不如把工具打磨好。
看起来，Karpathy有力支持了LLM怀疑论者——那些人可能正在庆祝“AI无用论”的胜利。
这令人沮丧。尤其是当你关心AI，并看到了它真正缓解人类苦难的潜力时。
但Dan Mac指出，故事还未结束，接下来要发生的都是好消息：启蒙的斜坡——生产力缓慢但平稳地上升，到达最终瓶颈之前还很长。
其实，Karpathy把整期播客又看了一遍。
他先自我检讨：有时“口比心快”，所以有些解释我讲砸了；有时也会紧张，担心自己跑题太远，或者在次要细节里拐得太深。
下面👇，是Karpathy的补充观点和自我辩白。
Karpathy的辩白
整体看，10年应当是对AGI很乐观的时间表，只是与当下的炒作相比，它看起来没那么“提气”。
10年很短
关于通用人工智能（AGI）时间线，这是目前讨论里最受关注的部分。
“智能的十年”（the decade of agents）对应的是他之前关于OpenAI Operator智能体的推文：
2025年，的确是智能体的元年，但未来10年都是“智能体时代”。
大体上，Karpathy认为他比旧金山“AGI时间线”悲观大约 5–10 倍；但相对于近期兴起的否定派和怀疑论者，又仍然偏乐观。
这里并不矛盾：
1）这几年大语言模型（LLM）确实取得了巨大进展；
2）同时距离“在世界上任意岗位都更想雇它而不是雇人”的那个实体，还有大量工作要做：苦活累活、系统集成、连接物理世界的感知与执行、社会层面的协同，安全与防护（越狱、投毒等），以及进一步的研究。
整体看，10年本应是非常乐观的AGI时间线；只是和当下的炒作氛围一对比，才显得“不够乐观”。
人工幽灵智能：AGI=Artifical Ghost Intelligence？
Karpathy怀疑是否存在“一条极其简单的算法，让它丢进世界就能从零学到一切”。
若有人真造出这种东西，他就错了——那将是AI史上最惊人的突破。
在他心里，动物并不是这种例子——动物由进化“预装”了大量智能，后天学习总体上很有限。比如，斑马一出生就能跑。
LLM是一种不同的形式的智能
从工程角度说，我们不可能重做一遍进化。
LLM是另一条“预装智能”的路：不是靠进化，而是靠在互联网上“预测下一个Token”把大量知识塞进网络。
这会诞生一种不同于动物的智能形态，更像“幽灵/灵体”。
当然，我们完全可以、也应该逐步让它们更“像动物”，很多前沿工作本质上就在做这件事。
强化学习不是全部答案
在博客中，Karpathy说，现在强化学习就像“通过吸管吸取监督” ——
模型尝试几百种方法，只得到一个“对错”信号，然后把这个信号广播给成功路径的每一步，包括那些纯属运气的错误步骤。
你瞎猜猜中了答案，然后把猜的过程也当成“正确方法”强化，这能学好吗？
他还提到一个更荒诞的例子：有个数学模型突然开始得满分，看起来“解决了数学”。但仔细检查发现，模型输出的是“da da da da da”这样的完全胡言乱语，却骗过了LLM评判者。
这就是用LLM做评判的问题——它们会被对抗样本攻击。
之前，Karpathy多次评议过RL，这是他一贯的观点：
RL会继续带来阶段性成果，但不是全部答案。
首先，RL的signal/flop（信号/算力）比很差。它还很嘈杂；反过来，一些极有洞见的 Token 可能“被惩罚”（因为后面步骤失误）。
Karpathy认为会出现替代性的学习范式。
他长期看好“智能体式交互”（agentic interaction），但看空“传统RL”。
文本数据和监督微调的对话对，不会消失，但强化学习时代，环境才是主角。
与前两者不同，环境让 LLM 有机会真正进行互动——采取行动、观察结果等等。这意味着你可以期待比统计专家模仿做得更好。它们既可用于模型训练，也可用于评估。
但和以前一样，现在的核心问题是需要大量多样化且高质量的环境集，作为 LLM 的练习对象。
近期有不少论文在找对了方向，比如他称之为“系统提示词学习”（system prompt learning）的方法：
系统提示学习虽然设置类似强化学习，但学习算法不同（编辑操作 vs 梯度下降）。
通过这种范式，LLM 系统提示的大部分内容都可以自动生成，就像 LLM 在为自己撰写解决问题的指南手册。若成功，这将形成全新且强大的学习范式。当然还有许多细节待探索。
不过，arXiv上的点子与一家前沿实验室真正能大规模、普适地落地之间，仍有不小的鸿沟。
他总体乐观，觉得这条线很快会见到实质进展。
例如，ChatGPT 的记忆功能等，已经是新学习范式的“原始部署样本”。
认知内核与“反事实”练习
长期依赖，Karpathy主张把LLM的“记忆”剥离或至少“加阻尼”，逼它们少靠死记硬背、多做抽象与迁移。
“认知核心”作为 LLM 个人计算的核心，默认常驻于每台电脑中。它的特性正逐渐明晰：
支持原生多模态的文本/视觉/音频输入与输出。
采用套娃式架构，可在测试时灵活调节能力大小。
推理能力，带调节功能（系统2） 积极使用工具。
设备端微调LoRA插槽，用于实时训练、个性化和定制化。
人类记不住那么多细节，这反而像一种“正则化”——限制了记忆，泛化更好。
对应地，他也写过模型尺寸的趋势是“先大后小”：先堆到足够大以承载能力，再在架构、训练范式和数据上做减法与蒸馏，向“更小、更专注的认知内核”收敛。
再做个“反事实”练习：如果把33年的算法进步，带回1989年的LeCun实验室，能把当年的结果提升到什么程度？
这能帮我们拆因：究竟是算法、数据还是算力在“卡脖子”。
在任何时代，正确地定位约束项，才谈得上有效地投资与推进。
关于LLM智能体（Agents）
行业里很多工具假定“全自治团队并行协作、自动写万行代码、人类只当监工”。
Karpathy更偏向“协作式中间态”：
以人脑能装得下的“块”为单位迭代；
让模型解释自己在写什么、为什么这么写；
主动引用 API/标准文档自证正确；
不确定就问，少做拍脑袋的假设；
让人类在循环中学习与增能。
否则我们会迎来“代码沼泽”和安全面扩大。
与范围编程相比， AI辅助编程重点在于严格约束这位热情过度的“天才实习生——AI拥有软件百科全书般的知识，却总是满嘴跑火车，勇气过剩但对好代码几乎毫无品味。
关键在于保持缓慢、防御性、谨慎、多疑的态度，始终抓住嵌入式学习机会而非委派任务。目前许多环节仍显笨拙且手动操作，现有工具尚未明确支持或优化这些流程。
我们仍处于早期阶段，AI编程助手的用户体验还有巨大改进空间
他希望工具的雄心与当下模型的真实能力匹配。
工作自动化与物理学教育
放眼各行各业，哪些岗位更易被自动化，取决于：输入输出是否标准化、错误代价是否可控、是否有客观标注与可验证性、以及是否存在高频重复决策回路。
以放射科为例，现实数据往往显示“人机互补优先于完全替代”——把模型当作第二读片者、质控器或分诊器，反而提升了整体质量与吞吐。
他主张在基础教育里更早、更系统地教物理，并不是为了培养物理学家，而是因为物理最像“给大脑刷底层系统”的学科：建模、量纲、守恒、近似与推理，把可计算的世界观种进去。
“物理学家是智识的胚胎干细胞”——这是Karpathy想认真展开的一篇长文的主题。
