Karpathy最新动态：入职Anthropic，宣告Coding AGI拐点已至

📅 2026.05.26✍️ 综合自权威资讯 · 深度解读

Andrej Karpathy 科技人物示意 (placeholder)

Andrej Karpathy 近期动向引发行业热议 | 配图仅作示意

2026年5月19日，前OpenAI联合创始人、特斯拉前AI总监Andrej Karpathy在X平台上官宣正式加入Anthropic，成为近期硅谷AI人才争夺战中最重磅的行业动向之一。而在此前4月底的红杉资本AI Ascent 2026大会上，Karpathy刚刚完成一场30分钟的深度分享，抛出了一个多数人尚未察觉的核心判断：编程领域的AGI拐点已经到来。

一、职业动向：重返研发一线，加入Anthropic预训练团队

正式加盟Anthropic。 2026年5月，Karpathy正式入职Anthropic，加入预训练团队负责人Nick Joseph领衔的核心团队，核心工作是牵头组建全新专项团队，探索依托Claude自身能力加速大模型预训练研究，实现以AI赋能AI下一代迭代。

重返研发前线的考量。 Karpathy公开表示，未来数年将是大语言模型前沿技术突破的关键窗口期，重返大模型核心研发赛道具备极强的行业价值。同时他明确表态，自身对AI教育领域始终保持热忱，未来将择机重返AI教育赛道，持续深耕普惠AI技术教育。

职业轨迹回顾。 作为OpenAI核心创始成员，Karpathy2017年离开OpenAI后入职特斯拉，全权负责自动驾驶视觉业务；2022年从特斯拉离职，曾短暂回归OpenAI，2024年再度离开并创办AI教育公司Eureka Labs，深耕AI科普与技术教育，此次加盟Anthropic，标志着其全面回归前沿技术研发一线。

AI 预训练概念图

Anthropic 预训练团队 · AI赋能下一代模型迭代

二、核心论断：Coding AGI拐点已至

“记不清上次自己修改代码是什么时候”。 Karpathy结合自身使用Claude Code等AI编程工具的实操体验，复盘了行业技术迭代的关键变化。早期AI编程工具“可用但不可全信”，生成代码需人工逐行核验修改。但2025年12月，他在休假期间高频使用最新AI模型后发现，自己已连续多日无需手动编写、修改代码。他坦言：“我不断要求生成更多代码，效果都不错，现在我已经记不清上次自己亲自修改代码是什么时候了。”

信任跨越的关键节点。 Karpathy指出，人类对AI编程能力的信任并非线性递增，而是存在明确的临界点。当AI代码生成错误率降至特定阈值以下，开发者的工作模式会发生颠覆性变革：从传统“逐行核验、手动修正”，彻底转向全权委托AI生成代码，人类仅负责明确需求、验证最终功能。

“从未如此强烈地感到落后”。 2025年12月底，Karpathy在社交平台坦言，若能熟练串联运用当下主流AI工具，个人工作效率可提升10倍以上，反之则会陷入技术滞后的困境。据其公开访谈，2025年11月他的工作模式还是“80%手动+20% AI辅助”，短短一个月便彻底反转，变为“80% AI赋能+20%手动把控”。他自嘲式总结当下的开发模式：“我在用英语编程。” 他将人机协作编程类比为指挥智能实习生，适配AI规模化代码生成能力后，便再也难以回归纯手写编码的传统模式。

“大模型的意义远不止加速现有流程。每次范式变革，真正的机会在于：创造以前不存在的功能，或淘汰那些本不该存在的功能。”

三、范式升级：从Vibe Coding到Agentic Engineering

Vibe Coding——提升行业能力下限。 该概念由Karpathy在2025年初正式提出，即“氛围编程”，核心是通过自然语言提示词驱动AI完成代码生成，大幅降低编程门槛，让非专业开发者也能实现创意落地，全面拉高全行业编程能力下限。

Agentic Engineering——实现顶级效率革命。 作为Vibe Coding的进阶形态，Agentic Engineering（智能体工程）是当下AI编程的全新阶段。该模式在坚守专业工程质量标准的基础上，实现效率跨越式升级，顶尖工程师依托AI智能体的赋能，工作效率提升远超十倍。同时他观察到，目前多数科技企业尚未适配这一范式变革，行业红利仍未完全释放。

编程范式演进

从“氛围编程”到“智能体工程” · 效率的代际跃迁

四、理论框架：LLM是第三种计算范式

在红杉资本AI Ascent 2026大会的分享中，Karpathy提出颠覆性底层理论：LLM是继传统代码、神经网络权重之后的第三种通用计算范式，重新定义了下一代计算的核心形态。

他将现代软件计算体系划分为三大核心层级：

• 传统代码层：由人类编写if-else等结构化代码，计算机严格精准执行，逻辑固定、结果可精准预测，是确定性计算的基础；
• 神经网络权重层：无需人类编写固定规则，通过海量数据训练习得软性规则，擅长图像识别、语义理解等非确定性场景；
• LLM层（全新范式）：彻底颠覆传统开发模式，人类无需编写代码，仅需输出自然语言需求；上下文窗口成为全新的“代码编辑器”，提示词成为新一代“编程语言”。

Karpathy着重强调，LLM绝非升级版IDE或编码提速工具，而是一种全新的底层计算形态。他长远推演：未来神经网络将成为核心计算主体，传统CPU将弱化为承担确定性任务的辅助算力，完成计算体系的彻底重构。

五、个人实践：用LLM构建本地知识库

除前沿理论输出外，Karpathy还公开了基于大模型+Obsidian搭建个人本地知识库的完整实操方案，为AI知识管理提供了标杆范式。

核心工作流。 他将论文、行业文章、代码仓库、数据集、图片等所有原始素材统一收纳至raw目录，通过大模型增量式处理，自动编译生成标准化Wiki知识库，批量输出带摘要、反向链接、概念分类的Markdown文档。整个流程几乎无需人工干预，知识库的内容编写、迭代维护、关联梳理均由大模型自主完成。

数据规模与RAG思考。 他透露，个人专项研究知识库已整合100余篇专业文章、累计40万单词的内容。原本预设需要复杂RAG检索技术支撑，但实测发现，中等数据规模下，大模型可自主完成索引维护、摘要生成、关联数据调取，无需复杂工程优化即可实现高效知识管理。

未来探索方向。 针对知识库规模化扩容的需求，Karpathy计划结合合成数据生成、模型微调技术，让大模型将外部知识直接内化至神经网络权重中，突破上下文窗口的容量限制，实现知识的深度融合与长效复用。

六、开源实践：从nanochat到autoresearch

Karpathy持续在GitHub开源轻量化、高价值的硬核AI项目，以极简代码落地核心原理，兼顾教学价值与实操价值，赋能行业开发者：

📦 nanochat —— 百元成本搭建专属ChatGPT

该项目是其AI教育公司Eureka Labs旗下LLM101n课程的核心毕业项目，定位为“100美元可搭建的最优对话大模型”。项目覆盖自定义Rust分词器、分布式训练、Web推理服务等完整技术链路，一站式实现轻量化大模型的训练与部署。

🤖 autoresearch —— AI智能体自主科研闭环

这是Karpathy全网Star量最高的开源项目，支持单GPU环境下，依托nanochat底座让AI智能体自主完成模型调参、实验训练、结果分析、迭代规划的全流程科研工作。真正实现AI从“被研究对象”转变为“自主科研主体”，落地其“AI加速AI研发”的核心理念。

⚖️ llm-council —— 多模型辩论协同系统

一款本地Web应用，可同步调用Claude、GPT、Gemini等主流大模型并行作答，通过多模型交叉评审、博弈辩论，整合输出最优答案，印证了多模型集成的巨大潜在价值，打破单一模型的能力局限。

🧠 microGPT —— 极简零依赖GPT底层实现

2026年2月发布的轻量化项目，仅用200行纯Python代码实现GPT核心逻辑，全程零第三方库依赖，无需PyTorch、NumPy、GPU算力支撑，以极致简约的代码，清晰拆解GPT底层原理，延续其一贯的轻量化AI教学风格。可作为高校AI课程教学示例，极具教育价值。

GitHub开源项目示意

Karpathy 开源宇宙：硬核、轻量、可复现

整体来看，Karpathy近期的职业与技术轨迹清晰且明确：从深耕AI教育、创办Eureka Labs，到重返研发一线加盟Anthropic，再到公开宣告Coding AGI拐点来临，他始终站在AI范式变革的核心。未来数年，他将持续双线深耕，一边以AI技术革新科研与研发模式，一边坚守AI教育初心，持续推动大模型技术的普及与迭代。