OpenAI 早期工程師、前 Tesla AI 總監 Andrej Karpathy 日前接受知名 AI 播客《No Priors》主持人 Sarah Guo 專訪，長達 65 分鐘的對話中，Karpathy 在訪談中表示自己從 2025 年 12 月以來開始經歷的「AI Agent 狂熱狀態」，從他不再親手寫程式碼的一天、到用 AI 打造名為「Dobby」的家庭自動化管家，再到他最新發表的 microGPT 以及震撼業界的 auto research 自主研究系統。本次專訪被認為是 2026 年迄今最具深度的 AI Agent 討論之一，在此也為大家整理相關重點。
「我從 12 月以來就沒自己打過一行程式碼」
Karpathy 描述他目前的軟體開發工作流程已經完全改變：從過去「80% 自己寫、20% 交給工具」，翻轉成「20% 自己寫、80% 交給 Agent」，而且他認為現在早就不是 20/80 的比例了。
「我想我大概從十二月以來就沒自己打過一行程式碼了，」Karpathy 說，「這是一個極其巨大的改變。如果你隨便找一個軟體工程師，看他們坐在辦公桌前在做什麼，他們建構軟體的預設工作流程，基本上從十二月開始已經完全不一樣了。」
他甚至形容自己處於一種「精神病態」（psychosis）的狀態：不斷探索可能性、試圖把 Agent 推向極限。
Karpathy 將 2025 年 12 月視為軟體開發的分水嶺，這個時間點與多家 AI 工具的成熟期吻合。他的描述不僅是個人觀察，更反映了整個軟體工程行業的型態轉移。
Token 就是新的 GPU：算力無限、你是瓶頸
Karpathy 用了一個精妙的對比來解釋開發者的新處境：過去 GPU FLOPs（浮點運算次數）是稀缺資源，研究者會因為 GPU 沒在跑而焦慮；而現在，Token 吞吐量成了新的稀缺資源。
「當我的訂閱方案有額度剩餘時，我會感到緊張，」Karpathy 說，「這就代表我沒有最大化我的 Token 吞吐量。就像我當博士生時，GPU 沒在跑就會緊張一樣。但現在不是 FLOPs 的問題了，而是 Token。」
他形容如果有多個 Agent 可以同時運作，「你就是這個追求最大能力的系統中的瓶頸。你是那個制約條件。這是技能（skill）的問題，不是能力（capability）的問題。」
Peter Steinberg 效應：20 個 Agent 同時工作的未來
談到多 Agent 協作，Karpathy 舉了知名開發者 Peter Steinberg 的例子。Steinberg 以在螢幕上同時運行數十個 Codex Agent 而聞名，每個 Agent 需要約 20 分鐘完成一個任務，各自 checkout 多個 repo。
「他不只是說『這裡有一行程式碼』或『這裡有一個新函式』，而是說『這裡有一個新功能，交給 Agent 1；這裡有一個不會干擾的新功能，交給 Agent 2』。然後盡你所能審查他們的工作。」
Karpathy 認為這種「巨觀操作」（macro action）的思維，是開發者需要新培養的肌肉記憶。
Dobby 管家：一個週末完成的 AI 家庭自動化
在軟體工程之外，Karpathy 分享了他最有趣的 side project：一個名為「Dobby」（《哈利波特》家庭小精靈）的 AI 管家。他在今年一月花了約一週時間，用 Agent 完成了整個家庭的自動化系統。
「我只跟它說：『我覺得我家裡有 Sonos，你能試著找找看嗎？』然後它就去掃描區域網路上的所有裝置。結果發現完全沒有密碼保護，直接就登入了，然後它說『喔對，你裝了這些 Sonos 系統，讓我試著反向工程一下它是怎麼運作的。』它上網搜尋後找到 API 端點，然後問我要不要試試看。」
Karpathy 表示 Dobby 現在透過 WhatsApp 與他溝通，可以控制家中所有燈光、空調 HVAC、窗簾、游泳池、水療池，甚至保全系統。屋外的攝影機配有 Quinn 模型進行影像辨識，有人靠近時 Dobby 會傳 WhatsApp 訊息通知：「嘿，一輛 FedEx 卡車剛停下來。」
「我以前要用大概六個不同的應用程式，現在我完全不需要了。Dobby 用自然語言控制一切，」他說，「我甚至還沒把這個典範推到極致，但已經如此有幫助且如此鼓舞人心了。」
「客戶不再是使用者，而是 Agent」：軟體產業的全面重構
Karpathy 提出了一個大膽的論點：軟體產業正在經歷一場根本性的重構。所有那些為智慧家居裝置設計的 App「某種意義上來說根本不應該存在」。
「客戶不再是使用者本人，而是代表使用者行動的 Agent。」Karpathy 說，「App Store 裡那些用來控制智慧家居裝置的應用程式，難道不應該只是 API？Agent 直接使用它們就好，不應該需要人類在 UI 上點來點去。」
他認為未來世界應該是 API 端點暴露出來，Agent 作為「智慧的黏合劑」將所有部分串聯起來。這個重構將會非常徹底，涵蓋從工具設計到商業模式的各個層面。
Auto Research：Agent 自主研究的威力
在技術層面最令人震撼的部分，是 Karpathy 介紹的 auto research 系統。Karpathy 基於 data chat 專案開發了一套讓 Agent 自主進行機器學習研究的框架。
「我已經手動做實驗二十年了，我自認為調校得很好了。然後我讓 auto research 跑了一整晚，它回來給了我一些我沒看到的調校參數。我真的忘記了 value embeddings 的 weight decay，我的 Adam betas 也沒有充分調整，而這些東西是會互相影響的。」
他指出，核心概念是「把自己從瓶頸位置移除」。研究人員不應該親自盯著結果、手動調整參數，而應該設計一個自主循環（loop），讓 Agent 在客觀指標的引導下不斷自我改進。
他甚至提出了一個更大膽的願景：最終整個研究組織都可以用一組 Markdown 檔案（他稱為 program.md）來描述，不同組織檔案會產生不同的研究效率，而 Meta 層的 Agent 可以優化這些 Markdown 檔案，實現「對研究本身的研究」。
[分析] 這實際上是遞歸式自我改進（recursive self-improvement）的具體實作，也是 AI 前沿實驗室正在秘密進行的核心方向。Karpathy 將這個概念從理論轉化為可運行的系統。
microGPT：200 行 Python 提煉 LLM 的本質
訪談後半段，Karpathy 介紹了他 2026 年 2 月發表的 microGPT：一個只有約 200 行純 Python 程式碼的 GPT 實作，完全零依賴（無 PyTorch、無 NumPy、無 GPU）。
他解釋這是自己長達十年的執念：不斷簡化並提煉 LLM 到最純粹的本質。從 nano GPT、make more、micro grad 到現在的 microGPT，他一步步把原本數萬行的訓練程式碼濃縮到 200 行。
「訓練神經網路特別是 LLM，需要大量的程式碼，但那些程式碼其實都是為了效率而產生的複雜性，只是因為你需要讓它跑得快。如果你不需要跑得快，只關心演算法本身，那麼那個演算法其實就只是 200 行的 Python。」
這 200 行包括：資料集、tokenizer、autograd 引擎（約 100 行）、GPT-2 架構（約 50 行）、Adam 最佳化器（約 10 行）、訓練迴圈與推理（inference）。
教育的革命：對 Agent 解釋，不再對人類解釋
Karpathy 認為教育也將被 AI Agent 徹底重塑。他原本習慣拍影片、寫指南來解釋 microGPT 的原理，但很快意識到這已經過時了。
「我現在不是在解釋給人聽了，我是解釋給 Agent 聽。如果你能對 Agent 解釋清楚，Agent 就可以當作路由器，用對方的語言、以無限的耐心依照對方的程度來傳達。以後直接跟人解釋的情況會越來越少，反而是『那個 Agent 懂了沒？』」
他甚至提出一個大膽的預測：與其寫給人類看的 HTML 文件，應該寫給 Agent 看的 Markdown 文件。如果 Agent 懂了，它們就可以去解釋裡面的各個部分。「教育大概是這樣在改變：人與人之間互相教學的時代要結束了。」
[分析] Karpathy 的論點觸及了 AI 時代知識傳遞的典範轉移：人類不再需要直接教學，而是要教會 Agent 如何教學。這對教育產業、內容創作乃至整個知識經濟的影響難以估量。
AI 的「鋸齒狀」與模型物種分化
針對當前 AI 模型的能力分布，Karpathy 用「鋸齒狀」（jaggedness）來形容：「我同時感覺自己在跟一個極其傑出的博士生對話，他一生都是系統程式設計師，同時又像在跟一個十歲小孩說話。」
他舉例指出，最先進的模型可以幫你連續數小時執行複雜的 Agentic 任務、為你移山填海，但叫它講個笑話時，它會給出一個五年前的老梗：「為什麼科學家不相信原子？因為它們什麼都編造。」「這是你三四年前會得到的笑話，也是你今天仍然會得到的笑話。」
他認為這是因為「可驗證」（verifiable）的任務有強化學習（RL）在持續優化，但笑話等「軟性」領域沒有被優化。這也解釋了為什麼 AI 模型在程式碼生成上飛速進步，但在需要細微理解與創造力的領域卻停滯不前。
Karpathy 預測未來會出現更多的「模型物種分化」（speciation），不是一個什麼都知道的神諭型通用模型，而是針對特定任務專門優化的小型模型。就像動物王國中有些動物有過度發達的視覺皮層，未來也會有專門為 Lean 數學家或特定領域設計的模型。
我們也將整段專訪翻譯為雙語版本，有興趣的朋友可以看看，相信對您會很有幫助：
總結：Agent 做不到的事，才是你的工作
整場專訪中，Karpathy 反覆傳達的核心訊息是：AI Agent 的進步速度遠超多數人的想像，而個人在這場變革中的定位應該是策略性的。他用一句簡單的話總結了這個原則：「Agent 做不到的事，現在就是你的工作了。Agent 做得到的事，它們可能做得比你好，或者很快就會。所以你應該策略性地思考你到底要把時間花在哪裡。」
對於 Karpathy 自己來說，他的價值就是像 microGPT 這樣的「那幾點」：把一個概念濃縮到最純粹的本質。而其他所有教育、解釋、調校的工作，都不再是他的領域了。
「這就是我的貢獻：那幾點。其他東西 Agent 都能理解，它只是自己想不出來而已。」