# Karpathy深度访谈——PM视角的十个洞察点 > 作者：晨旭｜发布：2025-10-23｜系列：入门系列文章 > 来源：https://chenxu.xin/writing/karpathy-interview-ten-insights 从产品视角提炼 Karpathy 访谈：为什么是「智能体的十年」而非「智能体之年」、九的征途、自主性滑块、记忆是 Bug 不是 Feature，以及渐进式自动化。 --- 上一篇分享了我认真看完两遍 Karpathy 这段访谈后，对我影响很大的一些话。 作为 AI PM 学习者，我想我必须从产品视角来提炼 Karpathy 的智慧。他不仅是一位顶级的工程师，更是一位清醒的构建者。他形容我们「不是在构建动物，而是在召唤幽灵」。 这句话本身就充满了 PM 值得深思的隐喻。 下面，我用我有限的认知与理解，整理出来了十个 PM 需要学习到的洞察点。 在此之前，我想先说：AI 时代的 PM 角色正在发生变化，如果还停留在画原型和写 PRD 的传统思维，可能很快会被 AI 浪潮淘汰。所以要尽早培养自己的「OS 思维」和「Agent 架构思维」。 AI 时代，PM 是 Agent 的系统架构师；而大模型的未来，是成为操作系统。 ## 1、是「智能体的十年」，而非「智能体之年」 Karpathy 认为行业内对 Agent 的短期预期存在过度预测。他直言，要让 Agent 真正工作起来，「大约需要十年时间来解决所有这些问题」。 作为 PM，我们必须将这个十年作为一个核心时间框架来规划长期产品路线图，而不是期待短期爆发。 ## 2、产品路线图必须解决根本性缺陷 Karpathy 直言，当下的 Agent 还不能胜任「实习生」的角色，因为它们在根本上存在缺陷：「它们不够智能、多模态能力不足、不能进行计算机操作，缺乏持续学习能力，它们在认知上有所欠缺。」 作为 PM，我们的路线图必须正视并解决这些根本性缺陷，而不是仅仅依赖现有模型的能力。 - 模型层 PM 需要做的是：解决模型智能、多模态、持续学习的能力。 - 应用层 PM 需要做的是：上下文工程。 ## 3、PM 必须像对待自动驾驶一样，对待产品的安全性和可靠性 Karpathy 从特斯拉的经验中指出，演示和产品之间存在巨大鸿沟，尤其是在自动驾驶或生产级软件工程这些失败代价极高的领域。 PM 必须带领团队追求「九的征途」：一个 90% 可用的 Demo 只是第一个「九」，而每一个「九」的提升（99%、99.9%）都需要付出同等量级的努力。 这提醒 PM，在积极拥抱新技术（如 Vibe Coding）的同时，对生产级应用必须保持极度的谨慎。 ## 4、识别并推动「自主性滑块」 Karpathy 提到了一个「自主性滑块」的概念，人类正逐步从低级工作中解放出来，提升自己的抽象层次。 他预测 AI 不会立即取代人类，而是一个渐进过程：例如引入 AI 完成 80% 的重复性工作，再由人类来监督五组 AI 团队，处理剩余 20% 的复杂任务。 PM 的核心任务之一，就是去寻找和设计新的交互界面或管理层，让我们能够高效地管理这些尚不完善的 AI。 ## 5、深入了解 AI 模型改进的本质，以及它与人脑的差异 **（1）预训练 vs 上下文学习** 预训练是对海量数据（如 15 万亿 token）的极致压缩，模型只剩下对互联网的「模糊记忆」。而上下文窗口则更像是「工作记忆」，信息可以被直接访问。 **（2）LLM vs 大脑** Karpathy 做了一个精妙类比：Transformer 像「皮层组织」，思维链像「前额叶皮层」。但 LLM 缺失了太多关键组件，比如海马体（记忆）、杏仁核（情感），更重要的是，它没有人类睡眠时的「蒸馏」能力，无法进行阶段性复盘和反思。 **（3）强化学习的无效性** Karpathy 犀利地指出，人类在智能任务上（如解决问题）基本不使用 RL，RL 更适用于投篮这类运动任务。当前模型的 RL 就像「通过吸管吮吸监督信号」，极其低效且嘈杂。 ## 6、必须具备强大的技术理解力，并鼓励团队「通过构建来学习」 这是 Karpathy 的核心信念：「如果我不能构建它，我就不理解它。」 他建议 PM 和工程师：「不要写博客，不要做 PPT，去构建代码，让它运行起来，这是唯一的途径，否则你就会缺失知识。」 ## 7、推动范式转变：移除「记忆」，保留「认知核心」 Karpathy 提出，预训练同时在做两件事：学习知识（记忆）和变得智能（学习算法）。他认为「知识」实际上在阻碍神经网络的发展。 **（1）记忆是 Bug，不是 Feature** 人类（尤其是孩子）不擅长记忆，这是一个「特性而非缺陷」，因为它迫使我们去学习「可泛化的组件」。而 LLM 是「记忆的极端」，它们被所有记忆分散了注意力。 **（2）追求更小的「认知核心」** PM 应推动的方向是「移除部分知识，保留认知核心」——即智能的算法、解决问题的策略。 Karpathy 希望模型「拥有更少的记忆，从而迫使它们去查询信息」。他大胆预测，未来强大的认知核心可能只需要十亿参数。模型现在之所以如此庞大，只是因为训练数据（互联网）「质量太差」，我们需要用大模型来压缩这些「淤泥」。 ## 8、推动多方面的持续优化，而非依赖单点突破 Karpathy 在回顾过去 30 年的 AI 进展时发现，进步来源于数据、硬件、内核、软件和算法的均衡发展，「没有哪一项是遥遥领先的，它们惊人地均衡」。他预测未来也将如此。 这对 PM 的启示是，产品策略不能孤立地依赖某一项技术突破，而必须是一个推动多方面持续优化的系统工程。 ## 9、扩展新领域时，必须重估「基础设施」的缺失成本 为什么 AI 编程进展神速？Karpathy 指出，因为编程是纯文本的，并且我们已经为其「预建了大量基础设施」，如 IDE、版本控制和 Diff 工具。 但当 PM 尝试将 LLM 扩展到新领域（如幻灯片）时，任务会「难得多」，因为它们是视觉和空间交互，且「没有任何预建的基础设施——比如，没有人为幻灯片做过 Diff 工具」。 ## 10、寻求「渐进式自动化」，而非期待「智能爆炸」 Karpathy 不认为 AI 会带来突变式的「智能爆炸」，他认为「我们早已经身处智能爆炸中，并已持续了数十年」，AI 只是这个渐进过程的延续。 PM 的落地策略也应是渐进的，从「呼叫中心」这类「重复性、封闭式、纯数字化」的工作开始。AI 好比一种「被释放的潜能」，它解锁了某种认知能力，PM 的工作就是将这种能力逐步渗透到积压已久的认知工作中去。 ## 结语 Karpathy 不仅回答了 AI 是什么，更启发了我们应该如何学习、如何构建，以及如何在这个日新月异的时代，保持谦卑，走好我们自己的「九的征途」。 也愿我们每一个人，都能在探索 AI 的路上，找到属于自己的顿悟。 ## 核心结论 - 是「智能体的十年」而非「智能体之年」。要让 Agent 真正工作起来大约需要十年，PM 应该拿这个时间框架规划长期路线图。（判断） 永久链接：https://chenxu.xin/writing/karpathy-interview-ten-insights#decade-of-agents - 演示和产品之间存在巨大鸿沟。一个 90% 可用的 Demo 只是第一个「九」，每提升一个九都需要付出同等量级的努力。（判断 · 把握较大） 永久链接：https://chenxu.xin/writing/karpathy-interview-ten-insights#journey-of-nines - 对模型来说记忆是 Bug 而不是 Feature。知识在阻碍神经网络发展，方向应该是移除部分知识、保留「认知核心」，迫使模型去查询信息。（判断） 永久链接：https://chenxu.xin/writing/karpathy-interview-ten-insights#memory-is-a-bug - 「如果我不能构建它，我就不理解它。」不要写博客、不要做 PPT，去构建代码让它运行起来，这是唯一的途径。（判断 · 把握较大） 永久链接：https://chenxu.xin/writing/karpathy-interview-ten-insights#build-to-understand - AI 编程进展神速是因为编程是纯文本的，且已有 IDE、版本控制、Diff 工具这些预建基础设施。扩展到幻灯片这类视觉空间任务会难得多。（判断） 永久链接：https://chenxu.xin/writing/karpathy-interview-ten-insights#infrastructure-explains-coding-progress --- 本文出自晨光里的AI（https://chenxu.xin），作者晨旭。 引用时请保留来源链接。文中标注「判断」「假设」的部分是作者的个人看法，不是事实。