最近，“下地干活式旅游”火了。 众人不再只想着游山玩水，而是走进田间地头，体验劳作的乐趣。 此刻AI领域也是热热闹闹的，众人皆在探讨智能体何时方能真正“派上用场”。

元老Andrej Karpathy在一次长谈中，给火热的AI讨论泼了盆冷水，他认为智能体离真正成熟还需要十年。

智能体现状：远未到“能干活”的地步智能体现状评估

Karpathy可是AI领域的大神，他曾任Tesla Autopilot负责人、创始团队成员，还是AI启蒙教材CS231n课程缔造者。 他指出现在的Claude、Codex等智能体，虽然看着厉害，但还远远达不到“能雇来做事”的标准。 要是把智能体比作实习生，那它根本就不够格。 它们不具备多模态能力，无法持续学习，认知结构也不完善，连记事都很吃力，那就别期望它们能借助电脑好好工作了。

为何还需十年：认知组件不完整智能体成熟尚需十年的原因

Karpathy觉得，智能体的不足不是因为计算力不够，而是“认知组件不完整”。一个真正能交付成果的智能体，得超越语言模型，具备持续学习、推理、操作和感知能力。这可不是一年就能搞定的，而是一场关于智能构型的系统工程。 当下的大模型依托模仿互联网里的文本来获取知识，依靠“预先训练”来构建智能，犹如一台“朦胧记忆机器”，而动物通过进化具备了内置的本领，一降生就能进行学习，所以未来AI重要的研究方向不是叫它“懂得更多”，而是“能学得更像人”。

未来突破路径：架构革新智能体未来突破路径

Karpathy把预训练称为“糟糕的进化”，它能灌输知识，却教不会智能体持续学习。 将来有两种突破途径，其一为除去知识化，削减知识灌输，留存中心算法，令模型具有本身生长的能力；其二是重新构建认知构造，当下的Transformer很像大脑皮层，但是人类大脑里的情绪体系、空间记忆、强化回路等还没有重新构建。 真正的智能体需要构建像人类一样的“长期记忆系统”，这需要结构性KV存储机制、个体化LoRA子网络和大模型之上的Meta运行系统。Karpathy强调，我们需要的是能在多个会话中自我调整的智能体，而不是一个简单重置的模型。

大模型代码生成：还不是架构师大语言模型代码生成能力分析

在Karpathy构建nanochat的过程中，他发现当前大语言模型（LLM）在代码生成上有明显的认知缺陷，远达不到“自动化AI工程”的程度。 LLM在结构化、精细化、非模板的工程设计上很无力，它不理解用户意图背后的架构假设，也不明白“你为啥这样写”。比如处理多GPU同步时，模型会强行注入不适合的代码。 不过大语言模型在编码时有一些实用情况，比如对不熟悉的语言，可把它当辅助工具；处理简单或无关紧要的任务；还能借自动补全功能提高开发效率，但它不是真正的架构师，不是协作伙伴，没法做复杂架构设计，所以不能指望它优化架构。 回顾编程工具的演化，LLM只是这个谱系上的新一代增强器，提升了效率，加速了认知链路，但没改写人类程序员的边界。所以当前的LLM编程工具不是“突破性**”，而是连续演化的结果。

强化学习：糟糕的训练范式强化学习训练范式反思

谈到AI的学习机制，Karpathy直言“强化学习很糟糕”，这是对整个AI训练范式的反思。 人类学习是复杂、延迟且具非线性的，强化学习的逻辑是“摸索着试错”，只要最终结果正确就奖励整个过程，即便中间大多是错误的瞎忙乎，这与人类学习的方式不同，人类会回顾过程、辨别错误并提炼经验。 强化学习只看结果奖励而不看前因后果，此乃其根本缺陷，它虽为必要过渡阶段，却存在诸多问题，例如用大模型评估另一个模型时，系统会相互，评判者的奖励信号会控，且训练时间越长，漏洞越多。 解决办法是让模型学会回顾与反思，当下存在回顾机制、记忆库、合成样本训练等新方向，不过这些都尚处于早期阶段，Karpathy认为，未来几年算法改进的主要方向或许就是使模型具备反思能力。

从人类学习看AI：“做梦”才是方向从人类学习角度看AI发展方向

我们谈AGI路径时，很少思考人类是怎么学习的。Karpathy提醒，大模型“读一本书”只是预测下一个token，而人类读书是在思考、发问、讨论。大模型没有“思考的中间层”，不会主动构建结构性理解，也不会产生新问题。 尝试让LLM去撰写“思考”多次尝试后答案大致相同，这便表明模型欠缺探索能力，而人类的思维向来具备较高的灵活性。 Karpathy认同“做梦是反过拟合机制”这一观点，他认为梦境可让大脑维持灵活性，他提议AI系统在训练时创设类似“梦境”的情形以保持灵活性。 今天的大模型缺乏动力去“多样化”，原因包括评估困难、用户不需求、强化学习惩罚多样性等。但在合成数据生成与AI自我训练中，保持多样性很重要，否则模型会陷入不良循环。 Karpathy预测，未来的认知核心可能只需较少参数。因为大模型太大是由于训练数据质量差，真正的优化路径是从大模型中提取认知结构，精简为更小但更高效的模型。我们需要的是能意识到自身不足、主动思考的模型。

AI与经济增长：渐进式嵌入AI对经济增长的影响方式

Karpathy认为，AGI正逐渐融入经济结构，而不是以激进的方式改变一切。AGI的首战场是“数字知识型工作”，只占经济结构的10%-20%但足以撬动较大的市场规模。 代码是大语言模型最为适配的应用场景，因其代码结构极为严谨，基础设施亦完备，经济回报较为迅速，而其他领域的应用成本较代码领域高出许多，比如文本相关任务，缺乏反馈闭环与结构基础设施，难以高效应用。 AGI并非无所不能，它仅仅是对现有的结构化任务流程开展了优化，部署之际，先处置最为结构化、最为闭环的任务，随后向上下游拓展，最终凭借人机协作来重新界定“工作”。AGI会慢慢成为经济的一部分，恰似电力慢慢融入各个产业一般。

智能与文化：文明的延续AI在智能与文化层面的意义

在Karpathy看来，人类智能是一种独特的“生物现象”，生命演化没有必然的目标，智能不是演化的必然结果。人类的独特在于能通过语言、模仿、教育等跨代传承知识与能力，这是一种高效的演化方式。 鉴于人类智慧仰仗于“文化体系”，Karpathy着重指出AI作为学习者与参与者的身份，培育AI是让其成为文化传承的一部分，而非对人类开展复制，未来的智能体或许没有情感、意识和动机，但只要可以领悟相关知识，便属于人类文明的继承者。

自动驾驶：难点不在技术自动驾驶发展难点分析

过去十年，自动驾驶是AI受关注的落地场景之一，但Karpathy认为它远未完成，而且比想象中难。 自动驾驶是不能出错的任务系统，从90%可靠性提升到更高，难度会大幅增加。目前大多数AI系统还不具备足够的稳定性。 当下自动驾驶遭遇的最大问题乃“常识推理”，此与社会理解相关，大模型虽说在理解上有新的进展，却无法确保“始终不出差错”。 自动驾驶是全社会协同系统所面临的挑战，涵盖监管、城市基础设施、伦理判断以及真实路况训练等诸多方面，其落地是一个缓慢、渐进且具有区域化特征的过程，唯一能够加快的便是整个生态认知的提升与政策的协同。

目前“下田劳作式旅行”相当盛行，可见大家都追求体验与实干，要是AI智能体真要“会干活”，也得不断“实践”并优化自身，虽说离成熟还有十年，可是这十年里AI或许会给咱们带来始料未及的惊喜，让咱们一起期待智能体真切走进生活、替咱们“干事”的那一天。

关键词：AI智能体、能干活、十年、实用