如果你隨機詢問一位矽谷的軟體工程師，他們現在的日常工作模式是什麼？你可能會得到一個令人驚訝的答案。前 Tesla AI 總監、OpenAI 創始成員 Andrej Karpathy 在最近參與「No Priors」Podcast 節目時，分享了一個極具顛覆性的個人經驗：自從去年十二月以來，他幾乎沒有親手輸入過任何一行程式碼。Karpathy 形容自己目前處於一種「AI 狂熱」（AI Psychosis）的狀態，每天花費長達 16 個小時，將自己的意志與構想「傳達」給 AI Agent，讓它們代為執行繁雜的程式撰寫工作。
這段對話不僅僅是關於單一開發者的工作習慣改變，更是對整個軟體工程、人工智慧研究體系、以及未來科技基礎架構的深刻剖析。當 AI 模型能夠自主設計實驗、收集數據、甚至自我優化時，人類在研究迴圈中的角色究竟為何？我們該如何面對能力參差不齊的模型？開源與閉源的拉鋸戰又將如何發展？Skill Issue: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI
解構 AI Agent 帶來的顛覆性變革
寫程式的終結？全面擁抱「Macro Actions」與平行處理
Karpathy 在訪談中提到，現在的工作模式已經不再適用「寫程式」（Coding）這個動詞。工程師的核心技能轉變為如何將大型任務拆解，並委託給多個平行的 AI Agent。
過去，程式開發的微觀動作是敲擊鍵盤輸入語法；現在，開發的單位變成了「宏觀行動」（Macro Actions）。例如，開發者會同時開啟十幾個專案分支，分別指派不同的 AI Agent 負責獨立的功能模組。Agent A 負責規劃新功能的實作路徑，Agent B 負責查閱最新的 API 文件，Agent C 則負責撰寫測試架構。
在這種模式下，工程師面臨的壓力發生了質變。以往我們等待編譯或等待 GPU 運算，現在我們面對的是「當 Agent 正在執行任務時，我還能給其他 Agent 派發什麼工作？」的焦慮。Karpathy 指出，當前許多 AI 應用的失敗，往往歸咎於「技能問題」（Skill Issue），也就是人類尚未完全掌握如何精準設定系統提示詞（Prompt）、建立有效的記憶庫機制，或是妥善安排 AI 的協作流程。如今，個人的產出極限不再取決於打字速度，完全取決於你能夠同時駕馭多少「Token 吞吐量」。
軟體 UI 的消亡：以「Dobby」為例的 Agent 驅動智慧家庭
為了解釋 Agent 的潛力，Karpathy 分享了他親自打造的家庭自動化 AI 助手「Dobby」。傳統上，為了控制家中的智慧音響、燈光、空調、百葉窗和安全監控，使用者必須在手機裡安裝六到七個不同的 App，並在各種選單中切換。但 Karpathy 只需透過 WhatsApp 向 Dobby 下達自然語言指令。Dobby 會自動在區域網路內掃描 IP 尋找 Sonos 音響，自行上網搜尋 Sonos 的 API 端點並進行逆向工程，最後直接寫出控制程式碼來播放音樂。
更有趣的是，Dobby 整合了影像辨識模型來監控門外攝影機。當發現有變化發生時，Dobby 會主動發送附有圖片的 WhatsApp 訊息告知「聯邦快遞的貨車剛停在門口，您可能有包裹」。
這帶來了一個極具深度的反思：我們真的需要這麼多專屬的應用程式嗎？App 的存在，本質上是因為人類無法直接與機器的 API 溝通，因此需要圖形使用者介面（GUI）作為翻譯層。當 AI Agent 具備了理解人類意圖並直接呼叫 API 的能力，GUI 的存在價值將大幅降低。未來的企業可能只需專注於提供乾淨、穩定、具備權限管控的 API，Agent 將成為黏合所有數位服務的終極介面。
AutoResearch：將人類移出研究迴圈的終極型態
除了個人應用，Karpathy 將這套邏輯延伸到了他最熟悉的 AI 研究領域，催生了「AutoResearch」的概念。
身為一位擁有二十年經驗的資深研究員，Karpathy 過去習慣手動調整機器學習模型的超參數。他原本對自己調校的 NanoGPT 模型充滿信心。然而，當他放手讓 AutoResearch 系統在夜間自動執行優化迴圈後，隔天醒來卻發現，AI 找出了他忽略的權重衰減（Weight Decay）設定，以及更優異的 Adam 優化器參數，達到了更低的驗證損失（Validation Loss）。
這個結果證明了一件事：在具有明確客觀評估標準的領域（如程式執行速度、模型損失函數），人類研究員的「經驗自信」反而成為了進步的瓶頸。
Karpathy 提出了一個極具啟發性的想法：將整個研究機構的運作邏輯寫成一份 program.md（Markdown 格式的系統提示文件）。這份文件定義了研究團隊的風險承受度、嘗試新架構的頻率、甚至是否需要無意義的每日會議。只要有明確的程式碼定義，AI 就能對「研究機構的運作方式」本身自行迭代出產出效率最高的研究流程。
AI 能力的「參差不齊」與未來模型演化
儘管 AI 在特定領域展現出神級表現，但 Karpathy 也毫不諱言當前模型的缺陷。他形容與現在的 AI 互動，就像是在跟一個「擁有系統工程師資歷的極端天才博士生，同時卻又具備十歲小孩心智」的奇怪實體對話。
這種能力的「參差不齊」（Jaggedness），根源於各大實驗室當前的訓練機制。現代大型語言模型嚴重依賴人類反饋強化學習（RLHF）進行微調。如果一項任務可以輕易被驗證（例如：程式碼是否能通過單元測試、數學題的最終答案是否正確），模型就能在這個方向上得到極致的優化，表現出如光速般的進步。
相反地，如果任務缺乏客觀的評估標準，例如要求模型「講一個笑話」，它往往會給出五年來一成不變的罐頭笑話。因為幽默感難以被精準驗證與給予獎勵，所以模型在這些柔軟、充滿人性幽默的維度上，進展極度緩慢。
這也帶出了 Karpathy 對於「模型物種形成」的預測。目前多數大型 AI 公司都在追求一個能夠解決所有問題的單一巨型模型。但就如同自然界中生物為了適應不同環境而演化出特定的器官，未來的 AI 生態系勢必會走向專業分化。我們將會看到保留了核心認知能力、但在特定專業領域極度特化的輕量化模型，這將大幅提升推論的效率與經濟效益。
分散式算力的逆襲：打造 AI 界的算力蜂群
順著 AutoResearch 的脈絡，Karpathy 探討了另一種打破 AI 研究壟斷的可能性。既然訓練與優化模型所需的運算量極大，但「驗證」一個新的模型架構是否有效卻非常便宜，這種不對稱性完美契合了分散式運算的架構。
過去在科學界，有尋找外星智慧或蛋白質折疊等專案，讓全球志願者貢獻個人電腦的閒置算力來解決重大科學難題。如果在 AI 領域引入類似的機制，結合不被信任的外部工作節點（負責大量嘗試錯誤的運算）與可信任的核心節點（負責快速驗證結果），那麼由全球社群組成的「算力蜂群」，甚至有機會在創新速度上超越那些擁有數萬張 GPU 叢集的封閉型頂尖實驗室。
傑文斯悖論下的軟體工程師需求
很多人擔心 AI 寫程式的能力如此強大，軟體工程師是否即將面臨大規模失業？Karpathy 透過勞工統計局的數據與經濟學視角，給出了審慎樂觀的看法。這裡同樣引用經濟學中的「傑文斯悖論」（Jevons Paradox）：當一項技術提升了資源的使用效率，導致價格下降時，反而會激發出巨大的潛在需求，最終增加該資源的總消耗量。
Karpathy 舉了自動櫃員機（ATM）的經典案例。當初 ATM 發明時，人們以為銀行櫃員會大量消失。結果因為開設分行的營運成本大幅下降，銀行開設了更多分行，最終反而聘用了更多的櫃員來處理更高價值的客戶關係與複雜業務。
同理，目前的軟體開發成本依然過於高昂，導致許多潛在的自動化需求未被滿足。當 AI 讓軟體開發成本趨近於零、甚至讓軟體變成一種隨時可修改的「短暫消耗品」時，市場對於數位化的需求將會爆發。在可預見的未來，負責調度 AI 資源、制定宏觀架構的工程需求，將會迎來一段顯著的增長期。
開源與閉源的黃金平衡
在探討產業結構時，Karpathy 表達了對目前開源模型生態的讚賞。目前開源模型的發展進度，大約穩定落後封閉前沿模型（Frontier Models）約六到八個月。
這是一個非常健康的狀態。在作業系統領域，我們有封閉的 Windows 和 macOS，同時也有驅動了全球六成以上伺服器的 Linux。企業與開發者需要一個安全、開放且不受單一公司控制的基礎設施。
如果全球的頂尖智慧完全集中在少數兩三家實驗室的黑箱中，將會帶來極大的系統性風險。歷史經驗一再證明，權力與資源的極度集中往往會引發問題。開源模型的存在，不僅滿足了大量基礎商務應用與終端消費者的需求，更扮演了維持產業權力平衡的重要角色。
機器人的發展瓶頸與「實體與數位」介面商機
隨著純數位領域的創新以極快速度進行，大家自然會把目光轉向實體世界的自動化：機器人技術。
Karpathy 基於過去在自動駕駛領域的豐富經驗指出，操控物理世界的「原子」遠比操控數位世界的「位元」困難一百萬倍。實體世界的變數太多、收集資料的成本太高、且容錯率極低。因此，Embodied AI與通用機器人的發展速度，勢必會落後於數位 AI 的演進。
然而，這中間存在著一個巨大的商業斷層：數位超級大腦需要吸收現實世界的數據，也需要干涉現實世界的能力。未來的熱門商機將會集中在「感測器」（Sensor）與「致動器」（Actuator）的數位化介面。
教育本質的重塑：把知識教給 Agent，讓 Agent 來教人類
最後，AI 的強大能力也正在從根本上重塑知識傳遞的模式。Karpathy 提到他近期開發的微型專案「MicroGPT」。他花了數十年的時間思考，將龐雜的大型語言模型訓練架構，精簡到只剩下 200 行包含神經網路架構、優化器與訓練迴圈的 Python 程式碼。
如果在過去，他會親自錄製教學影片，一步一步向學生解釋這些程式碼的運作原理。但他現在意識到，這種做法已經過時了。
這 200 行極度精煉的程式碼，是人類在領域知識上的結晶。而一旦這些程式碼被建立出來，現今的 AI Agent 完全有能力看懂它。因此，教育者的工作不再是親自教導人類，而是撰寫一份「教學技能指令」（Skill），告訴 AI：「如果你要向一位初學者解釋這段程式碼，你應該先介紹這幾個概念，再切入核心，並隨時透過提問確認他的理解程度。」
只要 AI 搞懂了，它就能以無限的耐心、針對每個學習者的背景與理解速度，將複雜的知識以一百種不同的方式進行客製化講解。這意味著傳統的技術文件、靜態教學影片可能將被淘汰，未來的教材將是一份專門寫給 Agent 閱讀的 Markdown 文件。
TN科技筆記的觀點
Karpathy 在討論分散式 AutoResearch 時提到了一個深具哲理的觀點。過去，我們透過捐獻金錢來支持癌症研究機構；未來，當研究過程高度自動化後，你擁有的 GPU 運算能力（Flops）將成為最直接的貢獻力。這種「算力資本化」的趨勢，正在改變資源分配的邏輯。當解決問題的關鍵不再是人力編制，而是演算法與算力時，掌握算力就等於掌握了創新的話語權。
Karpathy 也坦言，離開頂尖實驗室後，個人的技術判斷力不可避免地會開始衰退，因為無法接觸到最底層的模型權重變化與未來路線圖。當 AutoResearch 這樣的系統成為常態，研究員將逐漸依賴 AI 提供的最優解，而失去在反覆試錯中培養出的「直覺」。一旦我們不知道 AI 是「如何」得到這組完美的超參數時，人類將失去除錯與跳脫局部最佳解的底層能力。當科技發展過度依賴少數無法解釋的黑箱系統，整個產業的脆弱性將大幅上升。
支持TN科技筆記，與科技共同前行
我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～～～也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！>>>>> 請我喝一杯咖啡
在此也感謝每個月持續請我喝杯咖啡的讀者以及新加入的讀者們，讓我更加有動力為各位帶來科技新知！
以下是我的 threads 也歡迎追蹤、回覆、轉發喔！
>>>>> TN科技筆記(TechNotes)
