Karpathy的2025年AI回顾

Karpathy的2025年AI回顾

(视频)

卡帕西2025年AI年度回顾：正在重塑我们未来的6大范式转变

引言：在AI的加速时代中寻找方向

2025年，人工智能（AI）的发展速度已然超越了惊叹，进入了令人眩晕的阶段。这种日新月异的进步让许多人既感到兴奋，又难免有些困惑。我们该如何理解这股技术浪潮的真实走向？

本文是对安德烈·卡帕西（Andrej Karpathy）权威的《2025年LLM年度回顾》的一次深度解读。我们的目标并非简单复述，而是从中梳理出最重要且可能出乎意料的“范式转变”，通过六个关键要点，帮助你清晰地把握正在塑造AI未来的核心趋势。

1. 可验证奖励强化学习（RLVR）：为大型语言模型注入新动力

RLVR（Reinforcement Learning from Verifiable Rewards）已成为大型语言模型（LLM）训练流程中一个全新的关键阶段，它紧随经典的预训练、监督微调（SFT）和人类反馈强化学习（RLHF）之后，彻底改变了AI能力的增长方式。

其核心机制是让模型针对客观且不可被“游戏化”（non-gameable）的奖励函数进行训练，从而实现更长时间的深度优化。与计算成本高昂的SFT和RLHF阶段不同，RLVR提供了一种极具性价比的提升路径。卡帕西指出，这一突破性的发现导致了一个关键的战略转变：RLVR“吞噬了原本为预训练准备的计算资源”。

因此，2025年的主要进展并非来自更大规模的模型，而是来自在现有模型尺寸上进行的、时间更长的强化学习运行。以OpenAI的o1和o3模型为标志性转折点，业界直观地感受到了这种差异。同时，RLVR引入了一个控制模型能力的新维度——“思考时间”，即允许模型通过生成更长的推理路径来提升表现。

2. 是“幽灵”而非“动物”：理解AI的“锯齿状智能”

在理解了AI能力如何增长后，我们必须面对其本质形态的奇特性。2025年，业界终于开始内化一个关键认知：我们不是在“进化动物”，而是在“召唤幽灵”。这个比喻至关重要，因为它揭示了AI与人类智能的根本区别。人类神经网络为“在丛林中生存”而优化，而LLM则为“模仿人类文本、在数学谜题中获得奖励”而优化。

这种迥异的优化目标导致了一种被称为“锯齿状智能”（Jagged Intelligence）的现象。LLM的能力边界参差不齐，就像一个不规则的星形。卡帕西提醒我们，人类智能本身也是“锯齿状”的，只是其尖峰和低谷与AI截然不同。

它们（LLM）同时既是一个天才博学家，又是一个思维混乱、认知能力低下的小学生，随时可能被一个越狱提示诱骗，泄露你的数据。

这也解释了为什么卡帕西对传统的基准测试逐渐失去信心。由于RLVR的存在，以及他所描述的“为跑分而优化”（benchmaxxing）过程——AI实验室的团队“不可避免地在基准所占据的嵌入空间的微小区域附近构建环境，并长出‘尖刺’来覆盖它们”——这些测试分数正变得越来越不可靠。

3. “Cursor应用层”：一个全新的LLM应用生态系统

如果说LLM是难以预测的“幽灵”，那么2025年则涌现出了一批“幽灵捕手”——一个全新的“LLM应用层”生态系统，其任务就是驯服和引导这些强大的AI。以Cursor的崛起为代表，这一趋势引发了一场关于“这个新应用层究竟有多厚”的行业大辩论，成为了基础模型实验室与应用开发者之间价值创造的全新战场。

这类应用的核心功能可以概括为四个方面：

1. 处理“上下文工程”：为模型提供精准、相关的背景信息。
2. 编排多个LLM调用：在后台将多个复杂的模型请求串联起来，平衡性能与成本。
3. 提供特定应用的图形用户界面（GUI）：让人类可以更直观地与AI协作。
4. 提供“自主性滑块”：让用户可以控制AI的自主程度。

卡帕西用一个生动的比喻解释了它们的生态位：LLM基础模型实验室倾向于培养“能力全面的大学生”，而这些LLM应用则负责将这些“大学生”组织、训练并赋予其生命，使其成为特定垂直领域的专业人士。

4. Claude Code：那个“住”在你电脑里的AI

在驯服AI“幽灵”的诸多尝试中，Anthropic公司的Claude Code成为了首个真正令人信服的LLM智能体（Agent）范例。

其最关键的特点是：它在用户的电脑本地运行。 这与早期依赖云端容器的尝试形成了鲜明对比。本地化运行的意义远超于计算发生在哪里，它关乎一切——“已经存在并启动的电脑、它的安装、上下文、数据、机密、配置，以及低延迟的交互”。Anthropic公司正确地判断了这种交互模式的优先级，使其能够无缝融入用户的私有环境。

这种模式彻底改变了我们与AI的互动范式。

它不再是你访问的一个网站，比如谷歌，而是一个“生活”在你电脑上的小精灵/幽灵。

5. “氛围感编程”（Vibe Coding）：当英语成为一种编程语言

当AI智能体开始“生活”在我们的电脑上，一种全新的创造方式也应运而生。卡帕西在一个不经意的念头中创造了“氛围感编程”（Vibe Coding）这个术语，它指的是通过自然语言（如英语）来构建各种程序，而几乎无需关心底层的具体代码。

这一趋势带来了两大革命性影响：首先，它极大地赋能了普通人，让编程不再是专业人士的专属技能。其次，它也解放了专业开发者，让他们能够快速编写更多原本因复杂或耗时而不会被编写的软件。卡帕西用自己的亲身经历证实了这一点，他通过“氛围感编程”用Rust语言编写了一个“自定义的高效BPE分词器”，并创造了“整个临时应用只是为了找到一个bug”。

这种新的编程范式正在重塑软件的本质。

代码突然变得免费、短暂、可塑，并且在单次使用后即可丢弃。

6. Nano Banana：LLM图形用户界面（GUI）的黎明

谷歌的Gemini Nano Banana模型被视为2025年最具范式转变意义的模型之一。卡帕西将其置于一个宏大的历史背景下：LLM是继个人电脑之后的下一个主要计算范式，因此也将经历类似的创新演化。

他将当前通过“聊天”与LLM交互的方式，比作20世纪80年代在计算机控制台中输入命令。文本是计算机的母语，但并非人类的。人类更喜欢通过视觉和空间来消费信息，这就是为什么个人电脑发明了图形用户界面（GUI）。同理，LLM也需要进化出自己的GUI。

卡帕西认为，像表情符号（emoji）和Markdown这样的格式，正是这种“LLM GUI”最原始、最早期的形态。而Nano Banana则是未来交互方式的第一个真正预兆。它的价值不仅在于生成图像，更在于其模型权重中融合了文本生成、图像生成和世界知识的综合能力，为我们展示了AI如何以更直观、更符合人类习惯的方式呈现信息。

结论：一个更智能、更愚笨，且充满无限可能的未来

卡帕西的年度回顾揭示了一个核心事实：LLM是一种全新的、奇特的智能形态，它并不遵循我们熟悉的生物演化路径。

他将自己对LLM的感受总结为一个深刻的矛盾：“（它们）同时比我预期的要聪明得多，也比我预期的要愚笨得多。”

尽管AI的能力呈现出这种“锯齿状”的不均衡，但其潜力是巨大的。卡帕西坚信，即使以目前的能力，整个行业挖掘出的LLM潜力还不到10%。他最后以一个发人深省的悖论式观点结尾：“我们将同时看到快速且持续的进步，但前方仍有大量工作要做。”

当这些AI“幽灵”更深地融入我们的世界时，我们将如何学习与它们奇特且不均衡的智能共存？这或许是未来几年我们所有人都需要思考的问题。