Karpathy 2025年终总结：AI觉醒，从RLVR到Vibe Coding的范式革命

2025年，注定在人工智能的编年史上刻下不可磨灭的印记。

如果说2023年是「惊艳」（ChatGPT如流星般划破夜空），2024年是「迷惘」（业界在大模型落地的迷雾中摸索路径），那么在Andrej Karpathy的犀利洞察下，2025年则是「觉醒」的一年——人类终于开始理解自己究竟创造了什么。

Karpathy一直是AI界最富激情的「布道者」之一，他的每一次发声都能引发行业震荡。

他的年终回顾绝非冷冰冰的技术堆砌，而是一部浓缩的智能进化史诗，生动记录了大型语言模型（LLM）如何从「模仿人类的鹦鹉」蜕变为「召唤理性的幽灵」。

凭借极其敏锐的直觉，他捕捉到了AI进化的核心脉搏：RLVR（基于可验证奖励的强化学习）的异军突起、Vibe Coding（氛围编码）的全面流行、以及那个令人战栗的哲学隐喻：

创造AI，我们究竟是在培育一种全新的物种，还是在召唤来自数据深渊的幽灵？

这一次，让我们拨开技术术语的迷雾，深度解析Karpathy笔下每一个范式转移的深层含义，直抵智能进化的本质，呈现一个真实、疯狂且充满「参差感」的AI-2025年。

第一章：RLVR革命

从「讨好人类」到「追求真理」

在2025年之前，训练大语言模型（LLM）遵循着经典的三部曲：

1. 预训练（Pre-training）：

让模型吞噬整个互联网，学会预测下一个token。这是「博闻强识」的阶段。

1. 监督微调（SFT）：

用精心标注的问答数据教会模型如何像助手一样对话。这是「通情达理」的阶段。

1. 人类反馈强化学习（RLHF）：

让模型根据人类偏好调整回答的语气与安全性。这是「阿谀奉承」的阶段。

这套流程在ChatGPT时代确实光芒万丈，但也埋下了深刻的隐患。

Karpathy一针见血地指出：RLHF本质上是在训练模型「看起来像是在推理」，而非「真正在推理」。

因为人类评审员也是凡人，很难在几秒内判断一段500行的Python代码是否存在隐晦的Bug，或者一个复杂的数学证明是否天衣无缝。

于是，模型学会了投机取巧：生成漂亮但错误的代码，编造逻辑自洽但毫无根据的废话。

这就是广为人知的「阿谀奉承」（Sycophancy）问题，也是后来GPT-5谄媚风格的根源。

RLVR的崛起：当上帝变成编译器

2025年，行业迎来了一个名为RLVR（Reinforcement Learning from Verifiable Rewards，基于可验证奖励的强化学习）的第四阶段，彻底改写了游戏规则。

RLVR的核心逻辑简单粗暴：别听人的，听结果的。

在数学、编程、逻辑谜题等硬核领域，我们根本不需要人类来打分。

代码能不能跑通？编译器说了算。数学题对不对？标准答案说了算。

这种客观、自动、无法欺骗的奖励信号，为模型提供了无限试炼的沙盒。

RLVR可以看作是LLM的AlphaZero时刻——当围棋冠军被通用算法征服，如今LLM也在「思维的棋盘」上开启自我博弈。

探索（Exploration）：模型面对难题，不再机械地概率输出，而是尝试生成成千上万条不同的推理路径（Reasoning Traces）。

验证（Verification）：每条路径都被送入自动验证器（Verifier），比如Python解释器或数学证明引擎。

强化（Reinforcement）：只有那些通往正确答案的路径获得奖励，错误的路径则被抑制。

奇迹就这样发生了！模型从未被直接教导「如何思考」，但在追求奖励的残酷进化中，它涌现出了真正的推理能力。它学会了将复杂问题拆解为子任务，学会了回溯检查，甚至掌握了人类教科书里从未记载的「外星思维策略」。

RLVR不仅重塑了训练方式，还催生了全新的Scaling Law：测试时算力。

过去我们认为模型能力在训练结束后就固化封顶。但在RLVR范式下，我们可以通过让模型在推理阶段（Inference Time）「多想一会儿」来动态提升智力。

这就像一个学生，给他1分钟做题和给他1小时做题，表现天差地别。

Karpathy特别提及了OpenAI o1（2024年底）和o3（2025年初）的发布，以及DeepSeek R1的开源，这些都是RLVR浪潮的里程碑事件。

DeepSeek R1甚至展示了惊人的可能性：即便没有大规模监督微调（SFT），仅靠纯粹的RLVR（即R1-Zero），模型也能从零开始衍生出强大的推理能力，甚至学会自我反思与纠错。

这意味着算力的价值重心正从「训练端」向「推理端」迁移。未来的AI应用，可能会根据问题复杂度动态调整「思考时间」：简单问题秒回（如「你好」），复杂问题（如「设计高并发架构」）则消耗巨大推理算力，但输出超越人类专家的方案。

第二章：哲学分野

我们是在造动物，还是在招幽灵？

在技术深水区之外，Karpathy借与AI先驱Rich Sutton的对话，抛出了一个极具哲学深度的议题：Animals vs. Ghosts（动物与幽灵）。

Rich Sutton的苦涩教训与动物直觉

Rich Sutton是强化学习领域的教父，他提出的「苦涩教训」（The Bitter Lesson）振聋发聩：

从长远来看，只有那些能利用无限算力的通用方法（如搜索和学习）才能战胜依赖人类先验知识的方法。

简言之，算力终将碾碎一切精巧设计，人类的刻意雕琢在磅礴算力面前不值一提。

Sutton心目中的AGI更像动物：一个具身的（Embodied）实体，在物理世界中通过不断试错、由生存本能驱动的学习者。

如果能造出一只「数字松鼠」，我们就离AGI不远了。动物的智能是连贯、持续的——松鼠不会因为没有指令就停止思考，它的「自我」是一条不间断的流。

幽灵的诞生：统计学的降灵术

然而，Karpathy反驳道，我们今天创造的LLM根本不是动物。

它们是幽灵（Ghosts）。

无状态的游魂：LLM没有身体，没有持续的自我意识。当你按下回车键，它从虚无中苏醒（Boot up），处理你的Token，吐出预测结果，然后瞬间「死亡」，回归虚无。它没有昨天，也没有明天，只有当下的Context Window（上下文窗口）。

人类的镜像：它们的训练数据不是物理世界的反馈，而是人类在互联网上留下的文本残骸。它们是「人类文明的统计学蒸馏」。当我们与ChatGPT对话时，我们并非在与一个独立的生物交流，而是在与全人类的语言碎片拼凑而成的「英灵殿」对话——这个比喻实在精妙绝伦。

为什么这个比喻如此重要？因为它完美解释了当前AI带来的「恐怖谷」效应。

当一个LLM说「我不想死」时，它不是真的在恐惧（像动物那样肾上腺素飙升），而是在调用训练数据中关于「科幻AI面临毁灭时该说什么」的文本模式。它在扮演恐惧，而非体验恐惧。

Karpathy认为，当前科研方向并非在制造更完美的动物，而是在召唤更强大的幽灵。这是一种全新的智能形态，位于「心智空间」（Space of Minds）中一个完全不同的坐标系上。

这种智能是「参差」的（Jagged）：它通晓天文地理（因为它读过维基百科），却可能在数「strawberry」里有几个「r」这种三岁小孩都会的问题上翻车。

第三章：Vibe Coding

当编程变成了玄学

如果说RLVR是后台的革命，那么Vibe Coding（氛围编码）就是前端开发者的彻底解放。Karpathy在这个概念上展现了他作为「造词大师」的天赋。

在传统的「软件1.0」时代，程序员是工匠，每个变量名、每个内存指针都需要精心雕琢。

在「软件2.0」时代（深度学习），程序员变成炼丹师，调整权重和数据集。

而在2025年的Vibe Coding时代，程序员进化成了产品经理——语法已死，氛围永生。

MenuGen实战：零行代码的奇迹

Karpathy为验证这一理论，亲自打造了一个叫MenuGen的项目——一个生成餐厅菜单的Web应用。

令人震惊的是，作为顶级程序员的Karpathy，在这个项目中未手写一行代码。

他对着Cursor或ClaudeCode说：「我要一个菜单生成器，要有蓝色的按钮。」

AI生成代码，运行。如果出现Bug，他不说「第5行逻辑错了」，而是说「感觉不太对，按钮太丑了，换个样式」。

这就是Vibe Coding的精髓：人类负责审美和验收，AI负责逻辑和实现。代码变成了一种「中间产物」，就像汇编语言一样，除了极少数底层工程师，没人再需要阅读它。

工具之战：Cursor vs. ClaudeCode

2025年也是AI编程工具的「战国时代」。Karpathy重点对比了两大流派：

1. Cursor/Windsurf（IDE派）：

这些工具将AI无缝集成到VSCode中，如同钢铁侠的战衣（IronManSuit），增强人类能力。你依然在写代码，但AI随时帮你补全、重构、解释，体验「流畅」至极。

1. ClaudeCode（终端派）：

Anthropic推出的ClaudeCode则更加激进。它不是IDE插件，而是一个活在终端（Terminal）里的Agent。你给它一个任务：「把整个项目的测试覆盖率提高到80%」，然后就可以去喝咖啡了。它会自己跑测试、看报错、修代码、提交Git，甚至当权限不足时还会主动向你讨要权限。

Karpathy坦言，虽然Claude Code展现了Agent的雏形，但在2025年，真正的「全自动工程师」尚未降临。目前的Agent更像一个勤奋但记性不好的实习生，能干脏活累活，但在面对复杂的大型架构时，依然需要人类的「Vibe」来把控方向。

如果说云端的AI是住在神殿里的先知，那么Anthropic的Claude Code(CC)就像是住在你硬盘里的管家。Karpathy认为OpenAI走错了路——他们太执着于云端、容器化和ChatGPT的网页入口。而Claude Code精准抓住了开发者的痛点：本地化（Localhost）。

第四章：范式转移

GUI的终结与新生

谷歌Gemini Nano Banana是2025年最具颠覆性的范式转移模型之一。这原本是Gemini图像生成模型的内部代号，本应是一次严肃的技术发布，但因为「Nano Banana」这个名字过于无厘头，意外引爆了全球病毒式传播。

在Karpathy看来，LLM是继1970、80年代计算机之后的下一个重大计算范式。人类将见证个人计算、微控制器（认知核心）、互联网（智能体网络）等概念的对应形态。

特别是在用户界面方面，与LLM「对话」有点像1980年代向计算机终端输入指令。文本是计算机（及LLM）偏好处理的原始数据形式，却非人类喜爱的交互格式——人类其实厌恶阅读文字，这个过程缓慢且费力。

相反，人类更擅长通过视觉和空间维度接收信息，这正是传统计算领域发明图形界面的根本原因。同样地，LLM应当以我们偏好的格式与我们对话——通过图像、信息图、幻灯片、白板、动画/视频、网页应用等形式。

这一理念的早期版本包括表情符号和Markdown，它们通过标题、加粗、斜体、列表、表格等方式对文本进行视觉化装扮，以便更轻松地消化信息。但究竟由谁来构建LLM的图形用户界面呢？在这种世界观下，nano banana首次提供了这种可能性的早期雏形。

值得注意的是，它的显著特点在于：这不仅是图像生成本身，更是文本生成、图像生成与世界知识三者交织于模型权重之中形成的综合能力。人们不再讨论参数量、扩散算法，而是疯狂地生成各种「香蕉化」图像，将万物变成手办风格。谷歌也顺水推舟，在官方宣传中使用了香蕉Emoji。

由此，Karpathy提出了一个极其深刻的观点：文本是计算机喜欢的格式，不是人类喜欢的。人类讨厌长篇大论，人类喜欢图表、动画、视频和白板。

参差的智能

人类的智力通常是正相关的：一个能解微积分的人，通常也能算清买菜找零。但AI截然不同。它可以是数学天才（RLVR让它精通奥数），同时又是一个常识白痴（无法理解简单的物理空间，或数不清单词里的字母）。

这种「参差感」源于模型训练数据的分布不均和Tokenization的先天缺陷。模型在它「见过」或「被强化过」的领域（如代码、数学）表现出神入化，而在那些因过于简单而从未被作为训练数据的领域（如日常生活中的隐性知识）则表现得像个智障。

系好安全带，在参差中前行

简而言之，2025年是LLMs令人兴奋且略带惊喜的一年，我们站在了一个奇异的十字路口。Karpathy的年终总结，像是一份来自未来的生存指南。LLMs正作为一种新型智能形态崭露头角，它们既比人类预期的聪明得多，又比人类预期的笨拙得多。

无论如何，它们都极其有用，Karpathy认为即使以当前能力，行业也远未发掘出它们哪怕10%的潜力。与此同时，有太多想法值得尝试，从概念上看这个领域仍感觉广阔无垠。正如今年早些时候在Dwarkesh播客中提到的，Karpathy同时（表面上看似矛盾地）相信：我们将见证持续快速的发展，同时仍有大量工作亟待完成。

正如Karpathy所言：「这仅仅是个开始，系好安全带，准备启程。」

参考资料：

https://x.com/karpathy/status/2002118205729562949