——— 第一章：谁是卡帕蒂？先给兄弟们上个Buff ———
安德烈·卡帕蒂。他1986年出生于斯洛伐克，少年时期移民加拿大，在多伦多大学拿下计算机科学学士，随后直通斯坦福大学攻读博士，师从李飞飞教授，专攻计算机视觉和深度学习。
毕业后，他先是加入谷歌大脑，后来被马斯克亲自点名挖到特斯拉，主导Autopilot自动驾驶系统的AI架构设计，是特斯拉早期感知系统的核心奠基人之一。
再后来，他作为联合创始人加入OpenAI，参与了GPT系列模型初期的技术路线设计。虽然他已离开OpenAI多年，但业内始终把他当成AI工程化落地的第一线实践者。
去年，他一个人闭关一个多月，手写了一个极简大模型训练框架nanochat，代码干净得能当教科书，GitHub星标一路狂飙，全球高校争相引入。
就这样一位神仙级的人物，最近却在多个播客和推特上狂喷大模型写代码能力，说它们在原创逻辑面前根本就是“认知残废”。这句话一出，直接把AI圈搅得天翻地覆。今天咱们就把他原话一砖一瓦拆开，看看顶流到底看到了什么我们普通人看不到的陷阱。
——— 第二章：三个月手写nanochat，卡帕蒂到底在憋什么大招 ———
卡帕蒂做nanochat的初衷，不是为了炫技，而是为了“让大模型训练过程变得可读、可学、可改”。
现在的开源框架，比如Hugging Face Transformers、Megatron-LM，动辄几十万行代码，嵌套无数抽象层，新人一打开就懵，根本不知道梯度是怎么传的、数据是怎么分的、显存是怎么省的。
卡帕蒂反其道而行之：
他不用PyTorch官方的DDP（分布式数据并行），而是自己在优化器的step函数里插入一行all_reduce，直接完成多卡梯度同步；
他不用封装好的Trainer，而是从零搭建数据加载、前向传播、反向传播、参数更新的完整流水线；
他甚至把RoPE位置编码、分词器、训练循环全塞进一个不到500行的脚本里。
整个项目没有注释、没有文档、没有花里胡哨的配置文件，但每一行都精准得像手术刀。
他说：“我不是在写一个能跑的产品，我在写一个能让学生一眼看懂‘大模型是怎么活过来的’的解剖图。”
这种极简主义背后，是对工程本质的极致追求。也正因为如此，当大模型试图帮他“优化”这段代码时，才暴露出它们根本看不懂“裸奔式”的原创逻辑。
——— 第三章：三流派程序员画像，你在哪一档？———
卡帕蒂把当下用AI写代码的人，清晰分成三类。
第一类是“原始人派”：坚决不用Copilot、CodeWhisperer这类工具，认为代码必须亲手敲，仿佛键盘上沾着祖辈的代码魂。卡帕蒂坦言自己尊重这种精神，但他直言：“2025年了，还拒绝任何辅助，等于主动放弃20%的生产力，没必要。”
第二类是“半自动派”，也就是卡帕蒂自己所属的群体：主干逻辑、核心算法、架构设计全部自己手写，但允许AI在细节层面打辅助。比如他敲个“for i in range(len(tokens)):”，模型立刻补上后续的token处理逻辑，他快速扫一眼，对就保留，错就删掉重写。这种模式下，AI是副驾驶，人始终握着方向盘。
第三类是“氛围编码派”（vibe coding）：用户只描述意图，比如“帮我写个用户登录API”，然后模型哗啦输出一整屏Flask代码，用户不看细节，直接跑起来，通了就发上线，不通就再问一次。
卡帕蒂说，氛围派在高度样板化的任务中确实高效，但一旦任务超出训练语料覆盖范围——比如需要自定义同步机制、冷门硬件适配、非标准数据结构——模型立马抓瞎，甚至会用“看似合理但完全错误”的方式强行补全，埋下巨大隐患。他警告：“如果你连代码逻辑都看不懂，就敢上线AI生成的系统，那不是高效，是赌博。”
——— 第四章：DDP梗——大模型为何死活绕不过那个“官方容器”———
卡帕蒂举了一个极具代表性的例子：他自己的nanochat代码中，完全没有使用PyTorch推荐的DistributedDataParallel（DDP）。
DDP是一个封装好的分布式训练容器，能自动处理梯度同步、进程通信、设备映射，对新手极其友好。
但卡帕蒂认为DDP太重、太黑箱，不利于教学。
所以他手动在优化器的step里调用torch.distributed.all_reduce，一行代码搞定梯度聚合。
结果呢？
当他把这段代码喂给GPT-4或Claude，模型立刻“焦虑发作”，反复建议：“你应该用DDP，这样更安全”“DDP能自动处理异常”“你这样写容易出错”。
哪怕卡帕蒂明确说明“这是教学目的，故意不用封装”，模型依然固执地往代码里塞DDP、加try-catch、加backend检查，甚至把原本10行的逻辑扩成30行。
卡帕蒂吐槽：“它们被互联网上的‘最佳实践’洗脑太深，把‘常见’等同于‘正确’，根本无法理解‘有意简化’这种工程哲学。”这本质上不是代码问题，而是认知偏差——模型只能模仿统计高频模式，无法理解“为了教学而牺牲工程完备性”的人类意图。
——— 第五章：认知残废四大表现，条条戳心 ———
基于大量实测，卡帕蒂总结出大模型在面对原创代码时的四大“认知残废”症状。
第一是“样板依赖症”：模型对训练语料中高频出现的代码结构形成路径依赖，哪怕用户故意省略某部分，它也会强行补全，仿佛缺了那一行世界就要崩塌。
第二是“防御过动症”：疯狂添加try-catch、日志打印、参数校验，把简洁的教学代码硬生生变成冗余的生产模板，仿佛不写防御代码就会被裁员。
第三是“风格洁癖症”：看到紧凑代码就焦虑，非要拆成多个模块、引入抽象类、套用设计模式，结果十行能解决的问题变成五个文件三十个函数。
第四是“过期API依赖”：张口就是deprecated函数，理由往往是“StackOverflow上高赞回答这么写”，完全无视PyTorch或TensorFlow官方文档的更新。
卡帕蒂苦笑：“这不是AI在帮你写代码，这是AI在按它的‘教科书’重构你的思想。”这种现象在直播间的程序员老铁中引发强烈共鸣——谁没被Copilot强行塞过没用的日志和多余的if判断？
——— 第六章：氛围编码唯一真香场景——样板与跨语言 ———
尽管狂喷，卡帕蒂并非全盘否定AI写代码。
他明确指出，氛围编码在两类场景中确实“真香”。
第一是高度标准化的样板任务：比如写RESTful API、Vue组件、Dockerfile、CI/CD脚本、数据库迁移文件。这些任务在GitHub、StackOverflow上有海量示例，模型已充分学习其模式，生成结果几乎零错误。此时让AI代劳，能省下大量机械劳动时间，去做更有创造性的事。
第二是跨语言迁移：卡帕蒂亲测，当他把一个Python版的tokenizer逻辑，借助模型辅助改写成Rust时，效率惊人。他本人对Rust只算“七天入门”水平，但有了Python参考代码和单元测试用例，模型能准确处理所有权、生命周期、错误类型等Rust特有概念。一旦测试失败，他立刻知道哪一行有问题，修改也快。
他说：“AI在这里不是替代者，而是语言翻译器+语法教练，让你敢踏进陌生语言的深水区。”这种“有参照+有验证”的模式，是安全使用AI编码的最佳实践。
——— 第七章：自动驾驶AI研究的“自我加速”神话，被泼一盆冷水 ———
最近科技主播圈流行一种说法：“既然AI能写全栈App，那让AI自己优化自己，AGI明天就来了。”卡帕蒂直接泼冷水：“这是对科研本质的误解。”
他指出，AI科研的核心不是“拼接已有模块”，而是“发明从未存在过的结构”。
比如Transformer问世前，没人见过自注意力机制；
ResNet提出前，没人敢把网络堆到上百层。
而大模型的训练语料全是“过去已存在”的代码，它无法凭空想象“下一个ResNet”。
如果让模型去优化现有架构，它只会微调超参、替换激活函数、调整层数——这些都是量变，不是质变。
真正的质变需要人类提出“疯狂但可行”的新假设”。
卡帕蒂因此断言：所谓“AI自我加速”的飞轮，在“原创性”这一环彻底卡死。他把AGI的时间表直接往后推：“别说明年，五年内能摸到‘具备真正科研原创能力’的门槛，就算奇迹。”
——— 第八章：GPT-5 Pro也不行——顶流程序员的“20分钟 oracle”仪式 ———
有人追问：那最新最强的GPT-5 Pro总该行了吧？卡帕蒂承认，他确实养成了一个“20分钟 oracle”习惯：把整个代码仓库复制粘贴进GPT-5 Pro的上下文，当作即时答疑助手。
相比GPT-4，新版确实在理解上下文、定位bug、解释异常方面有显著提升。
但关键区别在于：它是“问答系统”，不是“编程伙伴”。一旦让它实际修改代码，立刻回归老毛病——塞DDP、用过期API、加冗余防御。
卡帕蒂算过一笔账：让模型改十行核心逻辑，他平均要花15分钟清理它引入的“善意垃圾”，比自己重写还累。
因此他的结论是：当前最强模型也只能当“高级StackOverflow”——能回答“为什么报错”，但不能可靠地“写出正确代码”。真正的战友，是在你思路卡壳时能指出方向的人，而不是只会复述教科书的复读机。
——— 第九章：行业集体装睡？融资狂欢下的“皇帝新衣” ———
卡帕蒂最愤怒的，不是模型能力有限，而是整个行业在“装睡”。
他说：“太多初创公司和投资人合谋，把‘AI能写代码’吹成‘AI能独立科研’，只为多拿一轮融资。”
他们对外宣称“我们的AI工程师已能自主迭代模型架构”，实则后台全是人类在改。
这种过度营销不仅误导公众，更危险的是让大量新人误以为“不用学算法、不用读论文、不用理解底层”，只要会调prompt就行。
卡帕蒂警告：“这正在透支整个行业的未来。当泡沫破裂，人们发现AI连一个原创的优化器都写不出来时，信任崩塌会比想象中更快。”他呼吁回归理性：“承认短板不可耻，用‘slop’（指粗糙但可用的AI生成代码）冒充‘silver bullet’（银弹）才真危险。”
真正的技术进步，从来靠的是扎实的基础研究，不是PPT上的曲线图。
——— 第十章：写给抖音主播们的“人机协作”行动清单 ———
听完顶流吐槽，普通开发者该怎么做？
卡帕蒂虽未明说，但他的实践已给出答案。我替大家提炼出七条行动清单：
第一，死磕基础。Transformer、Attention、Backprop，这些核心机制必须亲手实现一遍，不能依赖“AI秒懂”；
第二，Copilot可开，但自动补全必须逐行审核，当成加速器，不是替代品；
第三，样板任务大胆交给AI，比如写表单、配环境、整文档，省下的时间去健身、约会、直播；
第四，跨语言、写脚本、生成测试用例等非核心任务，放心用AI，翻车成本低；
第五，创新模块必须人脑主导：先手绘架构图，手敲核心逻辑，跑通后再让AI补测试或文档；
第六，用模型读论文摘要可以，但公式、算法细节必须回原文核对，别信它的“口胡”；
第七，投资大脑比投资显卡更重要——AGI真来的那天，最值钱的不是你会调模型，而是你能提出“下一个Transformer”级别的问题。
——— 尾声：卡帕蒂的“autocomplete 甜蜜点”哲学 ———
在播客结尾，卡帕蒂描绘了他理想中的人机协作状态：“当我把手指放在键盘上，我知道我要写什么，也知道它长什么样，敲下前几个字母，AI像影子一样补完后面——那一刻，效率爆炸，心流涌现。”
他预言，未来五年，程序员的角色将从“代码工人”进化为“代码策展人”：创意、边界、异常处理、架构权衡，这些高维决策永远属于人类；而语法纠错、样板拼接、文档生成、单元测试，这些机械劳动交给模型。谁先掌握这种“策展”节奏，谁就能在AI时代持续领跑。
兄弟们，别做纯手敲的苦力，也别当无脑信任的氛围组，要做那个“AI替我搬砖，我替AI想破头”的硬核玩家。把“策展人”三个字打在公屏上，咱们一起升级！
——— 彩蛋：nanochat仓库地址 & 卡帕蒂推特金句 ———
nanochat项目已在GitHub开源，搜索“karpathy/nanochat”即可找到，目前星标已破两万，issues区全是“求带”“大神收徒”。卡帕蒂最新推文写道：“Your autocomplete is my spirit animal.”（你的自动补全，就是我的灵魂伴侣）。翻译成东北话就是：“咱哥俩老铁，你补我刀，我带你飞。”关注我，带你继续拆解硅谷神仙打架，下课！