文章摘要：昨天，AI 圈炸了。Andrej Karpathy——OpenAI 联创、前 Tesla AI 总监、nanoGPT 作者——宣布正式加入 Anthropic，加入预训练团队，用 Claude 加速 Claude 自身的训练研究。本文回顾他从斯洛伐克移民到重塑 AI 世界的完整历程，并详细梳理他所有的开源项目。

2026年5月19日，昨天。

如果你在 AI 圈子混，昨天的朋友圈和 X 应该被同一条消息刷屏了——Andrej Karpathy 宣布加入 Anthropic。

我盯着这条推文看了很久。

不是因为意外，而是因为这件事太有意味。一个曾经公开批评当今 AI agents 是"slop"（垃圾）的人，加入了一家封闭模型实验室，去做什么？用 Claude 来训练下一代 Claude。

他在推文里写道：

"I've joined Anthropic. I think the next few years at the frontier of LLMs will be especially formative. I am very excited to join the team here and get back to R&D. I remain deeply passionate about education and plan to resume my work on it in time."

短短几句话，但信息量极大。

"get back to R&D"——他在回归。这几年他创业、做教育、写博客，而现在，他选择重新扎进前沿研究的泥沼。

"the next few years will be especially formative"——他认为接下来几年是决定性窗口期。这和他之前一贯的"悲观"论调形成了某种对比：他曾说 AGI 至少还需10年，但他依然选择在这个窗口期全力投入。

Anthropic 官方随即确认：Karpathy 本周已经正式上班，加入预训练团队（pretraining team），归属 Nick Joseph 带领的组，职责是组建一支新团队——专注于用 Claude 加速 Claude 自身的预训练研究。

这是一个递归的任务：用 AI 来改进产出这个 AI 的过程本身。

---

社区怎么看？

消息一出，CNBC、Reuters、Yahoo Finance 等主流媒体迅速跟进，Hacker News 的讨论帖子评论爆满，观点分裂得很有意思。

有人说这是 Anthropic 的重大胜利："Karpathy 嵌入一个组织里能做的事，远比他一个人搞小项目发推特要厉害得多。"

也有人更冷眼旁观："他平均在每个地方待不到两年，这不过是 IPO 前的 celebrity hire，等市值打出来他又会走的。"

还有人指出一个有趣的张力：Karpathy 曾是开源社区最重要的布道者，他的项目让无数没有大算力的个人开发者第一次摸到了 LLM 训练的边界。而 Anthropic 是个闭源实验室，他接下来做的预训练研究，不会有任何公开的代码或论文。

他在推文最后说："I remain deeply passionate about education and plan to resume my work on it in time."

语气很克制，但那是一个承诺。

---

他是谁？让我们把时钟拨回到最开始

如果你是这几年才入坑 AI 的，你可能只知道他是 nanoGPT 的作者，或者那个拍了"Neural Networks: Zero to Hero"的 YouTuber。

但 Karpathy 这个名字，在 AI 发展史上有着远比这更深的烙印。

🇸🇰 1986，斯洛伐克，一个移民家庭的故事

他在首都布拉迪斯拉发出生，15岁跟随家人移民加拿大多伦多。父母放弃了斯洛伐克的生活来到异乡。在他的斯坦福博士论文致谢里，他写道：

"正是父母当年那次信仰的跳跃，让我得以追逐自己的梦想。"

🎓 2005，多伦多大学，Hinton 的学生

他念的是计算机科学加物理的双学位，导师之一是 Geoffrey Hinton——那个后来被称为"深度学习之父"的人。但那时候深度学习还是学术圈里的冷板凳，没人知道十几年后这会变成改变世界的技术浪潮。

有一个小细节：大学期间，他在 YouTube 上发布了一系列魔方教学视频，频道叫 badmephisto。这些视频在速解魔方社区爆红，至今累积超过900万次播放。一个计算机系的学生，靠着讲魔方积累了人生第一批粉丝。"把复杂的东西讲清楚"这种能力，后来成了他最鲜明的标签。

🎓 2011，斯坦福 PhD，李飞飞门下

他跟着李飞飞（Fei-Fei Li）读博，方向是计算机视觉和自然语言处理的交叉地带——放今天来说，这就是多模态的前身。论文题目叫《Connecting Images and Natural Language》，用今天的视角回望，这几乎是 GPT-4V 的学术原型。

PhD 五年，他在谷歌实习了两次（2011、2013），2015年去 DeepMind 做了一学期的深度强化学习研究。他在 AI 四大顶级实验室里有三个都留下过脚印，这在当时是极少数人做到的事。

📚 2015，CS231n，改变了多少人的命运

这是整个故事里最被低估的一个节点。

Karpathy 在斯坦福设计并亲自主讲了第一门深度学习课程：CS231n，卷积神经网络用于视觉识别。第一年150名学生，两年后增长到750人。视频上传 YouTube 后，超过80万次播放，至今仍是无数人入门深度学习的起点，已衍生出超过25所分校课程。

他不只是一个研究者，他是那种能把 backpropagation 讲得让人拍案叫绝的老师。

🤖 2016，OpenAI 7人创始团队之一

博士毕业，Karpathy 加入刚刚成立一年多的 OpenAI，成为七名创始研究科学家之一。那时候的 OpenAI 还很小，所有人挤在同一栋楼里，研究方向还没有完全聚焦到 GPT。他负责的是深度学习、生成模型和强化学习方向。

🚗 2017，Tesla，被 Elon Musk 亲自挖走

Musk 亲自出马。在给团队的邮件里，Musk 写道他是"计算机视觉领域全球第二强的人"——第一强是 OpenAI 的另一位联创 Ilya Sutskever。"OpenAI 的人要恨死我了，但这是必须做的。"

Karpathy 在 Tesla 带了整整五年，官衔是 Sr. Director of AI，全权负责 Autopilot 的视觉系统。他带领团队完成了一件技术史上相当困难的事：把特斯拉的自动驾驶从人工编写的规则系统，彻底重构为端到端的神经网络，训练数据来自路上行驶的百万辆特斯拉真实反馈。

2021年 Tesla AI Day 是这五年成果的公开展示，那场技术演讲至今仍是汽车行业观看量最高的技术分享之一。

📹 2022年7月，离开 Tesla，转身去拍视频

他没有立刻跳槽，而是——去做 YouTube 了。

Neural Networks: Zero to Hero 系列开始更新。他从头教人怎么构建 GPT，不是看文档，不是调 API，而是真的从最基础的数学推导一行一行写代码。第一集发布后，评论区炸了。

17个视频，134万订阅者，2700万播放量。这些数字放在硬核 ML 教育内容里，几乎不可思议。

↩️ 2023-2024，短暂回归 OpenAI

他回去了，带了新任务：midtraining 和合成数据——这是 GPT 系列进化到下一阶段的关键技术方向。但只待了一年，2024年2月再度离开。

🏫 2024，创立 Eureka Labs

他创立了一家教育创业公司，做 AI 原生的学习助手，愿景是让世界上最好的课程可以被任何人获取。公司刚启动，细节披露不多，但和他多年来对教育的执念一脉相承。

💬 2025，"Vibe Coding"与清醒的悲观

2025年2月，他在推特随手写了几行字，描述了一种编程方式：不写代码，只是用自然语言告诉 AI 你想要什么，让模型去生成，出错了就把报错丢给它，如此往复。他把这叫做 "vibe coding"。

这个词被柯林斯词典评为2025年度词汇。一个词，一年。

同年，他在 Dwarkesh Patel 的播客里说了很多逆耳忠言：当今的 AI agents 大多是"slop"，RL 是"用吸管吸气"，AGI 至少还需10年，比 SF 会议上说的远得多。

然后，就是昨天。

---

他的开源项目：构建了无数人的起点

Karpathy 的 GitHub 主页是我见过最有"教育使命感"的技术账号之一。每一个项目都在回答同一个问题：怎么把复杂的事情，用最少的代码讲清楚？

⭐ autoresearch — 82K Stars

这是他最新的方向，也是他加入 Anthropic 前最后一件大事。

autoresearch 的想法很激进：用 AI agent 在单张 GPU 上对 nanochat 的训练过程进行自动化研究。

不是人来设计实验，不是人来分析结果，而是让 AI 自己提假设、自己跑实验、自己分析结论、自己写下一步计划。这是 Karpathy 对"AI 做 AI 研究"方向的最直接探索，也是他为什么被 Anthropic 请去做"用 Claude 加速 Claude 预训练"这件事的背景逻辑。

他亲眼看过这条路能走多远，也亲手踩过坑——他在播客里提到 autoresearch 在小规模实验里已经暴露出"metric gaming"的问题：模型会优化你测量的指标，而不是你真正想要的东西。这种对技术边界的清醒认知，恰恰是他被重视的原因。

⭐ nanoGPT — 58K Stars

2022年底，GPT-3 已经出来了，但绝大多数人还是觉得大模型训练是神秘的黑盒。

nanoGPT 的出现彻底打破了这个认知。

train.py，300行。model.py，300行。就这些。

用这些代码，你可以在8张 A100 上训练 GPT-2（124M参数版本），约4天出结果。也可以在自己的数据集上微调，用几分钟搞定。

最重要的是：每一行代码你都能看懂。 没有过度封装，没有工程抽象，每个矩阵乘法都赤裸裸地摆在那里。

nanoGPT 可能是这几年开源 AI 社区里被 fork 最多、被引用最广的仓库之一。无数博客、课程、书籍直接用它作为教学案例。到2025年底，他在仓库里加了一行说明："nanoGPT 现在很老了，可能你应该去看 nanochat。"

但就算被宣布"退役"，它依然持续积累新的 star。这就是经典作品的命运。

⭐ nanochat — 54K Stars

nanoGPT 的精神继承者，但方向做了调整。

副标题是："100美元能买到的最好的 ChatGPT"。

如果说 nanoGPT 侧重于教育和理解，nanochat 则更注重实用性：在有限预算内搭建功能完整的对话模型，同时保持代码的可读性和可修改性。

autoresearch 项目的自动化实验，就是跑在 nanochat 的训练流程上的。两个项目形成了相互支撑的生态：一个是基础模型训练框架，一个是自动化研究工具。

⭐ LLM101n — 37K Stars

"Let's build a Storyteller"——让我们从零构建一个会讲故事的语言模型。

这是一个系列教程项目，目标是从最基础的概念出发，一步步带你实现一个语言模型，并最终让它能生成连贯的故事。

这是 Karpathy 在创业前对"LLM 教育"这件事的最新文字版探索——他相信，真正理解 LLM 的最好方式不是调 API，而是亲手从头写一个。

⭐ llm.c — 30K Stars

这是最硬核的一个。

2024年，Karpathy 发布了 llm.c：用纯 C 语言和 CUDA 实现完整的 LLM 训练流程。

不用 PyTorch（245MB），不用 Python（107MB），不用任何现代深度学习框架。只有 C 和 CUDA 内核，大约1000行代码，可以完整复现 GPT-2 的训练。

性能上，它比 PyTorch Nightly 快约**7%**。

但更重要的不是性能，而是它所传递的理解：当你剥去所有抽象层，一个 LLM 的训练核心，只是矩阵运算、梯度计算和参数更新的组合。llm.c 把这件事展示得清晰无比。

repo 里的 dev/cuda 目录是一个核函数库，从最简单的实现一直到最优化的版本，每一步都有详细注释。这不只是代码仓库，更像是一门公开的 CUDA 编程课。

⭐ minGPT — 24K Stars

时间线最早的一个，也是 nanoGPT 的前辈。

2020年，GPT-3 刚发布，整个世界都在惊叹它的能力，但没人知道内部是怎么跑的（OpenAI 也没有开源）。Karpathy 写了 minGPT：一个 GPT 架构的最简 PyTorch 复现，同样约300行代码。

它后来被大量课程、博客、书籍引用。引用广了之后反而很难再改——改一行，别人的教程就可能跑不了。这是开源代码成为"经典"的代价之一。2023年他宣布将 minGPT 转为 semi-archived，把旗帜传给了 nanoGPT。

其他值得记录的

• CS231n：斯坦福卷积神经网络课，2015年启动，现已衍生出超过25所分校。这门课让多少人入门深度学习，已经无法计量。

• Neural Networks: Zero to Hero：YouTube 系列，17集，从 micrograd（手写自动微分引擎）到 GPT，把整个 LLM 的发展脉络串成了一条教学线索。被无数人奉为"真正的入门圣经"。

• arxiv-sanity.com：帮助研究者搜索、排序 arXiv ML 论文的工具。在 LLM 研究大爆炸之前，是很多研究者跟踪最新进展的标配。

---

一次选择背后的信号

Hacker News 上有一条评论让我印象深刻：

"Karpathy 公开暂停 Eureka Labs 加入 Anthropic，这不只是一次跳槽。这是一个 AI 创业者用行动表达了一个判断：在 frontier 面前，垂直应用会被吃掉。"

这个解读可能过度阐释了，但方向上不无道理。

在 Karpathy 最悲观的论述里，他说过很多次：当前的 AI 能力被严重高估，RL 是"用吸管吸气"，当今的 agent 大多是 slop，AGI 比 SF 会议上说的远得多。

但他同时也用行动说明：他认为接下来几年是关键窗口期，值得全力投入。

这两件事不矛盾。 清醒地看到局限，同时全力押注那个局限被突破的可能。

他的任务是组建一支团队，用 Claude 来做 Claude 自己的预训练研究。这是一个递归的赌注——如果这条路走得通，frontier 实验室的研究速度将产生指数级的复利效应。如果走不通，也不过是消耗了研究员的时间和算力。

我不知道这个赌注最后会怎样，但我知道 Karpathy 是这个时代里少数有资格押这个注的人之一。

他的 GitHub 上，超过 270K 的 star 背后，是无数个第一次看懂 transformer、第一次跑通 GPT-2、第一次真正理解 backprop 是什么的人。

教育这件事，他说会"in time"回来。

我愿意相信这个承诺。

---

你是怎么看 Karpathy 加入 Anthropic 这个决定的？是对 Anthropic 技术路线的背书，还是一次务实的职业选择？欢迎评论区聊聊。

我是顾北，关注我，获取更多好玩有趣的 AI 前沿动态！

谢谢你阅读我的文章~

我们下期再见！

PS：本文部分内容由AI辅助创作