Andrej Karpathy：从特斯拉 Autopilot 到全民 AI 教师
Andrej Karpathy 在 AI 史中的位置，不只是“讲得最清楚的 AI 博主”。他是少数同时经历 Stanford 课程、OpenAI 早期研究、特斯拉量产视觉系统和前沿 LLM 训练的人；他把神经网络解释为一种新的软件范式，又把自己的学习过程做成全世界都能复现的课程。到 2026 年，他已加入 Anthropic 的预训练团队，重新回到前沿研发一线。1 2
他的轨迹有两条线：从 Autopilot 的数据标注、训练与部署，到 OpenAI、Anthropic 的模型研究；从 Stanford CS231n 到 nanoGPT、Zero to Hero 与 Eureka Labs 的教学线。他把“会做模型”和“会讲模型”当作同一职业的一部分。
OpenAI 的成立背景和完整公司编年，公司史详见站内连载：《一个为了防止某件事发生而成立的组织：OpenAI 的头一天》 与 《如果不是我们，就是别人：OpenAI 的十年》。本文只追踪 Karpathy 的个人选择。
一、先把深度学习教成一门课
Karpathy 在 University of Toronto 学习计算机与物理，后在 Stanford 攻读博士，导师是李飞飞（Fei-Fei Li）。他的博士研究聚焦卷积网络、循环网络及其在视觉和语言中的应用。1 这段训练恰逢深度学习由小圈子研究转向主流，他既接受了视觉研究的严格训练，也习惯把模型放进可运行的系统里检验。
2015 年，他设计并主讲 Stanford 的 CS231n——当时学校最早的深度学习课程之一。Karpathy 的个人履历记录，这门课从 2015 年约 150 名学生，增长到 2017 年约 750 名学生。1 它的影响不在一份讲义，而在教学方法：从反向传播、卷积到训练技巧，学生要能从头解释、实现和调试，而非只会调用框架。
同一年，他成为 OpenAI 的 founding member 和研究科学家，任期约至 2017 年。1 成立动机和组织设计，详见站内连载；对 Karpathy 而言，这是学术训练进入前沿实验室的经历。
二、Software 2.0：权重也是程序
2017 年离开 OpenAI 后，Karpathy 加入 Tesla，任 Director of AI，后来为 Senior Director of AI，领导 Autopilot 计算机视觉团队。1 量产辅助驾驶需处理标注、训练、车端推理、部署回滚和道路长尾；他的团队负责内部标注、训练及在 Tesla 自研推理芯片上的部署。1
同年 11 月，他发表《Software 2.0》。文章提出，一个由神经网络权重构成、通过数据训练而来的系统，可以被理解为一种不同于手写代码的软件开发范式。3 “Software 2.0”不是说传统代码会消失，而是提醒工程师：有些行为不再适合用规则逐行描述，应由数据、目标函数和训练过程塑造。
这套说法后来很流行，也容易被误读成口号。放到 Autopilot 语境中，它其实非常具体：写代码的人不只要维护控制逻辑，还要设计数据闭环，决定哪些失败案例被收集、标注、再训练。神经网络把“程序”从源文件扩展到了权重、数据和训练管线，也让责任边界变得更难界定。
三、离开 Tesla 与第二次 OpenAI
2022 年 3 月，Karpathy 开始休假；约四个月后，他于 7 月 13 日正式宣布离开 Tesla，而非网上常见的“2 月离职”。他写道，过去五年帮助 Tesla 接近其目标是一段愉快经历，离开是艰难决定；下一步想重拾 AI、开源和教育方面的长期兴趣。4 这句话没有交代戏剧性内幕，也没有必要替他编造。
2023 年 2 月，Karpathy 回到 OpenAI，组建专注 mid-training 与合成数据生成的新团队。1 这段第二任期只持续约一年。2024 年 2 月 13 日，他再次离开，并明确说“没有发生什么特别的事”，不是某个具体事件、问题或冲突导致；他对团队与路线图评价很高。5 在 AI 圈里，职位变动常被解释为权力斗争，他的表述提醒读者：有时研究者离开，只是为了回到尚未被公司日程吞没的个人问题。
两进两出 OpenAI，使 Karpathy 成为理解生成式 AI 人才流动的一个窗口。他既有实验室研究者的身份，也有不愿被单一组织长期定义的倾向。OpenAI 的公司层面发展，详见站内十年总览；从他本人看，离开并不等于否定，而常是为了给下一种工作方式腾出空间。
四、从开源项目到“AI 原生学校”
Karpathy 的教育者身份并非 2024 年突然出现。早期的 char-rnn、minGPT，以及 2023 年广受开发者使用的 nanoGPT，都把复杂模型拆到可读、可运行的最小部件。6 他的 Zero to Hero 视频课程延续 CS231n 的逻辑：不要先把大模型当作神秘服务，而是从数据、token、损失函数和梯度下降开始亲手搭起一遍。
2024 年 7 月，他创立 Eureka Labs，称其为“AI 原生学校”。首个课程 LLM101n 计划让学生在 AI 助教帮助下，从 Python、C 到 CUDA 构建语言模型。教育在这里不是把录播课换成聊天机器人，而是尝试让每个学习者获得可互动的技术导师。
2025 年，他在 YC AI Startup School 演讲中把 Software 1.0、2.0 进一步延展为 Software 3.0：传统代码是人写的，神经网络权重由训练获得，而 LLM 又使自然语言提示成为一层新的可编程接口。7 这个框架不等于说“prompt 会替代工程”；相反，它要求工程师把 LLM 当作新型计算机，学习怎样描述任务、评估输出并把它嵌入可靠系统。
五、2026：教师回到前沿实验室
2026 年 5 月，Karpathy 宣布加入 Anthropic。TechCrunch 报道，他在 Nick Joseph 领导下从事预训练，并将组建一个利用 Claude 加速预训练研究的团队。2 这改变了“他目前全职经营 Eureka Labs、专做 AI 教育”的旧叙事：教育仍是他的长期热情，但当下身份已回到前沿模型研发。
这与他的经历并不矛盾：他教人亲手构建网络，Anthropic 的预训练则把同一问题推至工业规模。不同的是，AI 也被用来加速研究本身，模型既是产品也是研究工具。
Eureka Labs 是否继续、会以何种方式运行，公开资料并不完整。可以确定的是，Karpathy 没有放弃教育：他表示未来会继续这项工作。2 但传记不能把 2024—2026 年的教育创业阶段误写为永久终点，更不能忽略他已在 Anthropic 的事实。
TA 的下一步与争议
Karpathy 的下一步，是检验“AI 辅助 AI 研究”能否真正提升预训练效率和质量。若 Anthropic 团队能用 Claude 改善实验、数据或训练研究，它会让 Software 3.0 从工程隐喻进一步变为科研组织方式；若效果有限，业界仍要面对一个问题：模型擅长生成代码与文本，是否等于能可靠地产生新科学？
他的争议较少来自个人冲突，更多来自职业位置。他在 Tesla 的经历会让人追问量产辅助驾驶的安全责任；他倡导开源和教育，又进入掌握昂贵算力的前沿公司；他强调从零理解，却也参与训练最复杂、最封闭的模型。正是这些张力，使 Karpathy 成为 AI 时代一种典型人物：既在建造高墙内的模型，也在不断递出梯子。
关键时间线
| 时间 | 事件 | 对人物线的意义 |
|---|---|---|
| 2015 | 主讲 Stanford CS231n；加入 OpenAI | 形成研究与教学双线起点。 1 |
| 2017-06 | 加入 Tesla，领导 Autopilot 视觉团队 | 深度学习进入量产自动驾驶工程。 1 |
| 2017-11 | 发表《Software 2.0》 | 提出权重与训练构成新软件范式。 3 |
| 2022-07-13 | 正式离开 Tesla | 结束约五年产业工程任期。 4 |
| 2023-02 | 回归 OpenAI | 组建 mid-training 与合成数据团队。 1 |
| 2024-02-13 | 第二次离开 OpenAI | 明确表示非冲突性离职。 5 |
| 2024-07 | 创立 Eureka Labs | 将技术教学推进为 AI 原生学校。 8 |
| 2025-06 | 提出 Software 3.0 延展 | 将 LLM 视为新型可编程计算层。 7 |
| 2026-05 | 加入 Anthropic 预训练团队 | 当下身份回到前沿模型研发。 2 |