Andrej Karpathy

[00:00] Welcome to Daily Tech briefing. Today we have a packed show covering Google I/O 2026 announcements, major AI talent moves, and breakthroughs in AI-powered science. Let us dive in. 欢迎收听每日科技英文速读。今天的节目将带来 Google I/O 2026 的重磅发布、AI 领域重大人才变动，以及 AI 驱动科学突破的最新进展。 --- [00:16] OpenAI co-founder Andrej Karpathy joins Anthropic's pre-training (预训练) team. Andrej Karpathy, the AI researcher who co-founde... 去小宇宙查看完整单集简介 前往小宇宙评论区与主播互动

https://github.com/multica-ai/andrej-karpathy-skills A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy’s observations on LLM coding pitfalls. - multica-ai/andrej-karpathy-skills

Andrej Karpathy 正式加入 Anthropic 預訓練團隊，將領導以「Claude」加速研發的新方向。 核心動態 前「Tesla」AI 總監、OpenAI 創始團隊成員 Andrej Karpathy 於 2026 年 5 月 19 日在個人 X 帳號宣布，已正式加入 Anthropic，並於本週開始在預訓練（pre-training）團隊負責人 Nick Joseph 麾下工作。他在貼文中表示：「未來幾年在 LLM 的前沿將特別具有形塑意義，我非常興奮能加入這個團隊並重返研發工作。」同時，他強調自己對教育的熱情未減，計畫在適當時機重啟相關工作。 職務重點 此次加入並非單純的人才招募。Anthropic 發言人向 TechCrunch 證實，Karpathy 將啟動一個新團隊，專注於「使用 Claude 本身來加速預訓練研究」。預訓練是構建前沿模型最昂貴、最耗算力的階段，負責「Claude」核心知識與能力的大規模訓練。這項任命被視為 Anthropic 對「AI 輔助研究」而非「純算力堆疊」的明確押注。 社群反應 此消息發布後，隨即在 AI 社群引發熱烈迴響： 「Claude Code」創造者 Boris Cherny（@bcherny）回覆：「Welcome!! So excited we get to work together 👋」 Anthropic 政策負責人 Jack Clark（@jackclarkSF）寫道：「Will be awesome to work together again!」 Anthropic 幕僚長（Chief of Staff）Avital Balwit（@avitalbalwit）表示：「Welcome to the team! We’re so excited」 「Claude Code」團隊成員 Thariq Shihipar（@trq212）也於同日下午 4:29 回覆：「@karpathy welcome!!」 媒體層面，Axios 資深記者 Ina Fried、科技媒體人 Christina Warren 等也在 X 轉發評論，Warren 形容這是「huge hire by Anthropic」。Reuters、TechCrunch、Axios、Business Insider 均跟進報導。 未來展望 Karpathy 在 OpenAI 從事深度學習與電腦視覺研究，2017 年離開後加入「Tesla」主導「Full Self-Driving」（FSD）與「Autopilot」計畫，2022 年離職並於 2023 年短暫回到 OpenAI，2024 年再次離開以創辦教育新創「Eureka Labs」。他是少數能在 LLM 理論與大規模訓練實務之間架起橋樑的研究者，此次任命被視為 Anthropic 在前沿模型競賽中對抗 OpenAI 與 Google 的關鍵布局。同時，Anthropic 也宣布前 Meta 資深資安專家 Chris Rohlf 加入其「Frontier Red Team」，負責對先進模型進行嚴峻威脅的壓力測試。 原文：https://easyvibecoding.app/curated/1443

Andrej KarpathyのLLM Wikiについて https://x.com/karpathy/status/2039805659525644595?s=20 https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

📝 本期播客简介 本期我们克隆了：一档以人工智能为核心的英文对谈播客 Andrej Karpathy: From Vibe Coding to Agentic Engineering 本期嘉宾 Andrej Karpathy 是 OpenAI 联合创始人、特斯拉 Autopilot 前 AI 负责人，也是“软件 2.0”理念的提出者和“vibe coding”一词的创造者。在离开前沿大厂后，他以更犀利的视角重新审视 AI 编程的爆发。他为何说自己作为程序员从未感到如此落后？Vibe coding 如何从一个玩笑变成真正的工程实践？软件 3.0 时代，编程的本质被改写成什么？Andrej 用亲身案例、可验证性框架以及“动物与幽灵”的比喻，为听众描绘了一幅从编码到智能体工程的认知地图。他还强调：无论 AI 如何进化，“你不能外包你的立场”。这是一场关于技术变革与人类定位的深度对话。 👨‍⚕️ 本期嘉宾 Andrej Karpathy，人工智能领域最具影响力的思想者与教育者之一。他是 OpenAI 的联合创始人，曾在特斯拉主导 Autopilot 的 AI 研发，被广泛认为是“软件 2.0”理念的提出者。他创造的“vibe coding”一词，精准捕捉了 AI 辅助编程的文化变迁，引发了全球开发者圈的广泛讨论。目前他致力于 AI 教育，以清晰透彻的讲解著称。 ⏱️ 时间戳 00:00 开场 & 本期播客简介 01:39 嘉宾登场：OpenAI 联合创始人 Andrej Karpathy 从“落后感”到 Vibe Coding 02:18 作为顶尖程序员，为何突然感到从未如此落后？ 03:13 Vibe Coding 的诞生：12月，一个决定性的转折点 软件三点零：编程的重新定义 03:54 软件1.0→2.0→3.0的演化：提示成为编程，上下文成为杠杆 04:44 实例一：用一段文字安装 OpenCL，告别膨胀的脚本 05:44 实例二：menu gen 的命运——一个简单的提示秒杀了整个应用 07:08 超越代码：AI 正在自动化广义的信息处理 可验证性：AI 自动化背后的引擎 09:39 锯齿状智能：为什么 AI 能解复杂方程却不会去洗车？ 10:52 强化学习与验证奖励：模型能力的底层逻辑 12:50 给创业者的启发：在可验证的蓝海领域，你还有机会 从 Vibe Coding 到 Agent Engineering 14:31 Vibe Coding 抬高下限，Agent Engineering 拉高上限：十倍加速不是梦 15:21 智能体像“带刺的实习生”：如何驾驭其随机性与脆弱性 16:48 招聘革命：用“部署推特并抵御攻击”代替白板谜题 17:29 人类的领地：品味、判断与对“实习生”的监督 智能体的本质与世界的重构 20:46 动物还是幽灵？理解大语言模型的真实形态 22:04 把世界看作传感器与执行器：智能体原生时代 22:20 基础设施的“智能体优先”革命：别再让我手动部署 教育、理解与“不能外包的立场” 23:51 “你可以外包你的思考，但你不能外包你的立场” 24:23 为什么理解仍是瓶颈？用 AI 增强而非替代人类的认知 🌟 精彩内容 💡 “我作为程序员从未感到过如此落后” Andrej Karpathy 坦言，在去年12月，AI 编程工具的连贯性发生了质变，让他进入了“vibe coding”状态。他不再纠正代码，而是完全信任系统。“我已经好几个月没写过 HTML 或 JavaScript 了，都是 AI 在处理。”这种从怀疑到全盘接受的体验，定义了新一代编程文化的起点。 🛠️ 软件3.0：一行提示消灭一个应用 通过 menu gen 的例子，Andrej 揭示了软件3.0的可怕潜力。当他用复杂的开发流程做了一个菜单可视化应用后，却发现用 Gemini 的一个简单提示“用 Nana Banana 把这些东西覆盖到菜单上”就直接生成了最终图片，应用本身变得毫无必要。这让他惊呼：“我做的 menu gen 完全是多余的……那个应用根本不应该存在。”它标志着从编写代码到编写上下文的根本迁移。 🚀 可验证性：AI 的“锯齿状”真相 为什么顶尖模型能重构十万行代码，却会建议你走路去洗车？Andrej 用“可验证性”和强化学习训练机制解释了 AI 能力的参差不齐。他指出，模型在可被验证的领域（如数学、编程）表现超群，但在未经强化学习打磨的常识上则显得笨拙。理解这种锯齿状，是创业者选择 AI 应用方向的关键。 ❤️ 不能外包的立场 面对 AI 自动化一切的未来，Andrej 强调，人类最后的价值不在于计算，而在于判断。“有一条推文让我大为震撼：你可以外包你的思考，但你不能外包你的立场。”他认为，即使智能体再强大，理解仍是创作者的瓶颈，而用 AI 工具增强理解，才是保持航向的核心。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 在小宇宙查看该单集文稿

Karpathy 最新訪談：Vibe Coding 只是開始，真正重要的是 Agentic Engineering Andrej Karpathy 說，他已經記不清上次修改 AI 生成的程式碼是什麼時候了。 Karpathy 參與創建了 OpenAI，在 Tesla 領導過 Autopilot 視覺團隊，去年一條推文發明了「憑感覺程式開發」（Vibe Coding）這個詞，後來被 Collins 詞典選為 2025 年度詞彙。 2026 年 4 月，Karpathy 在 Sequoia Capital 的 AI Ascent 現場接受合夥人 Stephanie Zhan 的訪談。這場 30 分鐘的對話涵蓋了他對程式開發範式劇變的親身感受、Software 3.0 的實質、AI 為什麼在某些地方極強而在另一些地方離譜地弱，以及「憑感覺程式開發」之後更嚴肅的下一步是什麼。 要點速覽 2025 年 12 月是 Karpathy 個人的轉折點：AI 輸出從「有幫助但常要修補」變成「直接可用」，他進入完全憑感覺程式開發的狀態。 Software 3.0 的關鍵不是「用自然語言寫程式碼」，而是透過 prompt 和 context 操作 LLM 這個新的資訊處理解釋器。 MenuGen 案例讓 Karpathy 意識到，一些 AI 應用不是會被做得更快，而是會被模型原生能力直接吞掉。 LLM 的能力高度不均勻：它可以重構 10 萬行程式碼、找零日漏洞，卻可能在「去 50 公尺外洗車該走路還是開車」這種常識題上犯錯。 Vibe Coding 抬高所有人做軟體的下限；Agentic Engineering 則是在使用 Agent 提速時，保住專業軟體的品質、安全和責任門檻。 人類不必再記住每個 API 細節，但必須理解系統結構、底層機制和品質標準，否則無法監督 Agent。 Karpathy 用「幽靈」形容 LLM：它不是動物式智慧，而是由人類文件、預訓練統計和強化學習獎勵塑造出的鋸齒狀實體。 智慧變便宜後，教育的重點不是抵制外包思考，而是確保理解仍然進入人的大腦。 【1】2025 年 12 月：一個工程師的投降 Zhan 問：你幾個月前說，自己從未像現在這樣覺得作為工程師落後。這是興奮還是不安？ Karpathy 說兩者都有。 過去一年他一直在用 Cursor 等 Agent 程式開發工具。早期這些工具有用，可以生成一些程式碼區塊，但經常出錯需要修改。真正的轉折出現在 2025 年 12 月。那段時間他正好休假，有更多時間折騰 side project，明顯感覺到最新模型生成的程式碼區塊開始「直接能用」。 一開始，他只讓模型寫一點。結果不錯，就繼續讓它寫更多。再往後，他發現自己已經很久沒有親自糾正模型輸出了，信任感不斷增加。最後他進入了自己後來稱為 Vibe Coding 的狀態。 我記不得上一次我需要糾正它是什麼時候了。然後我就越來越信任這個系統。 這裡的 Vibe Coding，不適合硬譯成「氛圍程式開發」。更準確地說，它是一種「憑感覺讓 AI 寫程式碼」的開發方式：人用自然語言持續提出意圖，模型生成、修改、除錯程式碼，人不再像過去那樣逐行寫、逐行讀 diff。Karpathy 2025 年 2 月在 X 上提出這個詞時，描述的是一種「放棄對程式碼本身的直接控制、順著感覺讓模型往前走」的開發體驗。 但這場訪談裡，Karpathy 的重點已經不只是 Vibe Coding。他強調，很多人對 AI 的印象還停留在「一個類似 ChatGPT 的東西」上：你問一句，它答一句。到 2025 年底以後，值得重新看的是 Agentic coherent workflow——一種更連貫的 Agent 工作流。模型不只是回答問題，而是能連續規劃、寫程式碼、除錯、執行、根據環境回饋繼續修正。 很多人去年體驗到的 AI，還是一個類似 ChatGPT 的東西。但你真的必須重新看一眼，而且要看 12 月之後的版本。 過去工程師的速度主要取決於他能寫多少程式碼、記住多少 API、怎樣除錯。現在，速度越來越取決於他能否正確地指揮一組強大但會犯錯的 Agent。 【2】Software 3.0：給 Agent 複製貼上一段文字，這就是程式開發 Zhan 問：你說 LLM 是一種新電腦，不只是更好的軟體。如果一個團隊真的相信這一點，它會怎樣不同地建構產品？ Karpathy 從自己那套軟體分期講起。 Software 1.0 是傳統軟體：人寫顯式程式碼，電腦按規則執行。 Software 2.0 是神經網路時代：人不再直接寫所有規則，而是設計資料集、目標函數和神經網路架構，透過訓練得到模型權重。Karpathy 早在 2017 年就寫過《Software 2.0》，把神經網路視為一種新的軟體開發方式。 Software 3.0 則是大型語言模型時代。LLM 經過大規模任務訓練之後，變成一種可程式化的電腦。你不再只是在程式碼編輯器裡寫函數，而是在 prompt、context window、檔案、工具呼叫和外部環境之間，組織一段給模型執行的「上下文程式」。 context window 可以理解為模型一次呼叫中能看到的全部資訊：指令、歷史對話、檔案、錯誤日誌、程式碼片段、圖片、工具回傳結果。Karpathy 的說法是，這個上下文視窗成了人操縱 LLM 解釋器的「把手」。 他舉了一個安裝 OpenCL 的例子。傳統做法是寫一個 shell script，讓它適配各種機器、平台和環境。隨著目標環境變多，腳本會不斷膨脹，最後複雜到很難維護。但在 Software 3.0 裡，安裝說明本身可能就是一段可以複製給 Agent 的文字。Agent 會讀取你的機器環境，執行步驟，遇到錯誤再除錯。 現在的問題變成：哪一段文字應該複製給你的 Agent？這就是新的程式開發範式。 這句話的重點不是「工程師以後只需要寫提示詞」。Karpathy 要表達的是，程式邊界擴大了。過去的程式是程式碼檔案。現在，程式可能是一段說明、一個上下文視窗、一組工具權限、一個測試環境，外加模型內部已經學到的大量統計結構。 【3】MenuGen：這個 App 不應該存在 Karpathy 接著講了自己的 MenuGen。 這個 App 的想法很簡單：人在餐廳拿到菜單時，通常看不到菜品圖片。很多菜名，尤其是陌生菜系裡的菜名，光看文字不知道是什麼。Karpathy 想做一個應用：拍一張菜單照片，App 識別菜單上的菜名，再為每個菜品生成一張大致圖片，最後重新渲染菜單，讓使用者看到「這些菜大概長什麼樣」。 用舊範式做這個 App，需要好幾層中間步驟：上傳照片，OCR 識別文字，抽出菜名，呼叫圖像生成器生成菜品圖，再把結果重新排版，部署到 Vercel 上。Karpathy 用 Vibe Coding 把這個 App 做出來了。 然後他看到了 Software 3.0 版本。 做法變成：直接把菜單照片交給 Gemini，然後說，讓 Nano Banana 把這些菜品圖疊加回菜單上。Nano Banana 回傳的不是結構化資料，也不是一組組件，而是一張新的圖片：原菜單仍在，但對應菜品的位置已經直接渲染進了圖片。 【註：Nano Banana 是 Google Gemini 的圖像生成和編輯能力名稱，支援用文字、圖像或兩者結合進行對話式生成與編輯。】 Karpathy 認為他原來寫的 MenuGen 是多餘的，因為它還停留在舊範式裡。 我的整個 MenuGen 都是多餘的。它還停留在舊範式裡。那個 App 不應該存在。 這個例子是整場訪談裡最關鍵的商業判斷之一。 很多 AI 應用公司以為自己在做「更快的軟體」。比如過去一個任務要 10 個步驟，現在 App 幫你壓成 3 個步驟。但在 Software 3.0 裡，模型本身的輸入輸出可能直接覆蓋這個任務，中間 App 的結構就失去必要性。 Karpathy 進一步說，這種變化不只發生在程式碼裡。傳統程式碼擅長處理結構化資料：表格、陣列、資料庫欄位、明確規則。但 LLM 可以處理更一般的資訊重組。比如他的 LLM Knowledge Bases 專案：把文章、文件和事實重新編譯成個人或組織 wiki。這不是傳統程式天然擅長的東西，因為它要求模型理解文字之間的關係、重新排序資訊、生成新的知識結構。 更令人興奮的不是把已有東西做得更快，而是那些以前根本不可能存在的東西。 【4】神經電腦：CPU 變成協處理器 Zhan 問：把這種進展外推到 2026 年，什麼是今天大部分人還沒建出來、回頭看會覺得理所當然的東西？ Karpathy 提出了一個更大膽但也更不確定的設想：未來可能出現一種完全的「神經電腦」。 今天的電腦仍然以 CPU、作業系統、傳統程式為中心。神經網路運行在現有電腦之上，像是一個被虛擬化出來的能力模組。但 Karpathy 設想，未來有可能反過來：神經網路成為 host process，也就是主流程；CPU、傳統程式碼和工具呼叫變成協處理器，負責一些確定性任務。 他舉的想像場景是：一個設備接收原始影片或音訊，神經網路理解當前場景，再用擴散模型為這一刻生成一個獨特的 UI。使用…

本期节目我们请到了 AI 领域的传奇人物 Andrej Karpathy。他曾是特斯拉的 AI 总监，也是 OpenAI 的创始成员。在和 Lex Fridman 的这场深度对话中，Karpathy 用一种极其直观的方式拆解了神经网络的本质——它其实就是一串带有无数“旋钮”的数学表达式。但令人惊叹的是，当这些旋钮被正确拨动，竟然能“涌现”出解决复杂数学题、甚至创作诗歌的智慧。我们聊到了 GPT 的底层逻辑，讨论了人类说话是否也只是一种复杂的“下一个词预测”，以及合成智能如何作为进化的下一阶段，去揭开宇宙这个大谜题。Karpathy 甚至提出了一个疯狂的猜想：物理学是否存在某种可以被 AI 利用的“缓冲区溢出”漏洞？当简单的数学遇上庞大的数据，AI 究竟是如何从一堆矩阵乘法中诞生出“灵魂”的？而生物大脑与计算机之间那道最后的鸿沟，又到底在哪里？ Powered by Firstory Hosting

📝 本期播客简介 本期我们克隆了：知名 AI 访谈播客《No Priors》 Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI 本期嘉宾 Andrej Karpathy 的履历无需赘述：OpenAI 创始成员、前特斯拉 Autopilot 负责人。但在这次对话中，他展现了一个完全“智能体化”的未来。Andrej 描述了他如何进入一种“AI 精神官能症”的状态——不再亲手写代码，而是通过指挥大量的智能体并行运作，追求极限的 Token 吞吐量。你将听到他如何用 Claude 驱动的“Dobie Elf”接管整个智能家居，如何通过“AutoResearch”让 AI 在一夜之间完成他二十年研究经验都未曾发现的调优。这不仅是一场关于技术的讨论，更是一场关于人类如何从“生产瓶颈”转变为“意志显化者”的思维革命。 👨‍⚕️ 本期嘉宾 Andrej Karpathy，计算机视觉与深度学习领域的顶尖专家。曾任特斯拉 AI 高级总监，领导 Autopilot 团队；也是 OpenAI 的创始成员。他以极简的 AI 教育项目（如 nanoGPT）闻名，是全球 AI 开发者心目中的导师级人物。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 精神官能症与编程革命 02:03 告别手写代码：从 80/20 到 0/100 的工作流剧变 04:10 站在最前沿的焦虑：如果不在极限，我就会感到紧张 05:31 宏观动作操作：如何像指挥军队一样管理代码库 06:55 算力已非瓶颈：你的 Token 吞吐量才是核心竞争力 智能体进化与 Dobie Elf 09:55 Dobie Elf 诞生记：用自然语言“入侵”并接管智能家居 11:55 软件 UX 的消亡：为什么我们不再需要应用商店，只需要 API 13:07 氛围编程：将低技术门槛的意图转化为高难度的结果 AutoResearch 与递归自我改进 16:11 走出循环：如何把自己从研究的瓶颈位置移开 18:04 nanogpt 的惊喜：AI 发现了我二十年研究中忽略的细节 19:54 自动科学家：构建一个没有人类参与的想法队列与执行系统 21:08 组织即代码：用 program.md 描述并优化整个研究机构 AI 的参差感与物种分化 22:33 智能体的“棱角”：为什么它既是博士生又是 10 岁小孩 24:14 永远的原子笑话：强化学习的局限与不可验证领域的盲点 26:47 物种分化：我们是否需要一个无所不知的“神谕”模型？ 29:04 触及权重 vs 上下文窗口：深度微调的未来科学 算力地位、就业与开源生态 30:39 自动研究@home：建立不可信工作者池的“区块链”协作模式 33:09 算力即财富：未来地位的衡量标准会是 Flops 吗？ 35:19 物理滞后效应：为什么数字空间在沸腾，而原子世界在等待 37:02 杰文斯悖论：软件变便宜后，需求反而会迎来爆炸 机器人、原子世界与教育的终结 47:06 自动驾驶的教训：处理原子的难度比比特高出百万倍 50:55 喂养“博格人”：智能体经济中的信息市场与传感器革命 52:52 microGPT 执念：将大模型提炼至 200 行代码的本质 55:26 教育的重组：人与人教导的终结，以及“向代理讲解”的兴起 🌟 精彩内容 💡 什么是“AI 精神官能症”？ Andrej Karpathy 描述了一种极度沉浸的状态：当智能体可以代表你完成 80% 甚至 100% 的工作时，你唯一的焦虑来自于自己是否充分利用了可用的 Token 额度。这种状态下，人类不再是生产者，而是系统中的瓶颈。 🛠️ 智能管家 Dobie Elf Andrej 分享了他如何只用几条指令就让 Claude 扫描局域网、逆向工程 Sonos 协议并接管了全家的灯光、空调和安防。这预示着未来软件的 UX 层将消失，API 才是智能体时代的通用语言。 🚀 AutoResearch：把人类踢出循环 他认为顶尖实验室的研究员正在积极地“把自己自动化掉”。通过构建自动研究循环，AI 可以自主尝试超参数、阅读论文并生成代码提交。Andrej 惊讶地发现，AI 在他最擅长的领域也能找到他未曾察觉的优化点。 🤡 为什么 AI 讲笑话这么烂？ 尽管 AI 能写复杂的 CUDA 内核，但它讲的笑话还是五年前那个关于“原子”的破梗。Andrej 借此揭示了 AI 的“参差感”：在可验证、有奖励机制的领域（如代码）进化神速，但在模糊、不可验证的领域（如幽默感）则停滞不前。 🎓 教育的“代理重定向” Andrej 认为未来不应该再为人类编写 HTML 文档，而应为代理编写 Markdown。如果代理理解了知识，它就能以无限的耐心和针对性的方式教导人类。这标志着传统人教人模式的终结。 🌐 播客信息补充 翻译克隆自： 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 在小宇宙查看该单集文稿

What happens when AI agents can design experiments, collect data, and improve — without a human in the loop? Andrej Karpathy joins Sarah Guo on the state of models, the future of engineering and education, thinking about impact on jobs, and his project AutoResearch: where agents close the loop on a piece of AI research (experimentation, training, and optimization, autonomously). 00:00 Andrej Karpathy Introduction 02:55 What Capability Limits Remain? 06:15 What Mastery of Coding Agents Looks Like 11:16 Second Order Effects of Natural Language Coding 15:51 Why AutoResearch 22:45 Relevant Skills in the AI Era 28:25 Model Speciation 32:30 Building More Collaboration Surfaces for Humans and AI 37:28 Analysis of Jobs Market Data 48:25 Open vs. Closed Source Models 53:51 Autonomous Robotics 1:00:59 MicroGPT and Agentic Education 1:05:40 Conclusion

Drawing from Andrej Karpathy's report, we discuss the effects of artificial intelligence on the job market. We uncover which jobs are most at risk of automation, such as financial analysts, while hands-on roles remain safe. With 150 million jobs potentially impacted, we highlight the evolving nature of work and emerging opportunities. ------ 🌌 LIMITLESS HQ ⬇️ NEWSLETTER: https://limitlessft.substack.com/ FOLLOW ON X: https://x.com/LimitlessFT SPOTIFY: https://open.spotify.com/show/5oV29YUL8AzzwXkxEXlRMQ APPLE: https://podcasts.apple.com/us/podcast/limitless-podcast/id1813210890 RSS FEED: https://limitlessft.substack.com/ ------ POLYMARKET | #1 PREDICTION MARKET 🔮 https://bankless.cc/polymarket-podcast ------ TIMESTAMPS 0:00 AI and Job Replacement 1:08 Andrej's Report 6:31 Blue-Collar Jobs vs. AI 8:32 The Future of Work 11:23 Economic Indicators and AI 14:49 The Role of AI in the Future 16:37 Jobs and Human Demand 20:19 Using AI 21:33 Closing Thoughts ------ RESOURCES US Job Market Visualizer: https://karpathy.ai/jobs/ Josh: https://x.com/JoshKale Ejaaz: https://x.com/cryptopunk7213 ------ Not financial or tax advice. See our investment disclosures here: https://www.bankless.com/disclosures⁠

Is the era of "vibe-coded" AI frameworks coming to an end? Inspired by Andrej Karpathy’s latest insights , we explore the transition from standard LLM agents to the "Claw" layer of the AI stack .In this episode, we analyze: The Karpathy Warning: Why he is wary of OpenClaw’s 400,000 lines of code, citing RCE vulnerabilities and supply chain poisoning . NanoClaw & The New Meta: How Karpathy’s discovery of "skills" (like /add-telegram) is replacing messy configuration files by modifying the actual code to create "maximally forkable repos". Local Sovereignty: Why Karpathy prefers a physical Mac mini "possessed" by a digital house elf to manage home automation over cloud-hosted alternatives. Join us as we dissect the "wild west" of AI orchestration and why Karpathy believes Claws are the exciting new layer we’ve been waiting for. Follow us on X: @neuralintelorg Visit our website: neuralintel.org

In this episode of Neural Intel, we break down Andrej Karpathy’s "2025 LLM Year in Review," exploring the massive paradigm shifts that redefined artificial intelligence over the last year. From the technical evolution of the training stack to the cultural phenomenon of "vibe coding," 2025 marked the transition from simple chatbots to "summoned ghosts" and autonomous agents,.Key topics we cover:• The Rise of RLVR: Discover why Reinforcement Learning from Verifiable Rewards (RLVR) has replaced RLHF as the de facto final stage of LLM training, enabling models to develop "reasoning" strategies by solving math and code puzzles,.• Jagged Intelligence: Karpathy argues that AI is not a "growing animal" but a "summoned ghost". We discuss why LLMs can be polymath geniuses in one moment and confused grade-schoolers the next—a phenomenon known as jagged performance.• The "Vibe Coding" Revolution: Learn how programming has shifted to natural language, making code "ephemeral, malleable, and discardable". We look at how this empowers non-coders and allows professionals to build custom tools like tokenizers in minutes.• LLM Agents & GUIs: Why Claude Code and Gemini Nano banana represent a new frontier where AI lives on your local computer and communicates through visual interfaces rather than just text consoles,.• The Death of Benchmarks: As labs "benchmax" through synthetic data and RLVR, Karpathy warns that crushing benchmarks no longer equates to reaching AGI,.As Karpathy notes, the industry has likely realized less than 10% of the potential of current LLM capabilities. Whether you're a developer or an AI enthusiast, these shifts represent a "terraforming" of the software landscape.--------------------------------------------------------------------------------To understand the shift from RLHF to RLVR, think of it as the difference between a student trying to please a teacher (who might be inconsistent or biased) versus a student solving a Rubik's cube. With the cube, the success is objectively verifiable, allowing the student to practice and improve for much longer periods without needing constant human feedback.