#Andrej Karpathy
•

剛剛，Karpathy警告：全人類對AI的認知正在徹底撕裂，全世界只有5000人知道它有多恐怖

Andrej Karpathy最新長推，給出新的判斷，這是對4月份他的一條推文的重新補充 Karpathy警告：全世界絕大多數人以為AI不過是個經常出錯的玩具，但真實情況是，全球只有大約5000人真正見識到了前沿AI徹底失控的恐怖能力。 普通人與頂級專家對AI能力的理解斷層正在急劇拉大。 這種差距已經演變成一個極其殘酷的陡峭漏斗。
剛剛，Karpathy警告：全人類對AI的認知正在徹底撕裂，全世界只有5000人知道它有多恐怖
科技#Andrej Karpathy#AI認知撕裂#技術斷層
•

Karpathy被踢？美或將外籍天才逼出ASI核心圈

Karpathy入職不到一個月，就要被自家模型鎖在門外？以後能不能碰美國的最強AI，或許不再看能力，而是護照上的國籍。 矽谷66%的科技從業者，在海外出生。 現在美國政府說，他們不配碰最好的模型。 就在大家焦急等待Fable 5恢復的時候，FT一篇文章突然曝出——
Karpathy被踢？美或將外籍天才逼出ASI核心圈
科技#Andrej Karpathy#美國AI#禁令
•

上市緊要關頭，大神卡帕西加盟Anthropic

2026年最重要的人事變動之一，莫過於安德烈·卡帕西（Andrej Karpathy）去了Anthropic。 就在2026年5月19日晚，卡帕西發了一條X，稱他現已入職Anthropic，重新投身研發工作。 卡帕西是OpenAI的聯合創始人之一，也曾領導特斯拉的自動駕駛團隊。 這個消息之所以炸裂，不單單是說卡帕西的身份顯赫，關鍵是他加入Anthropic的時機。
上市緊要關頭，大神卡帕西加盟Anthropic
科技#Anthropic#Andrej Karpathy
•

Andrej Karpathy：完整LLM wiki 建構提示詞! 基於Obsidian+AI Agent的個人知識庫完整建構指南

這是一篇很有意思的文章。Andrej Karpathy兩天前剛提出了備受關注的以Obsidian+AI建構個人知識庫的模式，這個路徑是非常明確的，Obsidian筆記軟體在本地管理了以md為格式的知識文件，提供了知識庫建構所需要的各種目錄索引組織功能， Andrej提出的設計模式讓AI Agent來接管Obsidian，讓人們從整理原始素材的繁瑣工作中解脫出來，讓大家真正擁有一個自主整理資料乃至分析提煉的AI助手。所以Anredj其實是提出了一種區別於傳統對話機器人的全新個人知識庫建構範式。而今天，Andrej更是直接給出了詳細方法，這文章實就是直接給AI Agent看的完整建構指南。為了讀者看完就能直接上手操作，本文在關鍵步驟加入了 💡【手把手實操註釋】。讀者可以把它當作一份“實戰搭建指南”。建構個人 LLM Wiki（大語言模型維基）的設計模式作者：Andrej Karpathy這是一個“概念檔案（Idea File）”，它的設計初衷是讓你直接複製貼上給你的 LLM Agent（例如 OpenAI Codex、Claude Code、OpenCode / Cursor / Pi 等）。本文的目的是傳達高層次的理念，而你的 AI 助手將會和你一起協作，建構出具體的實現細節。💡 【實操註釋：第一步該怎麼做？】Karpathy 的意思是，你不需要自己從零寫程式碼。你可以直接把這篇中文版，喂給具備“讀取本地檔案”能力的 AI 工具。告訴 AI：“閱讀這篇文章，理解 LLM Wiki 的理念，以後你就是我的 Wiki 維護員了。”核心理念 (The core idea)大多數人使用 LLM 處理文件的體驗類似於 RAG（檢索增強生成）：你上傳一堆檔案，當你提問時，LLM 檢索出相關的文字塊，然後生成答案。這種方法能用，但問題是：LLM 每次回答新問題時，都在“從零開始”重新發現知識。沒有任何知識沉澱。 如果你問一個需要綜合五份文件的複雜問題，LLM 每次都得重新去尋找並拼湊相關碎片。NotebookLM、ChatGPT 的檔案上傳功能，以及大多數 RAG 系統都是這樣工作的。這裡的理唸完全不同。LLM 不再是在你提問時才去原始文件裡檢索，而是持續建構並維護一個持久的 Wiki（維基庫）——這是一個由相互連結的 Markdown 檔案組成的結構化集合，它介於你和原始資料之間。當你加入一份新資料時，LLM 不是簡單地建立索引留待後用。它會主動閱讀它，提取關鍵資訊，並將其整合到現有的 Wiki 中——更新實體頁面，修改主題摘要，標註新資料與舊觀點的衝突之處，強化或挑戰正在演變的綜合結論。知識被“編譯（compiled）”一次後就會保持更新，而不是每次提問都重新推導。這是最關鍵的區別：Wiki 是一個持久的、具備複利效應的產物。 交叉引用已經存在了，矛盾之處已經被標記了，總結結論已經反映了你讀過的所有內容。你加入的資料越多、問的問題越多，這個 Wiki 就越豐富。你永遠（或極少）需要自己動手寫 Wiki——LLM 會負責編寫和維護這一切。你的職責是尋找資料、探索發現、以及提出好問題。 LLM 則負責所有的“苦力活”——總結、交叉引用、歸檔、記帳，正是這些枯燥的工作讓一個知識庫隨著時間推移變得真正有用。在實際操作中，我會在螢幕一邊打開 LLM Agent，另一邊打開 Obsidian（一款本地筆記軟體）。LLM 根據我們的對話修改檔案，我則即時瀏覽結果——點選連結跳轉、查看知識圖譜（graph view）、閱讀更新後的頁面。Obsidian 是開發工具（IDE），LLM 是程式設計師，而你的 Wiki 就是程式碼庫。適用場景 (Examples)這套模式適用於多種情境：個人管理：追蹤你的目標、健康、心理、自我提升——將日記、文章、播客筆記歸檔，隨著時間推移建構一個結構化的“自我畫像”。深度研究：花費數周或數月深入研究一個主題——閱讀論文、文章、報告，並逐步建構一個包含演進論點的全面 Wiki。閱讀書籍：邊讀邊將每一章歸檔，為人物、主題、情節線索建立頁面，記錄它們之間的關聯。讀完後，你就會擁有一個內容豐富的伴讀 Wiki。（想想類似《指環王》粉絲建立的維基百科，成千上萬個連結頁面，現在你可以用 LLM 自己建一個）。商業/團隊：一個由 LLM 維護的內部 Wiki，資料來源可以是 Slack 聊天記錄、會議記錄、項目文件、客戶通話。競品分析、盡職調查、旅行規劃、課程筆記、愛好鑽研——任何需要隨著時間推移積累知識，且希望知識井然有序而不是散落一地的場景。系統架構 (Architecture)整個系統分為三個層級：原始資料層 (Raw sources)：你收集的原始文件庫。文章、論文、圖片、資料檔案。這些是不可變（immutable）的——LLM 只能讀取它們，絕不能修改它們。這是你的事實真相源（Source of truth）。Wiki 層 (The wiki)：由 LLM 生成的 Markdown 檔案目錄。包括摘要、實體頁面、概念頁面、對比表格、概覽和綜合分析。LLM 完全擁有這一層。它負責建立頁面、更新內容、維護交叉引用並保持一致性。你負責讀，LLM 負責寫。約束架構層 (The schema)：一個配置檔案（例如 Claude Code 的 CLAUDE.md 或 Codex 的 AGENTS.md），用於告訴 LLM 這個 Wiki 的結構是什麼、命名約定是什麼，以及在提取資料、回答問題或維護 Wiki 時要遵循什麼工作流。你和 LLM 會隨著時間的推移不斷最佳化這個檔案。💡 【實操註釋：普通使用者如何在電腦上建立這個架構？】你只需要在電腦桌面上新建一個資料夾，比如叫 My_AI_Wiki，然後在裡面建三個子資料夾/檔案：📁 Raw_Sources (你把下載的 PDF、網頁文字扔這裡，別讓AI改)📁 Wiki_Pages (讓 AI 在這裡面自由建立和修改 .md 筆記)📄 Agents.md (這是給AI看的規則說明書)操作方式：用你的AI Agent軟體打開這個 My_AI_Wiki 資料夾，你就可以直接在聊天框裡讓 AI 讀取Angets.md, 它就開始幹活了。日常操作 (Operations)攝入資料 (Ingest)：你把一份新資料扔進原始資料庫，然後叫 LLM 處理它。例如：LLM 讀取資料，跟你討論核心觀點，然後在 Wiki 中寫一頁摘要，更新目錄索引，更新各個相關的實體和概念頁面，最後在日誌裡寫下一筆。一份資料可能會觸及 10-15 個 Wiki 頁面。我個人傾向於每次只攝入一份資料並保持參與感——我會閱讀摘要、檢查更新、引導 LLM 強調那些內容。你也可以建立自己的工作流並寫在 schema 規則裡。💡 【實操註釋：讓AI Ingest的有效提示詞（Prompt）舉例】"請閱讀 Raw_Sources 資料夾中剛放入的《2024新能源報告.pdf》。讀完後：1. 在 Wiki_Pages 建立該報告的摘要頁面；2. 如果報告提到了電池技術，去更新已有的 固態電池.md 頁面；3. 更新總目錄 index.md。"查詢 (Query)：你向 Wiki 提問。LLM 會搜尋相關頁面，閱讀它們，並附上引用來源生成答案。答案可以是 Markdown 頁面、對比表、幻燈片或圖表。最重要的見解是：高品質的答案應該作為新頁面存回 Wiki 中。 你要求做的橫向對比、分析、發現的關聯——這些都是有價值的，不應該消失在聊天記錄裡。讓你的探索像原始資料一樣在知識庫中產生複利。程式碼審查/健康檢查 (Lint)：定期讓 LLM 對 Wiki 進行健康檢查。尋找：頁面之間的矛盾、被新資料推翻的舊觀點、沒有外部連結的“孤兒頁面”、提到了但沒有專屬頁面的重要概念、缺失的交叉引用等。這能讓 Wiki 在膨脹時保持健康。索引與日誌 (Indexing and logging)有兩個特殊檔案能幫助 LLM（以及你）在 Wiki 不斷增長時進行導航：index.md (內容目錄)：它是 Wiki 中所有內容的目錄。每個頁面都有一個連結、一句話摘要，也許還有日期或來源數量等中繼資料。按類別組織。LLM 在每次攝入新資料時都會更新它。LLM 回答問題時，會先看 index 找到相關頁面。在中等規模下（~100 份資料，數百個頁面），這種方法出奇地好用，無需搭建複雜的向量檢索（RAG）基礎設施。log.md (操作日誌)：它是按時間順序記錄的。這是一個“只能追加（append-only）”的記錄，記錄了何時發生了什麼（攝入、查詢、檢查）。小技巧：如果每條記錄都以一致的前綴開頭，日誌就能用簡單的工具進行解析。這能讓 LLM 瞭解最近做了什麼。💡 【實操註釋：為什麼這兩個檔案極其重要？】因為目前 AI 的“上下文窗口”是有限的。如果不建索引，AI 無法瞬間看清幾百個檔案的全貌。index.md 就像是一張全域地圖，每次 AI 接到任務，你讓它先看地圖，再決定去修改那個具體的本地檔案。可選：命令列工具 (Optional: CLI tools)隨著 Wiki 變大，你可能需要幫助 LLM 更高效操作的工具。最明顯的就是搜尋引擎。在小規模時 index.md 就夠了，但做大後你需要真正的搜尋。qmd 是個不錯的選擇（一個本地 markdown 搜尋引擎）。你也可以自己讓 LLM 幫你寫一個簡單的搜尋指令碼。(註：對於普通小白使用者，直接使用 Obsidian 自帶的搜尋，或者 Cursor 的 Codebase 檢索功能即可，無需折騰複雜的命令列工具。)技巧與竅門 (Tips and tricks)Obsidian Web Clipper：一個瀏覽器外掛，能把網頁文章轉換成 Markdown。非常適合快速把資料抓進你的 Raw_Sources。把圖片下載到本地：在 Obsidian 中設定快速鍵將引用的圖片下載到本地。這樣 LLM 可以直接查看本地圖片，而不是依賴隨時會失效的網址連結。Obsidian 知識圖譜 (Graph view)：這是查看 Wiki 形狀的最佳方式——什麼連接著什麼，那些是核心樞紐，那些是孤島。Marp 幻燈片：一種基於 Markdown 的 PPT 格式。Dataview 外掛：如果你讓 LLM 在頁面開頭加上 YAML 中繼資料（如標籤、日期），Dataview 外掛能幫你生成動態表格。Git 版本控制：Wiki 只是一個包含 Markdown 檔案的資料夾（git repo）。你可以免費獲得歷史版本和防呆備份。就算 AI 把檔案改亂了，你也可以一鍵回撤。為什麼這種模式有效 (Why this works)維護一個知識庫最繁瑣的部分不是閱讀或思考，而是“記帳（bookkeeping）”。更新交叉引用、保持摘要最新、留意新舊資料的衝突、在幾十個頁面間保持一致性。人類之所以會放棄維護 Wiki，是因為維護的負擔增長得比它帶來的價值快得多。但是，LLM 不會覺得無聊，不會忘記更新連結，並且一次操作就能修改 15 個檔案。因為維護成本接近於零，所以 Wiki 能夠一直保持良好的狀態。人類的工作是精選資料、指導分析、提出好問題，並思考這一切的意義。LLM 的工作是搞定剩下的一切。 (Web3天空之城)
Andrej Karpathy：完整LLM wiki 建構提示詞! 基於Obsidian+AI Agent的個人知識庫完整建構指南
科技#Andrej Karpathy#LLM#wiki
•

程式設計已死，鍵盤長草！Claude Code之父對談Kaparthy，全程爆金句

【新智元導讀】Andrej Karpathy與Claude Code負責人Boris Cherny展開了一場關於程式設計未來的終極對談。面對AI接管100%程式碼編寫的現狀，Karpathy坦言人類正處於「腦萎縮」與能力進化的十字路口。本文深度解析了從Software 2.0到Agentic Coding的範式轉移，揭示了在Opus 4.5等強力模型加持下，程式設計師如何從「搬磚工」進化為「指揮官」，以及不僅要面對效率的飛躍，更要警惕「垃圾程式碼末日」的隱憂。2026年的開篇，科技圈被一場關於「程式設計本質」的深度對話引爆。這場對話的雙方，一位是特斯拉前AI總監、OpenAI創始成員 Andrej Karpathy，他是「Software 2.0」概念的提出者，一直站在程式設計範式轉移的最前沿；另一位是 Claude Code 的締造者、Anthropic 的核心人物 Boris Cherny，他正在親手打造終結傳統程式設計的工具。他們的討論不僅僅是關於工具的迭代，更像是一場關於人類技能邊界的哲學思辨。當程式碼不再由人類一個個字元敲擊而出，我們究竟是在進化，還是在退化？這場對話揭示了一個殘酷而興奮的事實：我們正處於從「指令式程式設計」向「聲明式意圖」徹底轉型的奇點。「我兩個月沒手寫過一行程式碼了」 從輔助到接管震撼的開場白來自 Claude Code 的負責人 Boris Cherny。「兩天狂發 49 個 PR！」 這是 Boris 團隊目前的工作常態。他透露，Claude Code 團隊目前的開發工作幾乎100% 由 Claude Code 結合 Opus 4.5 完成。「對我個人而言，這種情況已經持續兩個多月了，我甚至不再手動進行任何小微信調。」 Boris 的話語中透著一種跨越時代的自信。無論是在 CLI 命令列，還是在 iOS 手機端，程式碼的生成、測試、提交，全流程由 AI 接管。這不僅僅是一個效率提升的故事，而是一個工作流重構的故事。Boris 分享了他極其硬核的「AI 原生」工作流：他通常會在終端同時運行 5 個 Claude 實例，甚至在 Web 端再開 5-10 個。他不再是那個逐行敲程式碼的工匠，而是一個指揮著一支 AI 軍團的指揮官。他使用「Plan Mode」（計畫模式）讓 AI 先思考策略，確立方案後再切換到執行模式。這種「平行化開發」的能力，讓一個人的產出足以匹敵一個傳統的小型開發團隊。而 Karpathy 的體驗也印證了這一點。他在長文中感嘆：「2025年11月，我還是80%手動+20% AI；到了12月，直接變成了80% AI + 20%手動。」「我在用英語程式設計。」Karpathy 略帶自嘲但也無比誠實地承認，「這有點傷自尊，告訴 AI 該寫什麼，就像在指揮一個實習生。但當你習慣了那種大規模駕馭軟體的『程式碼操作』能力後，你根本回不去了。」深度解析 從 Software 2.0 到 Agentic Coding要理解 Karpathy 的震撼，我們必須回溯他在 2017 年提出的 「Software 2.0」 概念。當時的 Software 2.0，是指用神經網路權重替代人工編寫的邏輯（Software 1.0）。程式設計師的角色從「編寫規則」變成了「整理資料」。而今天，我們正在邁入 Software 3.0 或者說是 Agentic Coding（代理編碼） 的時代。在這個階段，只有「意圖」（Intent）是人類提供的，而實現細節（Implementation）完全由 AI 掌控。Karpathy 敏銳地指出，這種轉變標誌著程式設計範式從「命令式」（Imperative）向「聲明式」（Declarative）的終極飛躍。過去：你需要告訴電腦「第一步做什麼，第二步做什麼，如果出錯怎麼辦」。現在：你只需要定義「成功標準是什麼」。正如 Boris 團隊所實踐的，利用 Claude Opus 4.5 強大的長程推理能力和 CLAUDE.md 這樣的記憶檔案，AI 能夠理解項目的整體架構上下文。Opus 4.5 在 CodeClash.ai 等基準測試中展現出的統治力，證明了它不僅僅是一個程式碼補全工具，而是一個具備邏輯推理、能夠自我修正的「工程師」。它不僅能寫程式碼，還能管理依賴、重構架構、甚至編寫測試用例來驗證自己的程式碼。這種「循環驗證」（Looping）能力是 Agentic Coding 的核心。AI 不再是寫完就忘，它會在一個封閉的循環中運行測試、讀取報錯、修改程式碼，直到通過測試為止。這正是 Karpathy 提到的「Feel the AGI」（感受通用人工智慧）的時刻——看著 AI 在30分鐘內不知疲倦地嘗試幾十種方案最終解決難題，人類感受到了前所未有的「槓桿效應」。10x 工程師的重新定義 通才的勝利隨著 AI 接管具體的編碼工作，「程式設計師」這個職業的定義正在被劇烈重寫。Boris 直言不諱：「我們現在傾向於招募『通才』（Generalists）。」在 LLM 能夠自動補全所有技術細節的時代，過去那些死記硬背的 API、特定語言的奇技淫巧，不再是護城河。你不需要記住 Python 的某個庫函數的具體參數，因為 AI 肯定記得比你清楚。真正的 「10x 工程師」 依然存在，但他們的能力模型發生了重組。未來的頂級工程師將是那些擁有宏觀視野的人——他們必須是能橫跨 產品與設計、業務甚至底層架構 的多面手。他們是產品經理：能清晰定義需求，識別偽需求。他們是架構師：能設計高可用的系統結構，指揮 AI 去填充模組。他們是測試官：能敏銳地發現 AI 邏輯中的漏洞，制定嚴格的驗收標準。Karpathy 也提出了深刻的疑問：「借助 LLM，通才是否會全面碾壓專才？」答案似乎是肯定的。AI 擅長填補微觀的細節（Fill in the blanks），而人類需要負責宏觀的戰略（Grand Strategy）。未來的程式設計，更像是玩《異星工廠》（Factorio）或者《星海爭霸》——你在指揮千軍萬馬，而不是親自去挖每一塊礦石。那些只專注於「把需求翻譯成程式碼」的初級程式設計師（Junior Devs），將面臨最嚴酷的生存危機。「廢用性萎縮」與 「Slopacolypse」繁榮背後的陰影然而，這場革命並非沒有陰影。Karpathy 最深刻的擔憂在於——「腦萎縮」（Atrophy）。「我已經注意到，我手動寫程式碼的能力正在緩慢退化。」Karpathy 描述這種感覺。在大腦的認知功能中，生成（Generation）和辨別（Discrimination）是兩種完全不同的能力。以前的程式設計師通過大量的「生成」訓練（寫程式碼）來強化邏輯；而現在，我們越來越依賴「辨別」能力（Review 程式碼）。這就像計算器的普及讓我們喪失了心算能力一樣。雖然我們還能讀懂程式碼（Review），但那種從零建構系統、對每一行程式碼都了然於胸的「肌肉記憶」正在消失。當你不再親自處理記憶體管理、不再親自偵錯並行死鎖，你對電腦系統的底層理解是否也會隨之膚淺化？更可怕的是 Karpathy 預測的 2026年 「Slopacolypse」（垃圾程式碼末日）。隨著 AI 生成內容的氾濫，網際網路和程式碼庫可能被大量低品質、看似正確實則充滿隱患的「垃圾」（Slop）填滿。GitHub 上可能充斥著由 AI 生成的、無人能維護的「屎山」。Karpathy 警告：目前的 AI 仍然會犯錯，不是簡單的語法錯誤，而是那種「粗心的初級程式設計師」才會犯的微妙概唸錯誤。它們會過度抽象，會堆砌死程式碼（Dead Code），會盲目順從你的錯誤假設。如果不加節制，軟體工程的熵將急劇增加。對此，Boris 則持一種「技術樂觀主義」態度。他認為「垃圾末日」不會到來，理由是——AI 審 AI。「我們在 Anthropic，每個 PR 都會開啟一個新的上下文窗口，讓 Claude 去 Review Claude 寫的程式碼。」這種「左腳踩右腳」的螺旋上升，被 Boris 視為解藥。隨著模型能力（特別是 Opus 4.5 及其後續版本）的提升，AI 清理垃圾程式碼、重構程式碼的能力將超過它製造垃圾的速度。未來的 IDE 可能不僅是程式碼編輯器，更是一個全自動的垃圾回收站，即時清洗著 AI 產生的冗餘。昇華：相位轉換的一年Karpathy 將 2026 年定義為 「行業代謝新能力、發生相位轉換（Phase Shift）的關鍵一年」。這不僅僅是效率的提升，而是物種的進化。我們正在經歷從「手工匠人」到「工業化生產」的劇變。在這個新時代，人類的角色從「建築工」變成了「建築師」。我們失去的是搬磚的手感，得到的是建造摩天大樓的視野。程式設計不再是關於「語法」和「演算法」的苦修，而是關於「想像力」和「邏輯」的釋放。但正如 Karpathy 所言，看著 AI 不知疲倦地在30分鐘內解決一個只有人類專家才能解決的難題，那種 「Feel the AGI」（感受通用人工智慧） 的時刻，既讓人興奮，也讓人感到一絲作為碳基生物的落寞。程式設計已死，程式設計萬歲。死的是作為「打字員」的程式設計師，活下來的是作為「創造者」的我們。當你不再需要為語法報錯而抓狂時，唯一限制你的，就只剩下你的想像力，和對世界本質的理解了。 (新智元)
程式設計已死，鍵盤長草！Claude Code之父對談Kaparthy，全程爆金句
科技#Andrej Karpathy#Claude Code#AI
•

Andrej Karpathy人工智慧2025年度總結：六大範式轉變，規則已變，未來已來

AI 大神 Andrej Karpathy 的 2025 年度總結：人工智慧的六大範式轉變前言：為什麼要關注這份總結？Andrej Karpathy 是誰？如果說 AI 領域有江湖，那他就是那種"掃地僧"等級的存在。他是 OpenAI 的創始成員之一，曾擔任特斯拉 AI 總監，史丹佛大學博士，CS231n（深度學習最著名課程之一）的建立者。當這樣的頂級專家發佈年度總結時，整個 AI 圈都會豎起耳朵仔細聆聽。2025 年 12 月 19 日，Karpathy 在他的個人部落格上發佈了《2025 LLM 年度回顧》。在這篇文章中，他總結了 2025 年大語言模型（LLM）領域的六個"範式轉變"——這些不是普通的技術進步，而是真正改變遊戲規則的創新。讓我們用最通俗的語言，深入淺出地理解這六大變革。變革一：RLVR——讓 AI 學會"思考"的新訓練方式什麼是 RLVR？想像一下，過去訓練 AI 就像教小孩背課文：預訓練：讓 AI 讀遍網際網路上的所有文章，就像讓孩子讀萬卷書監督微調：給 AI 示範標準答案，就像老師手把手教孩子做題人類反饋強化學習（RLHF）：人類對 AI 的回答打分，AI 學著討人喜歡這套方法從 2020-2022 年就定型了，一直很管用。但 2025 年出現了一個新階段：RLVR（可驗證獎勵強化學習）。通俗解釋：從"背答案"到"學思考"傳統方法的侷限：就像學生只會背標準答案，不會靈活思考。遇到新題型就傻眼了。RLVR 的突破：不再喂標準答案，而是給 AI 大量有明確對錯的題目（比如數學題、程式設計題），讓 AI 自己摸索解題方法。結果神奇的事情發生了——AI 自發地學會了"推理"：把複雜問題拆分成小步驟嘗試多種解題策略發現錯誤後會回溯重試這就像孩子自己琢磨出了"怎麼思考"，而不是死記硬背解題步驟。為什麼這是大事？1. 訓練時間大幅增加：因為有客觀的對錯標準（不像人類打分那麼主觀），可以讓 AI 練習更久。2025 年，很多計算資源從預訓練轉移到了 RLVR，模型大小沒怎麼增加，但"練習思考"的時間大大延長。2. 誕生了"思考時間"這個新維度：現在可以控制 AI 思考多久。給它更多時間，它就能推理得更深入。這就像考試時，簡單題 1 分鐘做完，難題可以思考 10 分鐘。3. 里程碑事件：2024 年底，OpenAI 的 o1 模型是第一個 RLVR 模型的展示2025 年初，o3 模型發佈時，所有人都能直觀感受到這個質的飛躍變革二：幽靈 vs 動物——重新理解 AI 的"智能形態"一個深刻的比喻Karpathy 提出了一個發人深省的觀點：我們不是在"進化動物"，而是在"召喚幽靈"這話什麼意思？動物智能 vs AI 智能人類和動物：在叢林中進化了幾百萬年大腦最佳化目標：生存、繁衍、保護部落智能是"圓潤"的——各方面能力比較均衡大語言模型：在網際網路文字上訓練最佳化目標：模仿人類文字、解數學題、獲得人類點贊智能是"鋸齒狀"的——某些方面超強，某些方面弱得離譜"鋸齒狀智能"是什麼體驗？想像一個場景：3秒前：AI 剛剛完美解決了一個需要博士水平的數學證明3秒後：AI 被一個小學生都不會上當的文字遊戲給騙了，洩露了你的資料這就是 2025 年 AI 的真實寫照——同時是天才博學者和認知障礙的小學生。為什麼會這樣？因為 RLVR 讓 AI 在"可驗證領域"瘋狂長尖刺：數學題？瘋狂練習，能力爆表程式設計題？同樣瘋狂練習，超級強大常識推理？沒有明確對錯，練不了，所以很弱引發的問題：基準測試不再可信Karpathy 坦言，他在 2025 年"對基準測試失去了信任"。為什麼？因為幾乎所有基準測試都是"可驗證"的（有標準答案），所以：AI 實驗室瘋狂針對這些測試進行訓練AI 在測試上的分數飆升但實際應用能力可能沒那麼強這就像"應試教育"——考試分數很高，但實際能力參差不齊。核心問題：有沒有可能 AI 把所有基準測試都考滿分，但仍然沒有實現 AGI（通用人工智慧）？答案是：完全可能。變革三：Cursor——LLM 應用的新範式Cursor 是什麼？Cursor 是 2025 年爆火的 AI 程式設計工具。但 Karpathy 關注的不是它有多火，而是它定義了一種全新的 LLM 應用模式。傳統 AI 應用 vs Cursor 模式傳統模式（如 ChatGPT）：你問一句，AI 答一句就像打開一個網站，輸入問題，得到答案Cursor 模式：深度整合到專業工具（程式設計環境）自動獲取上下文（你的程式碼、項目結構）在後台編排多個 AI 呼叫，形成複雜工作流提供專業領域的介面有"自主程度滑塊"——可以讓 AI 自己幹活，也可以每步都問你四大核心特徵Karpathy 總結了 Cursor 式應用的四個要素：上下文工程：自動理解你的工作環境（程式碼庫、檔案結構等）多 LLM 呼叫編排：背景執行複雜的 AI 工作流，平衡性能和成本專業化介面：不是通用聊天框，而是針對特定領域設計的互動自主程度控制：從"完全手動"到"全自動"之間調節引發的討論：AI 應用的護城河有多寬？2025 年業界爭論激烈的問題：OpenAI、Anthropic 這些 LLM 大廠會不會把所有應用都做了？還是會有大量 AI 應用公司的機會？Karpathy 的觀點：LLM 大廠培養的是"通用大學生"，而 LLM 應用公司會把這些大學生組織成專業團隊，部署到具體行業比如：LLM 大廠：提供基礎模型（通用能力）Cursor：組織這些模型成為專業程式設計師團隊其他垂直應用：可能在醫療、法律、設計等領域做類似的事關鍵差異在於：私有資料、感測器、執行器和反饋循環變革四：Claude Code——住在你電腦裡的 AI什麼是 Claude Code？Claude Code（CC）是 Anthropic 推出的一個命令列工具，但它的意義遠不止於此。為什麼說它是"範式轉變"？OpenAI 的思路（Karpathy 認為走錯了）：把 AI Agent 部署在雲端在容器裡運行從 ChatGPT 網頁控制Anthropic 的思路（Karpathy 認為正確）：Agent 直接運行在你的本地電腦上訪問你的本地檔案、配置、金鑰低延遲互動核心區別：不是"算力在那裡"，而是"AI 在那裡生活"這不是技術架構的區別（雲端 vs 本地計算），而是互動範式的區別：舊範式：AI 是你訪問的一個網站（像 Google）新範式：AI 是住在你電腦裡的"小精靈/幽靈"它瞭解你的工作環境它能訪問你的私有資料它和你低延遲互動它幫你操作本地工具為什麼這很重要？因為我們處在一個"能力參差不齊"的 AI 時代，讓 AI 直接接觸你的真實工作環境，比在雲端遠端操作效率高得多。就像你雇了一個助手：舊方式：助手在遠方的辦公室，你打電話指揮，他看不到你的桌面新方式：助手就坐在你旁邊，能看到你的螢幕，能操作你的鍵盤變革五：Vibe Coding——用"感覺"寫程式碼什麼是 Vibe Coding？這個詞是 Karpathy 自己在 2025 年的一條推文中創造的，結果意外走紅。傳統程式設計：學習程式語言語法理解演算法和資料結構一行行寫程式碼需要多年訓練Vibe Coding：用自然語言描述你想要什麼AI 幫你生成程式碼你甚至不需要看程式碼，只關注效果任何人都能做真實案例：Karpathy 自己的體驗案例1：Rust 分詞器他在開發 nanochat 項目時，需要一個高效的 BPE 分詞器用 Vibe Coding 讓 AI 幫他寫了一個 Rust 實現他自己不需要深入學習 Rust也不需要依賴現成的庫案例2：一次性應用他會為了找一個 bug，讓 AI 寫一整個臨時應用用完就扔因為"程式碼突然變得免費、短暫、可塑、用完即拋"案例3：快速原型他 Vibe Coded 了很多項目：menugen：菜單生成器llm-council：AI 議會reader3：閱讀器HN time capsule：駭客新聞時光膠囊Vibe Coding 的深遠影響1. 權力下放以前：程式設計是高技能專業人士的專利現在：普通人也能通過自然語言"程式設計"這符合 Karpathy 之前寫的一篇文章觀點：LLM 是第一個讓普通人比專業人士受益更多的技術2. 專業人士寫更多程式碼以前：因為成本高，很多"小工具"不值得寫現在：順手就能 Vibe Code 一個出來3. 軟體的本質改變程式碼從"昂貴資產"變成"免費耗材"一次性軟體變得可行工作流程和職位描述都會改變Karpathy 的比喻"Vibe Coding 將改造整個軟體地貌，改變工作描述"變革六：Nano Banana——LLM 的"圖形介面"什麼是 Nano Banana？Google Gemini Nano Banana 是 Karpathy 眼中"2025 年最令人驚嘆、最具範式轉變意義的模型之一"。為什麼這麼重要？一個深刻的類比Karpathy 提出了一個宏大的視角：LLM 就像 1970-80 年代的電腦，我們會看到類似的創新演進：個人電腦的 LLM 版本微控製器的 LLM 版本（認知核心）網際網路的 LLM 版本（Agent 網際網路）GUI 的 LLM 版本← Nano Banana 的意義就在這裡文字 vs 圖像：人類的真實偏好LLM 的原生語言：文字就像 1980 年代電腦的命令列介面電腦喜歡文字，因為高效、精確人類的偏好：視覺和空間資訊人類其實不喜歡閱讀文字——又慢又費力人類喜歡看圖、看視訊、看動畫、看圖表LLM 介面的演進第一代：純文字對話（命令列時代）第二代：Markdown、emoji（給文字"化妝"）標題、粗體、斜體、列表、表格讓文字更易讀第三代：真正的"LLM GUI"資訊圖表幻燈片白板動畫/視訊Web 應用← Nano Banana 是這個方向的早期預兆Nano Banana 的獨特之處不只是"能生成圖片"，而是：文字生成 + 圖像生成 + 世界知識三者糾纏在模型權重裡形成了新的互動範式就像 GUI 之於命令列的革命，LLM GUI 可能會徹底改變我們與 AI 互動的方式。總結：我們身處何方？Karpathy 在文章最後給出了他的總體判斷：1. AI 既比預期聰明，又比預期愚蠢這是"幽靈 vs 動物"那一節的核心觀點。我們得到了一種全新的智能形態，不能用人類智能的標準去衡量。2. AI 的潛力還遠未釋放"我認為業界還沒有實現 AI 當前能力的 10% 潛力"即使不考慮未來的進步，光是已有的能力，應用空間還大得很。3. 領域仍然寬廣開放這麼多想法可以嘗試，這麼多方向可以探索，充滿機會。4. 矛盾但真實的預測在 Dwarkesh 播客中，Karpathy 提到了一個"表面上矛盾"的觀點：我同時相信：我們會看到快速而持續的進步還有大量工作要做這不矛盾，因為：進步很快，但 AGI 還很遠每個突破都打開新的可能性同時也暴露新的挑戰5. 系好安全帶Karpathy 用"Strap in"結尾——系好安全帶，精彩的旅程才剛開始。寫在最後：為什麼這份總結值得仔細讀？1. 視角獨特Karpathy 不是投資人，不是媒體，而是真正在一線做技術的頂級專家。他的觀察是基於：OpenAI 創始團隊經歷特斯拉 AI 總監經歷對技術本質的深刻理解2. 坦誠直率他直言對基準測試失去信任，批評 OpenAI 的一些技術選擇，這種坦誠在行業內很少見。3. 長期視角他不追逐短期熱點，而是關注"範式轉變"——那些真正改變遊戲規則的創新。4. 哲學深度"幽靈 vs 動物"、"LLM GUI"這些概念，不只是技術觀察，而是對智能本質的哲學思考。5. 實踐導向他自己在用 Vibe Coding 做項目，自己在體驗 Claude Code，這些不是紙上談兵，而是來自一線的真實感受。延伸閱讀Karpathy 在文章中提到了他寫的其他深度文章：Animals vs. Ghosts（動物 vs 幽靈）Verifiability（可驗證性）The Space of Minds（心智空間）Power to the people: How LLMs flip the script on technology diffusion（權力下放：LLM 如何顛覆技術擴散）還有他的播客訪談：Dwarkesh PodcastYC Talk 文字版YC Talk 視訊個人感悟讀完 Karpathy 的總結，最大的感受是：我們正處在一個激動人心但混沌不清的時代。AI 既不是即將到來的"神"，也不是被誇大的"泡沫"，而是一種全新的、我們還在學習理解的智能形態。2025 年的六大範式轉變告訴我們：技術在快速進步（RLVR、Cursor、Claude Code）認知在深化（幽靈 vs 動物、鋸齒狀智能）應用在演化（Vibe Coding、LLM GUI）但更重要的是，旅程才剛剛開始。正如 Karpathy 所說：Strap in（系好安全帶）。 (AI Daily Insights)
Andrej Karpathy人工智慧2025年度總結：六大範式轉變，規則已變，未來已來
科技#Andrej Karpathy#人工智慧#2025年度總結
•

撐起AI半邊天的Andrej Karpathy大神親授：如何成為任何領域的專家？

在當今這個知識爆炸、技術飛速迭代的時代，如何高效學習並掌握一門技能，直至成為專家，是許多人職業生涯中的核心命題。所以，我們今天來講講Andrej Karpathy。這個名字在AI界可謂如雷貫耳。作為OpenAI的創始成員之一、前特斯拉人工智慧總監，以及史丹佛大學著名深度學習課程CS231n的設計者和首席講師，他的職業履歷星光熠熠，充滿了傳奇色彩。Karpathy不僅在學術研究和工業應用上取得了卓越成就，更是一位熱衷於分享知識的教育者。他提出的許多學習方法和職業建議，因其深刻的洞察力和極高的實踐性，在科技圈廣為流傳，被無數人奉為圭臬。早在2020年，Karpathy就曾分享過一個看似簡單卻蘊含深意的三步框架，為有志於成為專家的人們指明了一條清晰的道路。Karpathy的核心建議主要包含以下三點：1，項目驅動，深度優先：放棄“廣度優先、自下而上”的傳統學習模式，轉而通過完成具體的項目進行“按需學習”，實現縱向的深度積累。2，教學相長，自我沉澱：用自己的話去教授或總結所學，這是檢驗和鞏固知識的最佳方式。3，對標自己，持續成長：永遠只和過去的自己比較，而非他人，專注於個人的持續進步。這三條建議看似樸素，卻直擊學習的本質。我們一條一條細品。01. 項目驅動深度優先你是否也曾有過這樣的經歷：為了學習一門新技術，收藏了無數的教學、購買了堆積如山的專業書籍，試圖從最基礎的理論開始，建構一個全面的知識體系。然而，這種“廣度優先”的學習方式，往往會讓我們陷入理論的汪洋大海，迷失方向，最終因缺乏實踐和正反饋而半途而廢。Karpathy對此提出了截然不同的見解：以項目為導向，進行“深度優先”的學習。也就是說，我們應該首先選擇一個具體、可執行的項目，然後在完成這個項目的過程中，去學習所需的知識點。這種“干中學”（Learning by Doing）的方式，能夠將學習與實際應用緊密結合，極大地提升學習效率和動力。在Karpathy廣為流傳的博文《神經網路訓練秘籍》（A Recipe for Training Neural Networks）中，他詳細闡述了如何一步步建構和最佳化一個神經網路模型。https://karpathy.github.io/2019/04/25/recipe/這篇文章本身就是項目驅動學習的絕佳範例。他沒有一上來就羅列艱深的數學公式，而是將整個過程分解為一系列可操作的步驟，比如：與資料融為一體：在寫任何程式碼之前，花大量時間去觀察和理解你的資料，尋找其中的模式和異常。搭建端到端的骨架：先用一個最簡單的模型跑通整個訓練和評估流程，確保你的管道是暢通的。過擬合：然後，嘗試讓模型在小批次資料上達到過擬合，以驗證模型的容量和程式碼的正確性。正則化與調優：在確認模型能夠學習後，再逐步引入正則化技術，調整超參數，提升泛化能力。這套流程的核心思想就是迭代和驗證：從一個最小可行性產品（MVP）開始，每一步都進行驗證，確保根基牢固，然後再逐步增加複雜性。這種方法不僅適用於訓練神經網路，也適用於學習任何新技能。例如，如果你想學程式設計，可以從搭建一個簡單的個人網站開始；想學資料科學，可以從分析一份你感興趣的公開資料集入手。在解決實際問題的過程中，你會自然而然地去學習HTML/CSS、Python庫或統計學知識，這些知識點因為有了明確的應用場景，而變得不再枯燥。在另一篇極具影響力的文章《博士生生存指南》（A Survival Guide to a PhD）中，Karpathy進一步強調了“深度”的重要性。他將博士生涯比作一次長達約10400小時的深度探索，而這恰好與馬爾科姆·格拉德威爾提出的“一萬小時定律”不謀而合。https://karpathy.github.io/2016/09/07/phd/Karpathy認為，博士的核心目標，就是在某個非常細分的領域裡，通過深度鑽研，成為世界級的專家。他建議研究者要選擇那些“肥沃”的領域，即有足夠深度和廣度，能夠讓你產出一系列相互關聯的研究成果。同時，要勇於挑戰那些比當前問題難2-3倍，但重要性高10倍的問題，避免在細枝末節上進行微小的改進。這一思想同樣適用於非學術領域。正如Karpathy所說，如果一個人的一生可以專注投入，大約能成為15個領域的專家。因此，與其將精力分散在無數個淺嘗輒輒的領域，不如選擇少數幾個你真正熱愛的方向，進行深度挖掘。在一個狹窄的領域裡做到頂尖，遠比在多個領域都表現平平更有價值。02. 教學相長自我沉澱掌握知識的第二大支柱，是主動複述和知識重構。僅僅是被動地輸入資訊，知識的留存率會非常低。而通過“教”與“寫”的方式，將所學內容用自己的語言重新組織和輸出，則能極大地加深理解，發現知識盲區。這與諾貝爾物理學獎得主理查德·費曼所倡導的“費曼學習法”不謀而合。給本科生的建議：主動復現，而非被動閱讀Karpathy在給本科生的學習建議中提到，“閱讀和理解”與“能夠復現內容”是完全不同的兩件事。他鼓勵學生在學習後，合上書本，嘗試獨立推導公式或證明，以此來檢驗自己是否真正掌握了知識。他還建議，學習初期可以獨立思考，建立自己的理解體系；後期則可以與他人協作，通過向同學解釋概念，來鞏固和深化自己的認知。為一門課程製作一份“備考清單”（Cheat Sheet），將整個課程的知識點濃縮在一頁紙上，也是一種極佳的知識梳理和內化方式。CS231n: Convolutional Neural Networks for Visual Recognition在Karpathy的職業生涯中，分享始終扮演著至關重要的角色。他不僅通過部落格文章分享自己的研究心得和實踐經驗，還積極投身於開放原始碼專案。他認為，將自己的程式碼和項目開源，不僅能幫助他人，更能督促自己寫出更規範、可復現的程式碼，這本身就是一個絕佳的學習過程。同樣，撰寫部落格或技術教學，也是一種高效的“教學相長”方式。當你試圖向他人清晰地解釋一個複雜概念時，你會被迫從讀者的角度出發，重新審視自己的知識結構，理清其中的邏輯鏈條。這個過程會暴露你理解上的模糊之處，促使你回頭去查閱資料，填補知識漏洞。Karpathy本人就是這一理念的忠實踐行者。他在史丹佛開設的CS231n課程，其詳盡的課程筆記和公開的教學視訊，已經成為全球AI學習者的入門寶典。這一舉動不僅鞏固了他自身的知識體系，更極大地放大了他的影響力。因此，在你完成一個項目或學習了一個新模組後，不妨嘗試寫一篇總結文章，或錄製一個簡短的教學視訊，分享到你的部落格、知乎或B站上。這個過程所帶來的收穫，將遠超你的想像！03. 對標自己持續成長通往專家之路 rarely 是一帆風順的。在這個過程中，我們難免會遇到挫折，看到身邊的人似乎比自己進步得更快，從而產生焦慮和自我懷疑。Karpathy的第三條建議，正是應對這種心態的良藥：只與過去的自己比較，專注於個人的成長軌跡。在Karpathy看來，學習的本質是“精神鍛鍊”。他曾在一個訪談中形象地比喻道，真正的學習應該感覺像是“精神上的流汗”（the mental equivalent of sweating）。它應該是一種費力的、充滿挑戰的過程，就像在健身房裡進行高強度鍛鍊一樣，而不是像刷短影片那樣輕鬆愉悅。如果你在學習過程中感到有些吃力，甚至痛苦，這恰恰說明你正在走出舒適區，你的認知邊界正在被拓寬。在他的《博士生生存指南》中，他也坦誠地描述了科研道路上的種種艱辛，比如實驗失敗、論文被拒，甚至產生自我認同危機。要想成為專家，必須具備強大的心理韌性和獨立思考的能力。要學會從第一性原理出發思考問題，忽略那些無意義的外部評價指標，享受在非結構化環境中探索的自由。為了更好地實踐“對標自己”的原則，一個有效的方法是記錄你的成長里程碑。你可以定期寫學習日誌，記錄下自己在這個月或這個季度學到了什麼新技能，解決了什麼難題。當你回顧這些記錄時，你會清晰地看到自己的進步軌跡：半年前還一頭霧水的概念，現在已經能夠運用自如；一年前還無法獨立完成的項目，現在已經遊刃有餘。這種自我參照的成長反饋，能極大地增強你的自信心和學習動力。你會發現，知識的積累也存在“複利效應”。每天一點點的進步，經過時間的沉澱，最終會匯聚成巨大的飛躍。Karpathy本人的成長歷程，從一個對深度學習充滿好奇的學生，成長為引領行業發展的AI領袖，就是這種長期堅持和自我超越的最好證明。Andrej Karpathy的專家養成三步法——項目驅動、教學相長、對標自己為我們描繪了一條清晰、可行的精進之路。它告訴我們，成為專家並非依賴於所謂的天賦異稟，而是一個關於刻意練習、深度聚焦、積極反思和自我衡量的系統性過程。這條路並非坦途，它需要我們付出汗水和耐心。但正如Karpathy的經歷所展示的，無論是從零開始編寫一個神經網路，還是領導一個頂尖的AI團隊，這套原則都同樣適用。2025年就要結束了，祝願每一個人都能成為某個領域的專家。 (TOP創新區研究院)
撐起AI半邊天的Andrej Karpathy大神親授：如何成為任何領域的專家？
科技#Andrej Karpathy#AI#專家
•

Andrej Karpathy的學習指南

在人工智慧領域，Andrej Karpathy 是一位廣受尊敬的研究者與領導者。他不僅因其在深度學習領域的開創性工作而聞名，也因其卓越的教學才能和對人才培育的深刻見解備受推崇。他曾在史丹佛大學任教，並擔任特斯拉人工智慧高級總監，親身經歷了從優秀學生到行業頂尖領袖的完整路徑。這篇文章，是 Andrej Karpathy 對自己多年學習與考核經驗的一次系統性總結。它沒有停留在“努力學習”的空泛說教上，而是提供了一套清晰、具體且極具操作性的方法論體系。這套方法源於其親身實踐，涵蓋了從日常學習、考前準備到考場發揮的每一個關鍵環節，其核心在於如何以最高的效率掌握知識，並戰略性地管理個人精力。更為難得的是，文章超越了如何“取得高分”的技術層面，指向了一個更宏大的命題：在大學這場遊戲中，真正的贏家不是成績單最完美的人，而是最懂得如何分配有限資源（時間與精力），以贏得未來最大機遇的人。Andrej Karpathy 一針見血地指出，對課程的“隧道視野”是許多天賦異稟的學生所陷入的最大誤區。因此，這不僅僅是一份“學習指南”，更是一份來自頂尖實踐者的戰略規劃。它旨在幫助讀者打破迷思，將目光從分數上移開，投向真正重要的領域：真實世界的項目經驗、有份量的推薦信，以及獨立解決問題的能力。這些，才是未來世界裡真正的硬通貨。Doing well in your courses作者：Andrej Karpathy如果年輕的本科生們希望在大學課程中取得好成績，以下是我會給予的一些建議。在我人生中經歷過多年考試（成績相當不錯），以下是我覺得對我有幫助的一些經驗法則：一、通識建議通宵熬夜真的不值睡眠能創造奇蹟。對我來說，最佳睡眠時間大約是7.5小時，絕對底線是4小時左右。我好幾次遇到這樣的情況：晚上為一個問題糾結了一兩個小時都解決不了，但第二天早上只需5分鐘就搞定了。我感覺大腦會在夜間將許多不牢固的短期記憶“固化”為穩定的長期記憶。因此，對於任何大考，我都會儘量提前幾天開始複習，那怕每天只學一會兒，目的就是為我的大腦爭取儘可能多的夜晚來消化這些材料。務必參加輔導課或複習課即使這些課程質量不佳。它們能讓你思考相關學習內容，這才是最重要的。如果覺得太無聊，你總可以在課上做些別的事情。記住，你也可以試著去聽不同助教的輔導課。二、考試：準備階段把握全域與做好規劃是關鍵制定學習計畫，即使你未能完全遵循。對我而言，這通常包括先瞭解需要掌握的所有知識點，並明確地以要點形式寫下來。仔細考慮每一點，並估算掌握它們所需的時間。如果不這樣做，你很容易在前期材料上花費過多時間，而後因為時間不足，草草略過（往往是最重要的）後續內容。在開始學習前，務必先查看往年的試題尤其是當往年試題由同一位教授出題時。這會給你強有力的提示，告訴你應該如何學習。每位教授都有不同的考核風格。一開始不必嘗試完整答題，但要仔細留意題目的類型。閱讀和理解，並不等同於能復現內容即使是我，也常犯這個錯誤：你在書中讀到一個公式、推導或證明，覺得完全理解了。現在合上書，試著把它寫下來。你會發現這個過程完全不同，而且會讓你驚訝的是，很多時候你其實寫不出來！這兩件事似乎動用了記憶中不同的部分。務必確保自己能夠實際寫下最重要的內容，並且可以隨時重新推匯出來。費曼就深諳此道。儘量與他人協作，但最好在備考後期先獨自學習，因為在學習初期，他人只會讓你分心。但在臨近考試時，要與他人一起複習：他們常常能指出重要的易錯點，提出好的問題，有時還能給你講解的機會。這也引出了下一點：不要只和比你強的學生一起學習水平稍弱的同學會讓你向他們解釋知識，你會發現，教授他人對理解知識點幫助巨大。在期末考試前，至少去找一次教授的答疑時間即使你沒有任何問題（也可以編一個！）。教授有時會願意在一對一交流中透露更多關於考試的資訊（這些是他們不會在全班面前透露的）。不要抱太大期望，但一旦發生，會對你有很大幫助。這是否讓你比其他學生有不公平的優勢？有時候是的。這有點“灰色地帶” :)但總的來說，讓教授至少對你有點印象是個好主意。提前充分複習我之前提過嗎？也許我應該再強調一遍。大腦真的需要時間來吸收知識。那些起初看起來很難的東西，隨著時間推移會變得容易。你應該為期中考試預留約3天，為期末考試預留約6天的複習時間。如果情況不妙，你感到過於疲憊，在緊急情況下，可以灌下一瓶能量飲料它們確實管用。這純粹是化學反應。對於數學這類科目：做題 > 閱讀學習到基本準備好開始做題的程度是好的，但隨後應該通過做題來填補知識空白，尤其是當你有大量習題可做時。做題也會迫使你回頭去閱讀那些你不懂的內容。為自己製作一份“小抄”（cheat sheet）即使考試不允許帶入。寫下東西本身就是有幫助的。你的目標是，將整門課程的核心內容濃縮在一頁或多頁紙上，最終你可以把它們鋪在面前，並高度自信地說：“這就是我必須掌握的全部內容。”在別人也在學習的地方學習，即使他們學的不是同一門課這會在你不學習時讓你感到愧疚。這招對我很管用 :)背景噪音大的地方不好，並且有研究支援其對學習有負面影響。圖書館和閱覽室效果最佳。三、考試：當天最佳的飲食習慣是：在考試前2小時喝咖啡和進食對我而言，在考試前立刻喝咖啡或吃東西總是很糟糕。在任何可能帶來壓力的情境前立刻喝咖啡總是很糟糕。但完全不喝咖啡也不行。我意識到關於咖啡的部分可能是我個人的主觀感受，但這值得你為自己思考一下。在考試前最後一刻也要高強度複習我看到很多人在考試前就放棄了，聲稱要“休息一下”。短期記憶是很神奇的東西，不要浪費它！在考試前儘可能高強度地學習。如果你真的覺得必須休息，請在考試前大約一小時休息，但務必確保在考前30-45分鐘進行非常專注的複習。四、考試期間考試時務必使用鉛筆這樣你才能擦掉那些垃圾“解題過程”。開始答題前，快速瀏覽所有題目每道題只看1-3秒就足夠了。只需吸收所有關鍵詞，並對整個試卷的體量有個概念。考試時，先做簡單的題不要讓自己在某一題上卡太久。稍後再回來解決。我一直在跳題……有時第一遍只能完成試卷的30%。有些題目在你“熱身”之後會變得容易得多，我無法解釋原因。試卷書寫務必整潔令人驚訝的是，很少有人意識到這個顯而易見的事實：批改你試卷的是一個人。一個心情糟糕的人會給低分。我本科時就懷疑這一點，在我當助教親自批改試卷後，更是強烈地證實了它。務必把答案用框框起來或圈出來尤其是在答案周圍有推導過程時。這能讓閱卷人快速地給你打上滿分勾，然後繼續批改。要站在閱卷人的角度思考。永遠、永遠、永遠不要提前交卷你肯定犯了愚蠢的錯誤（我保證），找到並改正它。如果找不到，那就更努力地找，直到時間用完。如果你非常確定沒有錯誤，那就花時間讓試卷更清晰、更容易批改。擦掉無用的草稿，框出答案，為證明過程加入步驟等等。我別無他言——提前交卷的人是愚蠢的。這是一個“潛在收益完全大於成本”的典型情況。與閱卷人溝通向閱卷人展示你知道的比你寫下來的更多。好吧，你可能卡在某一個步驟，但要清楚地表明，如果你能做下去，你知道接下來該怎麼做。在必要時不要害怕留下註釋。信不信由你，閱卷人通常最後會試圖幫你找分——讓他們容易幫你。考慮每道題的分值很多考試會告訴你每道題值多少分。當你做錯事時，這會給你強烈的暗示。它也會強烈提示你應該做什麼題目。當然，把太多時間花在分值低、對你來說又相對困難的題目上是愚蠢的。如果還剩不到5分鐘，而你還在某道題上卡住，請停下來你的時間最好用來重新讀題，絕對確保沒有漏掉任何小問題，並且回答了所有問題。你無法相信人們因此丟了多少愚蠢的分數。恭喜你堅持讀到了這裡！既然你在這兒，我送你最後一條（也是非常重要的）建議。這也是我本科時期望有人能告訴我的道理。本科生很容易對課程產生隧道視野，一心只想著要取得好成績等等。但關鍵在於，你要意識到：除非你的成績很糟糕，否則沒人會真正在意你的分數。我過去常說，最聰明的學生會在所有課程中都拿到85%左右的分數。這樣，你的總評成績大約能在4.0左右，但你既沒有過度學習，也沒有學習不足。你的時間是寶貴而有限的資源。學習的目標應該是確保自己不會考砸，然後就把注意力轉移到更重要的事情上。那些事情呢？獲取真實的、現實世界的經驗，在愚蠢的課程練習之外，去研究真實的程式碼庫、項目或問題，這極其重要。讓教授或認識你的人能為你寫一封有力的推薦信，證明你具備主動性、熱情和驅動力，這極其重要。你想找工作嗎？去爭取暑期實習。你想申請研究生院嗎？去獲取科研經驗！報名參加學校提供的任何項目。或者，主動聯絡一位教授或研究生，請求參與你感興趣的研究項目。如果你能讓他們覺得你足夠有動力和積極性，這招可能奏效。不要低估這件事的重要性：一位知名教授在推薦信中稱讚你富有驅動力、積極性和獨立思考能力，其份量完全碾壓其他任何東西，尤其是成績這種小事。如果你在申請前至少能擠出一篇論文，那也會有巨大幫助。同時，你要清楚，教授和研究生們最反感的就是那種一時興起、報名項目、見幾次面、問很多問題，然後在對方投入大量時間後突然放棄消失的本科生。不要做這種人（這會損害你的聲譽），也不要給對方留下任何你可能如此的印象。除了研究項目，還要參與一些團隊的課外項目，或者更好的是，從頭開始你自己的項目。為開放原始碼專案做貢獻，製作或改進一個庫。走出去，創造（或幫助創造）一些很酷的東西。好好地記錄它，為它寫部落格。這些才是人們在未來幾年裡會真正在意的東西。你的成績？它們只是你沿途必須應付的煩惱。善用你的時間，祝你好運。 (WhaleThinking)
科技#Andrej Karpathy#學習指南