1文章進階EN
The space of minds
安德烈·卡帕蒂指出，動物智慧與人工智慧（LLM）的最佳化壓力截然不同。動物為生存與繁衍而演化，具備強烈的本能驅力；而 LLM 則受商業演進影響，主要追求使用者點選與任務完成。文章強調理解這種差異對未來 AI 發展至關重要。
Andrej Karpathy（部落格）
部落格 ・ 國際 ・ 英文 ・ A 級 ・ 8 筆內容 ・ 最近更新 2026/05/01
vibe coding、agentic engineering 兩個詞的提出者
最受歡迎
依人氣
- 2文章進階EN
Auto-grading decade-old Hacker News discussions with hindsight
探討了大型語言模型（LLM）如何利用後見之明分析歷史資料的能力。作者使用 ChatGPT 5.1 Thinking 重現了 2015 年 Hacker News 的討論，並對其預測準確度進行評分。
- 3文章入門EN
Vibe coding MenuGen
介紹了由 Andrej Karpathy 分享的「Vibe coding MenuGen」專案，這是一個利用 AI 自動將餐廳選單圖片轉化為視覺化選單的應用程式。
- 4文章入門EN
Power to the people: How LLMs flip the script on technology diffusion
探討大語言模型如何顛覆技術普及模式，讓普通使用者獲得巨大便利，而企業與政府則受益有限。作者指出，LLM 雖具備廣泛但淺薄的能力，使個體能完成以前需要專家的任務，但企業因複雜度高、協同困難及組織慣性，難以快速吸收這些技術。
- 5文章高階EN
Verifiability
安德烈·卡帕蒂指出，AI 的下一個演進將是「可驗證性」，而非單純的自動化。當任務可驗證時，AI 便能透過強化學習直接最佳化，這將推動 LLM 在數學、程式碼等領域取得突破，但創造性與策略性任務仍受限制。
- 6文章入門EN
2025 LLM Year in Review
2025 年 LLM 領域出現多項重大正規化轉變，包括 RLVR 取代傳統訓練方式，使模型具備類似推理的解題策略；Ghost vs. Animals 理論指出 AI 智慧體呈現出「鬼魂」般的非連續性與多模態能力；
- 7文章入門EN
Sequoia Ascent 2026 summary
演講者探討 AI 從單純聊天工具演變為可程式設計的新層面，稱 2025 年底為代理工作的關鍵轉折點。他提出「軟體 3.0」概念，認為人類透過提示詞與上下文直接程式設計 LLM，而非傳統程式碼。
最新內容
依發布時間
- 文章入門EN
Sequoia Ascent 2026 summary
演講者探討 AI 從單純聊天工具演變為可程式設計的新層面，稱 2025 年底為代理工作的關鍵轉折點。他提出「軟體 3.0」概念，認為人類透過提示詞與上下文直接程式設計 LLM，而非傳統程式碼。
- 文章入門EN
2025 LLM Year in Review
2025 年 LLM 領域出現多項重大正規化轉變，包括 RLVR 取代傳統訓練方式，使模型具備類似推理的解題策略；Ghost vs. Animals 理論指出 AI 智慧體呈現出「鬼魂」般的非連續性與多模態能力；
- 文章進階EN
Auto-grading decade-old Hacker News discussions with hindsight
探討了大型語言模型（LLM）如何利用後見之明分析歷史資料的能力。作者使用 ChatGPT 5.1 Thinking 重現了 2015 年 Hacker News 的討論，並對其預測準確度進行評分。
- 文章進階EN
The space of minds
安德烈·卡帕蒂指出，動物智慧與人工智慧（LLM）的最佳化壓力截然不同。動物為生存與繁衍而演化，具備強烈的本能驅力；而 LLM 則受商業演進影響，主要追求使用者點選與任務完成。文章強調理解這種差異對未來 AI 發展至關重要。
- 文章高階EN
Verifiability
安德烈·卡帕蒂指出，AI 的下一個演進將是「可驗證性」，而非單純的自動化。當任務可驗證時，AI 便能透過強化學習直接最佳化，這將推動 LLM 在數學、程式碼等領域取得突破，但創造性與策略性任務仍受限制。
- 文章入門EN
Vibe coding MenuGen
介紹了由 Andrej Karpathy 分享的「Vibe coding MenuGen」專案，這是一個利用 AI 自動將餐廳選單圖片轉化為視覺化選單的應用程式。
- 文章入門EN
Power to the people: How LLMs flip the script on technology diffusion
探討大語言模型如何顛覆技術普及模式，讓普通使用者獲得巨大便利，而企業與政府則受益有限。作者指出，LLM 雖具備廣泛但淺薄的能力，使個體能完成以前需要專家的任務，但企業因複雜度高、協同困難及組織慣性，難以快速吸收這些技術。