- 今年各类年度回顾陆续上线，OpenAI 前联合创始人 Andrej Karpathy 也发布了自己的大模型年度总结。
- 早些时候他在 YC 演讲引发热议，提出：软件进入 3.0（从写代码到喂数据，再到对模型用 Prompt “念咒语”）、LLM 像新的操作系统（调度上下文与推理算力）、AI Agent 的成熟需要十年（从 99% 可靠性到 99.999%）。
- 在《2025 年度总结》中，他继续拆解：这一年 AI 到底“长出了怎样的脑子”。
他认为 2025 是 LLM 强劲却充满变数的一年，出现了多项“范式转变”：
- RLVR 让 AI 在可自动验真任务（数学/代码）中通过对错反馈学会“更像推理的策略”，算力更多花在“想更久”而非“变更大”。
- 参差不齐的智能：AI 在少数领域尖刺式爆发，但在简单逻辑上仍可能犯低级错；基准测试也更容易被“应试训练”刷榜。
- Cursor 走红说明应用层更厚：有人负责“上下文工程”，有人在后台拆任务、调多模型、控成本，还提供“自主性滑块”。
- Claude Code 强调“本地化”：AI 住进你的电脑/CLI，更贴近真实环境（代码、配置、密钥、乱七八糟的依赖都在本地）。
- Vibe Coding：你表达意图与感觉，AI 生成代码；对普通人是门槛消失，对专家是代码变得廉价、一次性。
- 多模态 GUI：未来交互不该是吐一堆字，而是直接生成图表、网页、交互面板，把文本、推理、视觉表达揉在一起。
术语小抄（通俗解释）
- LLM：Large Language Model，大语言模型，能理解/生成文字（也可能多模态）。
- Context Window（上下文窗口）：模型一次能“记住并参考”的信息长度，像临时工作记忆。
- SFT（监督微调）：人给标准答案，模型学“应该怎么答”。
- RLHF（人类反馈强化学习）：人给偏好打分，模型学“人更喜欢哪种答法”。
- RLVR（可验证奖励强化学习）：用能自动判对错的任务训练（数学/代码），反馈更客观、规模更大。
- Agent（智能体）：不只是回答问题，还能规划步骤、调用工具、反复执行直到完成任务的 AI。
- CLI（命令行）：黑底白字的终端界面，用命令控制电脑；开发者常用。
