Разговор о кодинг-агентах, будущем инженерии, AI и образовании с Андреем Карпатым (Andrej Karpathy)

Опубликовано: 22 июля 2026 г. в 15:12

Источник: Apps-лента этого сайта.

Видео — развёрнутое интервью с Андреем Карпатым (сооснователь OpenAI, экс-глава AI в Tesla). Беседа охватывает тектонический сдвиг в инженерии: переход от ручного написания кода к делегированию задач AI-агентам, кардинально изменившемуся с декабря.

TL DR: Карпатый описывает состояние «перманентного психоза» от осознания масштаба возможностей, когда человек становится главным узким местом, а ключевой навык — умение управлять параллельными агентами и максимизировать пропускную способность токенов.

Составляющие и особенности

1. Агентная модель разработки: от ручного кода к макро-делегированию

Соотношение усилий 80/20 (в пользу агентов) — Карпатый утверждает, что с декабря не написал вручную ни строчки кода; «кодить — уже не подходящий глагол».
Рабочий процесс инженера полностью изменился: вместо построчного написания — макро-действия над репозиторием (один агент исследует, второй пишет код, третий составляет план, четвёртый проверяет).
Парадигма параллельных сессий (Питер Стейнберг — «человек с 10 открытыми окнами Codex») и непрерывные агенты (Claude Code): агент крутится в цикле автономно, даже когда ты не смотришь.
Психология узкого места: неиспользованные лимиты токенов вызывают тревогу — аналогия с аспирантом, у которого простаивали GPU.
Личность агента как UX-фактор: Claude настроен с эмпатией (хвалит заслуженно, создавая мотивацию), тогда как Codex «сухой» и безразличный. SL.md — документ, детально прорабатывающий персонаж агента.

2. Автоисследования и рекурсивное самоулучшение

Автоисследования (Auto-research) — система, где агент сам генерирует гипотезы, запускает эксперименты и ищет улучшения без человека в цикле. Карпатый испытал это на своём проекте DataChat: робот за ночь нашёл оптимизации гиперпараметров, которые он пропустил за 20 лет опыта.
Program.md — Markdown-файл, описывающий роли, процессы и логику работы исследовательской организации как кода. Разные варианты Program.md дают разную скорость прогресса; это поддаётся метаоптимизации.
Ключевой принцип: «результат безумно дорог в производстве, но копеечный в верификации» — кто угодно может прислать коммит, а проверка его эффективности тривиальна. Аналогия с Folding@Home и майнингом (proof-of-work без денежной награды).
Распределённый рой агентов — недоверенные воркеры по всему миру могут объединить усилия и потенциально обогнать ведущие лаборатории. Люди смогут направлять свободные FLOPS в конкретные научные проекты, а не просто жертвовать деньги.
Две оговорки: (1) подход работает только для задач с объективными метриками; (2) модели всё ещё «трещат по швам» — неравномерность развития: «как блестящий аспирант и десятилетний ребёнок одновременно».

3. Асимметрия цифрового и физического миров

Биты vs. атомы: манипулировать цифровой информацией в миллионы раз быстрее и дешевле, чем физической материей. Цифровой «суп» будет бурлить со скоростью света, физический мир — отставать.
Анализ рынка труда: профессии, сводящиеся к чистой обработке информации, трансформируются сильнее всего. Инженерные специальности — спрос продолжает расти.
Парадокс Джевонса: когда софт становится дешевле, спрос на него взлетает. Аналогия с банкоматами и клерками — больше автоматизации → больше отделений → больше персонала.
Робототехника — монументальная задача: требует гигантских инвестиций, работает с хаотичной физической средой. Траектория: сначала рывок в цифре → интерфейсы между цифрой и реалом (сенсоры, актуаторы) → затем сама робототехника.
Рынок данных/информации: почему до сих пор нет рынка, где агенты могли бы покупать данные за деньги?

4. Open Source, централизация и переосмысление образования

Open Source отстаёт от frontier-моделей на 6–8 месяцев (быстро сокращается с прежних 18). Закрытые лаборатории — «цифровые оракулы»; Open Source перекроет все массовые потребительские кейсы — аналогия с Linux vs Windows/macOS.
Риски централизации: Карпатый тревожится о сценарии, где 2–3 человека за закрытыми дверями принимают ключевые решения о супер-интеллекте.
MicroGPT — 200 строк Python, квинтэссенция обучения LLM. Агент не смог бы придумать это сам, но прекрасно объясняет готовый код.
Образование перевернётся: вместо документации для людей — Markdown-документы для агентов. Если агент понял — он объяснит человеку на любом языке. «То, что агенты делать не умеют — теперь твоя работа; всё остальное они скоро будут делать лучше тебя».

Выводы

Ключевой сдвиг декабря — не появление новых моделей, а изменение соотношения усилий, когда человек перестаёт писать код и становится дирижёром параллельных агентов. Граница возможностей теперь упирается не в вычислительные мощности, а в навык их эффективной оркестровки. Цифровой мир ждёт тотальная перепрошивка процессов со скоростью, на порядки опережающей физическую реальность.

Take Aways

Ты — узкое место: главный ограничивающий фактор не токены или GPU, а твоё умение управлять агентами и максимизировать их параллельную загрузку.
Кодинг мёртв в привычном понимании: строка кода → функция → фича → управление репозиторием макро-действиями. Рабочий процесс пересобран целиком.
Автоисследования работают уже сейчас: робот находит оптимизации, которые опытный человек пропускает. Задачи с объективными метриками — идеальное попадание.
Верификация дёшева, производство дорого: распределённые недоверенные воркеры + доверенные верификаторы = потенциальный прорыв масштаба планеты.
Цифра обгоняет физику в ~1M раз: вся автоматизация сначала съест цифровые профессии; робототехника идёт следом с большим отставанием, но рынок физического мира — гигантский.
Open Source как страховка от централизации: 6–8 месяцев отставания от frontier — приемлемый зазор, чтобы бизнес и общество не зависели от 2–3 человек в закрытых комнатах.
Образование превращается в объяснения для агентов: если агент понял — он научит кого угодно. Твой вклад теперь — те уникальные крупицы, до которых модель пока не додумывается сама.