2026 年 3 月的某一天，Andrej Karpathy 收到一条提示：有一份神秘礼物正在发往他位于 Palo Alto 的实验室，唯一的线索是”它需要 20 安培的专用电路”。Karpathy 立刻知道来头不小。几天后，NVIDIA 创始人黄仁勋亲自走进他的实验室，搬下一台液冷工作站，附上一张手写纸条：“You were with me every step of the way.”

这台机器是全球首台 NVIDIA DGX Station GB300——748GB 统一内存、20 petaflops FP8 算力、Blackwell Ultra 架构、72 核 Grace ARM 处理器，由戴尔制造，预计商业售价 20 万至 30 万美元。Karpathy 不打算用它来训练下一个大模型。他要用它来养一个叫 “Dobby” 的自主 AI Agent——一个不依赖任何云端 API、能够独立运行数小时研究循环的本地智能体。

这个场景包含了 2026 年 AI 行业最深层的张力：当这个时代最有影响力的 AI 研究者公开宣称自己”不再写代码”，转而用 Agent 编排取代手动编程时，我们面对的不仅是工具链的升级，而是整个研究者身份的根本重构。

从 Vibe Coding 到 Agentic Engineering：一条不可逆的路径

要理解 Karpathy 今天的立场，必须回溯他自己铺设的概念阶梯。

2025 年，Karpathy 创造并推广了 “Vibe Coding” 这个概念——任何人只需用自然语言描述需求，就能获得可运行的软件。这个说法在当时已经足够激进：它意味着编程能力从专业技能降格为通用能力，代码从”手工艺品”变成了”即时生成物”。

但到了 2026 年 3 月，Karpathy 在一次公开分享中宣布了下一个阶段：”我们正在进入 Agentic Engineering 时代。人类不再编写大部分代码。我们指挥、监督、编排 Agent。技术专业知识仍然是倍增器，但人类贡献的比特是稀疏且罕见的。”（据 Next Big Future 报道）

这不是修辞上的夸张。Karpathy 坦承自己的手动编码技能正在萎缩（”atrophying” 是他的原词），因为从 2025 年 12 月开始，Claude Code、OpenAI Codex 等 Agent 跨过了一个”连贯性阈值”（coherence threshold）。在此之前，AI 辅助编程是人类主导、AI 补全；在此之后，AI Agent 可以独立承担完整的编码任务——编辑代码、运行实验、解释结果、迭代改进——循环数天不停歇。

Karpathy 给这个新时代起了个名字：循环时代（Loops Era）。核心思想是，AI 系统不再是单次调用的工具，而是运行持续自我改进循环的自主实体。他的 AutoResearch 项目（发布于 GitHub: karpathy/autoresearch）就是这一理念的极端实现：仅凭一个 Markdown 提示和约 630 行训练代码，在单块 GPU 上运行了 700 次实验——两天之内。Agent 自主编辑 train.py，尝试各种优化（包括调整 QK Norm 和 RoPE 的顺序等非常规架构修改），从失败中学习，继续迭代。最终发现了 20 项有效的训练优化。

这里有一个容易被忽略的细节：Karpathy 描述这个系统时说，它是”模拟一个异步协作的研究社区的种子”。这意味着他的目标不是造一个更好的编码助手，而是复制科学研究本身的社会过程——假设生成、实验设计、数据收集、结果解释、知识积累——只是把所有角色都换成 Agent。

DGX Station GB300：为什么 748GB 统一内存才是真正的叙事

外行看 20 petaflops 的算力数字会感到震撼，但真正让 DGX Station GB300 具有范式意义的是它的内存架构。

传统 GPU 工作站中，GPU 拥有独立的显存（H100 为 80GB），CPU 拥有独立的系统内存，两者通过 PCIe 总线通信，带宽约 64 GB/s。这个瓶颈在推理大模型时是致命的：一个 70B 参数的模型在 BF16 精度下占用约 140GB 内存，超出单块 H100 的 80GB 显存上限，必须量化或使用多卡方案。

DGX Station GB300 采用 NVLink-C2C 互连技术，将 Grace CPU 和 Blackwell Ultra GPU 以 900 GB/s 的双向带宽连接在一个共享内存地址空间中。从软件视角看，不存在”GPU 内存”和”CPU 内存”的区分——只有一个 748GB 的统一内存池，两颗处理器以全速访问。

换算成实际能力：70B 模型轻松装下，还剩 608GB 余量；405B 模型可以完整加载；1 万亿参数的模型在 4-bit 量化下也能本地运行。对比云端推理的每 token 计费模型，这台机器的经济账非常清晰——对于需要长期运行 Agent 的研究者来说，一次性资本支出（即使高达 20-30 万美元）远比持续的 API 调用费用更可控。

Karpathy 的使用场景精确地命中了这个设计的甜点。他的 AutoResearch 框架要求 Agent 维持超长上下文窗口、生成子 Agent、在多小时会话中保持状态。748GB 的统一内存意味着这些会话不会撞上内存墙。他在 X 平台上把 DGX Station 描述为”Dobby 的温馨大房子”——这个比喻不是随口说的。Dobby 项目的本质是一个主权 AI Agent：不依赖 OpenAI 或 Anthropic 的 API，完全在本地运行，拥有自己的计算基底。

黄仁勋选择亲手交付这台机器，绝非简单的公关行为。Karpathy 是 OpenAI 五位联合创始人之一（2015 年，与 Sam Altman、Ilya Sutskever、Greg Brockman、Wojciech Zaremba 共同创立），后来构建了特斯拉 Autopilot 团队，之后回到 OpenAI 担任高级 AI 总监，2024 年离开转向独立研究。他在语言模型和神经网络缩放定律方面的智识贡献，是 Transformer 时代崛起的关键基础之一——而正是 Transformer 推动了高端 GPU 算力需求的爆发，最终让 NVIDIA 成为市值三万亿美元的公司。黄仁勋那张纸条上的”every step of the way”，是对这条因果链的坦诚致意。

安全层的缺口：当 Agent 写代码，谁审计 Agent？

Karpathy 描绘的循环时代图景令人兴奋，但它有一个不可回避的结构性问题：当 AI Agent 成为代码的主要作者，传统的代码安全审计流程就会失效。

人类代码审查的隐含前提是”代码量有限、风格可识别、意图可追溯”。当一个 Agent 在两天内运行 700 次实验、自主修改训练代码时，没有任何人类审查团队能跟上这个节奏。更深层的问题是：Agent 生成的代码可能在功能上完全正确，但在安全性上存在微妙的漏洞——这些漏洞可能不会出现在任何传统的静态分析扫描中，因为它们不是已知的攻击模式，而是 Agent 在优化过程中无意引入的系统性弱点。

这正是 Corridor 这家初创公司切入的缝隙。2026 年 3 月，Corridor 宣布完成 2500 万美元 A 轮融资，估值 2 亿美元，由 Felicis Ventures 领投。更值得玩味的是其天使投资人名单：Anthropic、OpenAI、Cursor、Cognition——这四家公司恰恰是当前 AI Agent 编码工具的核心供应商。Agent 工具的制造者们自己在投资 Agent 安全审计公司，这本身就是一个强烈的信号：它们知道自己的产品会制造安全问题，并且认为这个问题大到足以催生一个独立品类。

Corridor 提出了一个新概念：Agentic Coding Security Management（ACSM），即面向 Agent 生成代码的专门安全管理框架。传统的 SAST（静态应用安全测试）和 DAST（动态应用安全测试）工具假设代码是人类编写的、变更是离散的、审查是同步的。ACSM 需要处理的是完全不同的场景——代码变更是连续的、高频的、由非人类实体生成的，而且变更之间的因果关系可能对人类审查者不透明。

两种对立视角：解放还是失控？

乐观派的论证直截了当：Karpathy 的循环时代代表了科学研究效率的量子跃迁。如果一个 AutoResearch Agent 能在两天内完成人类研究者需要数月才能完成的实验循环，那么整个科学发现的速度将以数量级提升。技术专业知识不会消失，而是从”执行层”上移到”战略层”——研究者不再关心如何实现一个训练循环，而是关心应该探索哪个假设空间。这与历史上每一次工具革命的模式一致：从手工计算到电子计算器，从汇编语言到高级编程语言，每一次抽象层的提升都释放了人类认知资源用于更高层次的思考。Karpathy 本人对 Cursor 等工具的评价也印证了这一点——他认为 LLM 应用的核心价值在于”上下文工程”（context engineering）、多次 LLM 调用的编排、以及为人类在环提供特定领域的 GUI 和”自主性滑块”（autonomy slider）。

悲观派的论证则指向一个更深层的焦虑。当 Karpathy 说”人类贡献的比特是稀疏且罕见的”，这句话的逻辑终点是什么？如果 Agent 的能力持续提升，人类贡献的比特会不会从”稀疏”变为”零”？这不是一个遥远的哲学问题——在 AutoResearch 的 700 次实验中，人类的唯一贡献是初始的 Markdown 提示和 630 行种子代码。之后的一切——假设生成、实验设计、代码修改、结果分析——全部由 Agent 完成。如果 Agent 未来能自主生成初始提示和种子代码（这在技术上没有根本障碍），那么人类在研究循环中的角色将完全消失。更令人不安的是 Karpathy 对 Dobby 项目的定位：一个不依赖任何外部 API 的主权 Agent，在本地硬件上自主运行。当 Agent 拥有了独立的计算基底和自我改进的能力，”谁在控制谁”就不再是一个修辞问题。

我的判断是：短期（1-3 年）内，乐观派是对的。Agent 的能力提升将极大地加速科学研究和软件工程，人类的角色确实会从执行者转变为编排者。但这种转变存在一个结构性风险——随着人类逐渐退出执行层，我们对 Agent 行为的理解和审计能力也在同步退化。Karpathy 坦承自己的编码技能正在萎缩，这不仅是个人状态的描述，也是整个行业即将面临的集体困境：当所有工程师都变成了 Agent 编排者，谁还有能力在 Agent 出错时回到代码层面诊断问题？

交叉分析：硬件、软件和资本的三角博弈

将 DGX Station GB300、AutoResearch、Corridor 的融资这三个事件放在一起看，一条清晰的产业逻辑链浮现出来。

第一层：硬件定义 Agent 的能力边界。 Karpathy 需要 748GB 统一内存来运行 Dobby 的长时研究循环，这说明当前 Agent 的能力不是被算法限制的，而是被内存和算力限制的。NVIDIA 正在通过 NVLink-C2C 等互连技术打破这些硬件瓶颈。DGX Station GB300 支持在本地运行最大到 1 万亿参数的模型，这意味着 Agent 的上下文窗口、推理深度和并行子 Agent 数量都将大幅提升。从这个角度看，黄仁勋给 Karpathy 送这台机器，不只是致敬老朋友——而是在为 NVIDIA 的下一个增长叙事寻找最佳代言人：从”AI 训练的基础设施供应商”转型为”本地 Agent 运行的计算基底供应商”。

第二层：Agent 能力的提升反向推动安全需求。 AutoResearch 证明了 Agent 可以在无人监督下运行数百次代码迭代。这种能力越强大，安全审计的需求就越紧迫。Corridor 获得 Anthropic 和 OpenAI 这些 Agent 制造商的投资，说明连 Agent 的创造者都承认”我们的产品需要一个独立的安全层”。ACSM 作为一个新品类的出现，本质上是 Agentic Engineering 时代的”合规成本”——就像云计算时代催生了 CSPM（云安全态势管理）一样，Agent 编码时代必然催生 Agent 编码安全管理。

第三层：真正的博弈在于”主权”的定义。 Karpathy 选择在本地运行 Agent 而非依赖云端 API，这个选择本身就是一种立场声明。如果 Agent 成为未来研究和工程的核心执行者，那么谁控制 Agent 运行的基础设施，谁就控制创新的节奏。云端 API 模式意味着 OpenAI、Anthropic 等公司拥有最终的控制权——它们可以调整模型行为、限制调用频率、审查输出内容。本地运行模式则将控制权交还给研究者本人。Karpathy 用一台 20-30 万美元的工作站实现了这种独立性；对于拥有更大预算的企业和政府实验室来说，这种”计算主权”的需求将推动整个本地 AI 基础设施市场的增长。NVIDIA 把 DGX Station 定位为”数据中心性能的桌面工作站”，本质上是在提供”AI 主权即服务”——只不过是一次性购买而非订阅。

So What：我们该害怕什么，期待什么

Karpathy 的转变不是个人选择，而是结构性必然。当 Agent 在 2025 年 12 月跨过连贯性阈值后，每一个仍在手动编写大量代码的工程师都面临着同样的问题：你是在坚持一种正在贬值的技能，还是在守护一种仍然必要的审计能力？

答案可能两者皆是。短期内，最稀缺的不是”会用 Agent 的人”（这个门槛会迅速降低），而是”理解 Agent 在做什么的人”。Corridor 的 2 亿美元估值押注的就是这个判断——当代码不再由人类编写时，安全审计不仅不会消亡，反而会成为一个全新的高价值品类。

但更大的问题在于长期。Karpathy 的 Dobby 项目指向一个终局：完全自主、本地运行、自我改进的 AI Agent。当这种 Agent 真正成熟时，”Agentic Engineering”本身也会被 Agent 接管——Agent 编排 Agent，循环套循环，人类连”监督者”的角色都可能变得多余。

黄仁勋那张纸条上的”every step of the way”或许还有另一层含义。NVIDIA 和 Karpathy 一起走过了从 CUDA 到 Transformer 到 Agent 的每一步。但下一步——Agent 自主迭代的循环时代——人类还能不能跟上，已经不再是一个确定的答案。

这才是 Karpathy 不再写代码这件事真正让人不安的地方。不是因为他不写了，而是因为很快，可能没有人需要写了。而当那一天到来时，我们是否还有能力理解那些替我们写代码的实体在做什么——这将决定 AI 时代最终是一场解放，还是一次失控。

参考资料

  1. Jensen Huang Gave Karpathy the First NVIDIA DGX GB300: ‘You Were With Me Every Step’ — ABHS Blog, 2026-03
  2. Andrej Karpathy on Code Agents, AutoResearch and the Self Improvement Loopy Era of AI — Next Big Future, 2026-03
  3. AutoResearch — Karpathy, GitHub