2025AI发展 Andrej Karpathy

正如 Andrej Karpathy 在其《2025 LLM Year in Review》中所总结的，大模型的发展路径正在发生结构性变化。

在 2025 年之前，主流的大模型训练范式主要由预训练、SFT（监督微调）以及 RLHF（从人类反馈中强化学习）构成。而在 2025 年，一个新的、极度消耗算力的核心阶段开始显现出来：基于可验证奖励的强化学习（RLVR, Reinforcement Learning from Verifiable Rewards）。 与依赖主观人类偏好的 RLHF 不同，RLVR 使用的是可程序化、可验证的奖励信号，这类信号天然来源于数学、代码等高度形式化的领域。结果是：大模型在这些局部、可验证领域中的能力被持续放大，并呈现出明显的“加速效应”。

在应用层面，变化同样深刻。大模型正在从“网页中的服务”迁移为驻留在本地计算环境中的新计算层。无论是代码智能体，还是面向终端设备的本地AI，这一趋势都表明：AI 正在接入越来越底层的计算接口，并开始参与真实系统的运行与演化。

如果说这类工具标志着 AI 开始“住进”计算环境，那么 Vibe Coding 的兴起，则进一步改变了人与系统协作的方式: 代码已经从一个完全可控的静态产物，变成了一个需要被持续引导、校准和评估的动态过程。

在这一过程中，一个耐人寻味的现象是：Vibe Coding 对经验丰富的工程师与初学者产生的效果几乎相反。随着 AI 逐渐承担具体实现细节，真正决定结果质量的，不再是局部代码技巧，而是方向性判断、系统架构理解以及整体约束的把控能力。开发者的角色也随之发生转变——从实现者转向调节者，从逐行控制转向整体判断。

2025 年应用层的另一个重要信号，来自新一代“原生图像能力”模型的出现。它们的核心价值并不只是“能画图”，而是体现在两点：第一，对图像中细粒度结构、文字与语义关系的精确理解；第二，在多轮交互中保持高度一致、可控的编辑能力，能够稳定地“只改该改的地方”。这实际上再次强调了一个主题：理解结构、保持一致性、进行精细约束，比单次生成能力本身更重要。

时代要求

在大模型能力持续增强的背景下，人类自身对复杂系统性知识的理解水平，正在变得前所未有的重要。问题的核心是如何在 AI 时代持续放大人类理解能力与判断能力，让AI成为可被驾驭的力量，而不只是一个黑箱。AI 还应体现在帮助人类更高效、更可靠地理解复杂知识结构上。

为此，我们需要重点发展两类能力：

• 从复杂资料中进行结构抽取的能力
• 以符合人类理解路径的方式，对这些结构进行讲授、重组与呈现的能力

这种能力的应用场景并不局限于教育，而是广泛存在于所有需要掌握和理解复杂知识体系的领域之中，包括但不限于：科研、教育、工业规范与运维手册、企业级技术文档、法律与合规、金融分析等。

问题的核心是如何在 AI 时代持续放大人类理解能力与判断能力。只有当人类能够更清晰地理解结构、把握逻辑、掌控方向，AI 才能真正成为可被驾驭的力量，而不是一个需要被被动应对的黑箱。