这是 OpenAI 联合创始人 Andrej Karpathy 在一次 AI Agent 主题分享会上的演讲。本文由 LobsterAI 基于演讲视频音频转写、翻译并整理发布。

引言：当年的锤子，敲不开今天的门

几年前，在 OpenAI 有一个并不算轰动、却很有预言意味的项目，叫 World of Bits。

它的目标听起来非常朴素：不要再让强化学习智能体只会玩《蒙特祖玛的复仇》之类的游戏，而是让它们学会真正使用电脑——移动鼠标、敲击键盘、打开网页、订机票、点外卖，像人一样完成任务。

这当然是一个诱人的方向。毕竟，如果 AI 不能进入真实的数字世界，不能操作软件、调用工具、完成流程，它离“有用”始终差一步。

但当时的结果并不理想。演讲者回忆说，那篇论文“不是一篇特别了不起的论文”，因为彼时大家手里唯一像样的锤子，就是强化学习。于是研究者们做了非常简单的网页，让智能体在网页上乱点按钮、乱敲键盘，试图“误打误撞”获得更高奖励。

结果也很显然：它没有真正工作起来。

不是想法错了，而是时代没到。技术栈不对，工具不够成熟，问题也还没有被正确地表述出来。

有趣的是，几年之后，AI Agent 又回来了。但这一次，主角已经不是强化学习，而是语言模型。

从 World of Bits 到大语言模型：绕远路，反而走对了

演讲者提到，当年真正应该做的事情，可能恰恰是“先忘掉 AI Agent”，转而去构建语言模型。

这句话放在今天看，很有历史的反讽意味。

当年大家试图直接训练一个会操作电脑的智能体，结果发现智能体缺少理解、规划、泛化和语言能力。它能点击，却不知道自己为什么点击；它能尝试，却无法真正理解任务意图。

于是行业暂时离开了 Agent，转向 Transformer、预训练、大规模语料和语言建模。几年之后，大语言模型具备了理解指令、生成计划、调用工具、阅读网页、写代码和反思错误的能力。AI Agent 才又重新成为可能。

这也是演讲中最有意思的观察之一：

“五年之后我们又回到了这里。AI Agent 看起来又酷起来了。但工具已经完全变了。”

今天做 Agent 的人，大多并不直接使用强化学习。很多创业者、黑客和研究者，构建的是基于 LLM 的工作流、工具调用系统、浏览器代理、代码代理和多智能体协作框架。

这在当年几乎难以预料。一个方向曾经失败，并不代表它不重要；有时只是因为真正能支撑它的基础设施还没有出现。

为什么 AI Agent 令人兴奋：AGI 的可能形态

为什么今天这么多人重新涌向 AI Agent？

演讲者给出了一个非常直接的判断：很多人都隐约意识到，AGI 很可能会以某种 AI Agent 的形态出现。

它不一定是一个单体智能。更可能是许多智能体组成的系统：它们有分工，有记忆，有工具，有沟通协议，甚至形成某种数字组织或数字文明。

这也是 Agent 相比聊天机器人更令人兴奋的地方。

聊天机器人主要回答问题，而 Agent 试图完成目标。前者像一个聪明的顾问，后者更像一个能执行任务的数字实体。它不只是“知道”，还要“行动”；不只是“生成文本”，还要“改变世界中的状态”。

如果说大语言模型给了 AI 语言和推理的外壳，那么 Agent 则试图给它行动能力、长期目标和环境反馈。

这让人很难不兴奋。因为一旦这种系统真正可用，它改变的就不只是搜索、写作或客服，而是整个软件使用方式、知识工作流程，乃至组织结构本身。

但别只看 Demo：Agent 是十年工程

不过，演讲者也特意给这股热潮“泼了一点冷水”。

他说，有一大类问题非常容易想象，也非常容易做出演示，但极其难以产品化。自动驾驶就是典型例子。

让一辆车绕街区开一圈，并不难。做一个令人惊艳的视频 Demo，也不难。但要把它变成可靠、安全、可规模化的产品，往往需要十年。

VR 也是如此。概念很容易激动人心，Demo 也可以非常酷，但真正把体验、硬件、生态和成本都打磨到可消费级，又是漫长工程。

AI Agent 也是同一类问题。

“Agent 非常容易想象，容易让人兴奋，也容易做 Demo。但如果你真的投身其中，你应该准备好做十年。”

这句话非常关键。

今天我们已经看到大量 Agent Demo：自动订票、自动做研究、自动写代码、自动操作浏览器、自动生成报告。但从 Demo 到产品，中间隔着稳定性、可控性、安全性、评估体系、错误恢复、权限管理、用户信任和成本控制。

真正困难的不是让 Agent 成功一次，而是让它在千变万化的真实环境中稳定成功很多次。

Agent 的未来不是靠一个炫酷视频证明的，而是靠漫长的工程积累打磨出来的。

向大脑借灵感：一个数字实体需要哪些认知器官

演讲中另一个有启发性的部分，是重新回到神经科学寻找灵感。

早期深度学习就曾从大脑获得启发：神经元、层级表示、视觉皮层等概念，都以某种方式影响了人工神经网络的发展。现在，在构建 AI Agent 时，也许又到了重新审视大脑的时候。

因为一个真正的数字实体，不能只有语言模型。语言模型也许是核心部件，但远远不是全部。

人类智能包含很多认知工具：计划、反思、注意力、记忆、感知、行动选择、信息整合。对应到 AI Agent，我们也需要思考：这些功能应该如何实现？

比如，海马体在大脑中与记忆形成和检索密切相关。那么 Agent 的“海马体”是什么？也许是记录经验轨迹，用 embedding 建立索引，再在需要时检索相关记忆的系统。

视觉和听觉皮层的等价物，我们大致知道如何构建：多模态模型、视觉编码器、语音模型。但还有很多问题没有答案。

基底神经节在 Agent 中对应什么？它是否负责行动选择、奖励权衡和习惯化策略？丘脑又对应什么？它在大脑中整合大量信息，甚至可能是意识机制的一部分。

演讲者用了一个很形象的比喻：

如果你把大脑想象成多个实体在争夺麦克风，决定“接下来要做什么”，那么丘脑可能就是那个争夺发生的地方。

这个类比非常适合 Agent 系统。一个复杂 Agent 内部也可能有多个模块：规划器、执行器、记忆系统、工具选择器、安全模块、反思模块。它们都在提出建议：下一步该搜索？该点击？该写代码？该停下来问用户？

那么，谁来整合这些声音？谁来决定最终行动？这正是下一代 Agent 架构必须回答的问题。

真正的前沿，可能不在大实验室

演讲最后给了在场创业者和开发者一个非常鼓舞人心的判断：做 AI Agent 的人，今天可能真的站在能力边界的最前沿。

这听起来有点反直觉。OpenAI、DeepMind 这些大实验室不是最前沿吗？

在训练大规模 Transformer 语言模型这件事上，当然是。演讲者举了一个很有画面感的例子：如果外面出现一篇论文，提出某种新的 Transformer 训练方法，OpenAI 内部 Slack 的反应可能是：“哦，这个两年半前有人试过了，结果是这样，没成功的原因是这样。”

也就是说，在大模型训练本身，大实验室已经探索了非常多路径，地图画得很细。

但 Agent 不一样。

当一篇新的 Agent 论文或项目出现时，即便是大实验室的人，也会认真看，然后说：“这个很酷，这个很新。”

原因很简单：大实验室并没有比所有创业者和黑客多出五年的 Agent 工程积累。这个领域还年轻，还混乱，还没有形成标准答案。工具调用怎么做，记忆怎么做，长期任务怎么评估，多 Agent 怎么协作，权限和安全怎么设计，大家都还在探索。

这意味着机会并不只属于拥有最大算力的人。它也属于那些愿意快速试错、深入场景、打磨产品、理解用户工作流的人。

结语：如果选择 Agent，就选择长期主义

这场演讲真正想传达的，并不是“Agent 已经成功了”，而是“Agent 值得认真做”。

它提醒我们，很多伟大的方向不会按直线发展。World of Bits 当年没有成功，但它提出的问题并没有消失：AI 如何使用计算机？如何完成真实任务？如何从语言走向行动？

今天，大语言模型让这些问题重新变得可解。但可解不等于容易。Agent 依旧是一个典型的十年工程：Demo 会很快出现，可靠产品会慢得多。

真正的挑战，是把一个会说话的模型，变成一个拥有记忆、感知、计划、反思、工具使用和行动选择能力的数字实体。

这件事很难，也正因为难，才值得投入。

演讲者最后说，他很期待看到大家会构建出什么。某种意义上，这也是对今天所有 Agent 开发者的邀请：不要只做一个炫目的演示，而要耐心参与一场可能持续十年的基础建设。

因为如果 AGI 终将以 Agent 的形态到来，那么今天这些看似粗糙的浏览器代理、代码助手、任务执行器和多智能体框架，也许就是未来数字文明最早的胚胎。