页面加载中
Karpathy 的 AutoResearch 让 agent 自主完成 AI 研究的完整闭环。这可能是 AI 加速 AI 最具体的实现。
No Priors 播客采访了 Andrej Karpathy：讨论 AI agent 能否自主设计实验、收集数据和改进、他的 AutoResearch 项目（agent 自主闭环 AI 研究）、编码 agent 的掌握程度、自然语言编码的二阶效应、AI 时代的相关技能、模型物种分化、人类和 AI 的更多协作界面、就业市场数据分析、开源 vs 闭源模型、自主机器人和 agent 教育。
Karpathy 在 No Priors 讨论 AutoResearch：agent 自主闭环 AI 研究（实验、训练、优化全自动）。还讨论了编码 agent 的现状、自然语言编码的影响、就业市场、开源模型和 agent 教育。
标题与摘要里最值得先抓住的信号是：What happens when AI agents can design experiments, collect data, and improve — without a human in the loop?
这期内容更适合归入 开源模型进展，因为它集中讨论 模型能力、推理效率和开源生态变化。模型信号要结合性能、成本和可用性一起看。
回到原链接听原声、看描述或相关评论，确认有哪些观点值得进一步拆成独立选题。
AutoResearch：agent 自主闭环 AI 研究
相关知识页
开源模型在推理效率和工具调用能力上持续逼近闭源。
继续阅读
Peter Yang 确认 Cursor AI 在中国可以正常使用所有模型——与 ChatGPT 和 Claude 形成对比。
继续阅读
Claude 在 macOS 上推出了 MCP 功能的研究预览。Pro 和 Max 用户可用 /mcp 启用。
继续阅读
Peter Steinberger 感叹做开源需要厚脸皮——用户的批评和误解是每天的常态。他解释了为什么移除了 Chrome 扩展。
继续阅读
Peter Yang 对新模型发布的评论：Capybara 系列比 Opus 更大更智能——他认为这就是 AGI。
继续阅读
Aditya Agarwal 观察：大多数人回避正面用模型能力，少数人拥抱它作为产品核心——后者是正确方向。