这是 Anthropic 路线的人事化签名

预训练在 2026 年是个尴尬的词。一边是"scaling laws 撞墙"的叙事，一边是 GPT-5、Claude Opus 4.5、Gemini 3 这些新模型证明 scaling 还有空间。多数大厂在两头下注，但对外讲故事时都会强调 post-training、RLHF、agent、推理时计算这些更性感的方向。

Anthropic 挑了一个最反潮流的人事动作：把 Karpathy 放进 pre-training，让他组一支用 Claude 加速预训练研究的小队。这句话翻一下，就是 AI-assisted research——让模型帮研究员做实验设计、跑 ablation、读 log、写 kernel。TechCrunch 在报道里直接把这件事解释成 Anthropic 的差异化路线：

"AI-assisted research, rather than pure compute, is how it stays competitive with OpenAI and Google."

"比起纯堆算力，AI 辅助研究才是 Anthropic 跟 OpenAI、Google 竞争的方式。"

这话听上去像 PR，但人事是有说服力的证据。Anthropic 招的不是一个会跑分布式训练的工程师，是一个把"从零写 GPT"做成全球开源教材的人。他的强项不是开新前沿，是把已经存在的训练流水线压成更小、更快、更可被理解的形态。

这种工程审美正好对应"AI-assisted research"的需要。让 Claude 加速 pre-training，要先把 pre-training 的工作流拆成 Claude 能消化的颗粒度——可测、可重放、可解释的实验单位。这件事 Karpathy 大概是 LLM 圈里最适合做的一个。

OpenAI 联创第二次离开，第二次去对家

把履历拉直看：

• 2015 联合创办 OpenAI
• 2017 离开 OpenAI 去 Tesla，做 Director of AI
• 2022 离开 Tesla
• 2023 回 OpenAI，约一年
• 2024 二次离开 OpenAI，创办 Eureka Labs
• 2026 加入 Anthropic

五跳，两次离开 OpenAI，两次去了 OpenAI 的对手——Tesla 当年是 Musk 跟 OpenAI 分家的载体，Anthropic 是 Amodei 兄妹跟 OpenAI 分家的载体。两次都不是去 Google，不是去 Meta，不是自己彻底创业到底，是去那个跟 OpenAI 有过组织级冲突、且仍在做基础模型的下家。

第一次走的时候，Ilya Sutskever 还在 OpenAI；第二次走的时候，Sutskever 已经离开。Karpathy 这次进 Anthropic 预训练，坐的就是 Sutskever 那种位置——不是一线写代码的研究员，但也不是脱离技术的高管，是能影响路线的资深研究 lead。这个位置 OpenAI 自己很缺。

Sam Altman 这次没有公开表态。这跟 2024 Karpathy 上次离开时还互相说几句感谢的氛围不同。沉默通常比反应更有信息量。

明星个体迁徙作为路线信号

研究员跳槽这件事，在 AI 圈被过度解读，也被低估。过度解读的是"某某加入某厂等于某厂赢了"——研究员一个人改变不了什么。低估的是"研究员选哪家，比那家公司自己说的路线更准"。

公司自己讲路线，要兼顾投资人、客户、招聘、媒体，必然糊。研究员选下家，只兼顾一件事——他在哪里能做他想做的科研问题。所以他选的方向，等于他用自己未来三五年时间下注的方向。

这就是明星个体迁徙作为路线信号：当一个研究员可以选任何顶级实验室时，他选的那家在做的那件事，就是他判断未来三五年最重要的事。

把这个框架套到 Karpathy 这次：

• 他没去 SSI。Sutskever 的 Safe Superintelligence 拿了百亿估值，外界吹得最响的就是"纯 pre-training 路线"。Karpathy 不去，等于他不认为 SSI 那种"只做 pre-training、不做产品"的押法是最优解。
• 他没去 Google DeepMind。Gemini 3 出来后 DeepMind 是技术上离 OpenAI 最近的对手，资源最多。他不去，等于他认为大厂研究院的 overhead 让自己想做的东西更难做。
• 他没自己继续做 Eureka Labs。教育向、个人英雄主义、小团队、长周期的故事最性感，但他选择中断。这意味着他自己也认为：当下的预训练前沿是教育内容追不上的速度，参与前沿比解释前沿更紧迫。
• 他选了 Anthropic 的 pre-training。这是在告诉所有人：pre-training 的高度还没到顶，且最值得做的不是堆更多 GPU，是让模型自己来加速这件事。

研究员的脚比研究员的嘴更值钱。这次他的脚走到了 Anthropic 预训练。

对 OpenAI 意味着什么

OpenAI 不缺人。Mira Murati 那批走了一拨之后，又招了新一拨。这次 Karpathy 离开的杀伤力不在头数，在叙事。

OpenAI 过去两年的对外故事是：基础模型由我们定义，所有人在追我们。但当 OpenAI 的联合创始人之一第二次离开、且去的是直接竞争对手做基础模型最核心的预训练，这个故事就出现了一道裂缝。裂缝不是"OpenAI 不行了"，是"OpenAI 不再是基础模型唯一最有意思的地方"。

裂缝一旦在叙事层出现，会影响下一批顶级 PhD 的 offer 选择，会影响投资人对"基础模型只剩 OpenAI 一家有戏"那套估值逻辑的耐心，也会影响内部研究员"我能不能在这里做我想做的"那种隐性判断。这种二阶效应比 Karpathy 个人代码贡献大得多。

对 scale-vs-efficiency 路线之争意味着什么

过去两年圈子吵的事很简单：scaling 还行不行？

一边 OpenAI / xAI / SSI 大体押 scaling，押更多数据、更大集群、更长上下文。一边 DeepMind / Anthropic / 一群学术派押效率——同样算力下结构改进、数据质量、训练方法、推理时计算。Karpathy 自己过去两年的公开发言和开源项目（nanoGPT, llm.c, nanochat, LLM101n），全部站在"小模型也能学到很多""数据效率被低估"的那一边。

他这次进的不是 Anthropic 的 Claude product，不是 alignment，是 pre-training。他要做的是用 Claude 自己加速预训练研究——这本质上是个效率工具，不是 scale 工具。

这就是这次跳槽最被低估的信号：押效率路线的代表性个体，进了押效率路线的代表性公司，去做一个最纯粹押效率的项目。三层重合。

如果他在 Anthropic 真的做出来"用模型加速模型训练"这件事，意味着 pre-training 的边际成本会被模型自己拉下来。那一刻"scaling 还有没有空间"这个问题会被改写成"AI-assisted research 能不能让 scaling 的边际收益重新上扬"——这是一个完全不同的提问方式。

盲区：Eureka Labs / nanochat / "回大厂是认输吗"

TechCrunch 自己也承认 Eureka Labs 的未来不清楚：

"Karpathy hasn't shared many updates on Eureka Labs since its launch, and it's not clear if the renowned researcher will continue with the startup."

"自从 Eureka Labs 上线后，Karpathy 几乎没更新动态，也不清楚他会不会继续这家创业公司。"

Karpathy 自己只说了一句："I remain deeply passionate about education and plan to resume my work on it in time."——"我仍然热爱教育，会在适当时候继续。"这话很轻。"in time"是个没有时间表的承诺。

更现实的解读是：Eureka Labs / nanochat / LLM101n 这类作品在过去 18 个月已经把"个人能做的最有影响力的 AI 教育产品长什么样"做到了它能到的位置。再往前走，不是产品力问题，是基础模型本身能不能做出新的东西支撑教育。如果基础模型那一层不再前进，教育层就只能复读旧能力。

所以"回大厂是认输还是新故事"这个二选一可能本身是错的题目。更可能的版本是：他判断自己继续在外面做教育，会被基础模型的进展节奏卡住，倒不如回到节奏的源头。等基础模型出现新一轮跃迁，教育层可以重启。

但这只是一个可能的解读。也存在另一种现实——nanochat 那种从零训练的极简栈不再是前沿，需要更大的工业基础设施才能再做出有影响力的东西，Eureka Labs 那种小团队跑不动。无论哪种，结论都是一样的：当下最值钱的工位回到了前沿实验室内部。

对 AI 从业者意味着什么

对求职者：人才流向是一种慢信号，但比 leaderboard 更准。盯三个数据点——顶级研究员去了谁家，顶级研究员离开谁家，顶级研究员公开站哪条路线但实际选了哪条。三个加起来，比读十篇估值新闻有用。

对内容创作者 / 教育者：Karpathy 自己用脚承认了一件事——基础模型前沿移动得比教育内容快。如果你做的是"解释前沿"，要做好被前沿本身甩开的准备；要么参与前沿，要么把内容做到"解释清楚原理之后还能复用"的层次。

对 Anthropic 的客户和合作方：Anthropic 在押"AI-assisted research"。这意味着未来一两年它最重要的内部产品可能不是给你用的，是给它自己研究员用的 Claude。外部能感知到的，是模型迭代速度变快、新能力以更不可预测的方式出现。

对 OpenAI：联创二次离开 + 资深 IC 流失 + Sutskever 走后的空位至今没人填——这三件事合起来比单独任何一件都更值得关注。叙事裂缝一旦扩大，影响的是下一轮顶级招聘和下一轮估值故事，不是当下的产品。

对模型路线判断者：把这次跳槽放进一个更大的图——过去 12 个月明星研究员的流向。如果"押效率路线 + 押 AI 辅助研究"这条线在 12 个月内吸走的明星比"押更大 scale"那条多，路线判断就该跟着走。

本期关键词

pre-training（预训练） —— 模型在大语料上自监督学习的阶段，决定了模型的基础能力。之后的 post-training / RLHF / 微调都基于 pre-training 输出的"底子"。Karpathy 加入的就是 Anthropic 这一层。

AI-assisted research（AI 辅助研究） —— 让现有模型帮研究员设计实验、跑 ablation、读 log、写训练 kernel 的方式。Anthropic 把这件事押成对 OpenAI 和 Google 的差异化。

scaling laws（扩展定律） —— 模型性能随参数量、数据量、算力近似幂律提升的经验规律。过去三年圈子分歧的是这条规律还有多少空间，以及边际收益在哪一段。

data efficiency（数据效率） —— 在同样数据量或更少数据量下提升模型能力的方向。Karpathy 过去几年的开源项目（nanoGPT, llm.c, nanochat）几乎都站在数据效率这边。

Eureka Labs —— Karpathy 2024 创办的 AI-native 教育公司，目标是用 AI 重做编程和 AI 教学。自上线以来更新很少，未来去向官方未表态。

nanochat —— Karpathy 2025 公开的从零训练一个小型 ChatGPT 的开源项目，几千行代码跑完整个 pre-training + SFT 流水线，被广泛用作教学和最小可行栈参考。

引用

1. TechCrunch: OpenAI co-founder Andrej Karpathy joins Anthropic's pre-training team — Maxwell Zeff, 2026-05-19。本文一手来源。
2. Andrej Karpathy on X — Karpathy 个人账号，加入公告原文出处。
3. Eureka Labs — Karpathy 2024 创办的 AI 教育公司官网。
4. nanochat on GitHub — Karpathy 公开的最小可行 LLM 训练栈，对应"data efficiency"路线的代表作。