Андрей Карпатый

Шалыто А.А.

Андрей Карпатый (Andrej Karpathy) – известный специалист в области искусственного интеллекта (Artificial Intelligence, ИИ), машинного (machine learning) и глубокого (deep learning) обучения, а также компьютерного зрения (Computer Vision). На русском окончание его фамилии пишется по-разному.

Он родился 23 октября 1986 года в Братиславе. В 15 лет семья переехала в Торонто. С 2005 по 2009 год учился в университете Торонто, где получил степень бакалавра в области информатики и физики, а с 2009 по 2011 год учился в университете Британской Колумбии, где стал магистром. 

В 2015 году под руководством Фей-Фей Ли (Fei Fei Li) становится PhD в Стэнфорде.

Вот две его статьи того времени: 1. Karpathy A., Johnson J., Li Fei-Fei Visualizing and Understanding Recurrent Networks. 2015. 2. Johnson J., Karpathy A., Li Fei-Fei Dense Cap: Fully Convolutional Localization Networks for Dense Captioning. / Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016, pp. 4565-4574.

При подготовке диссертации Карпатый прослушал такие важные для него курсы как Maching Learning и Computer Vision, которые читали Андрей Нг (Andrew Ng) и Фей-Фей Ли.  Его исследования фокусировались на пересечении компьютерного зрения и обработки естественного языка с использованием глубокого обучения. Вот ссылка на его Ph-диссертацию: https://web.archive.org/web/20240709094555/https://searchworks.stanford.edu/view/11849345.

В 2015 году Андрей Карпатый стал одним из сооснователей компании OpenAI, где работал над глубоким обучением. С 2017 по 2022 год возглавлял отдел ИИ и компьютерного зрения в корпорации Tesla, где руководил разработкой автопилота. В 2023 году вернулся в OpenAI и проработал там год, но затем ушёл для преподавания и работы нал собственными проектами.

Карпатый был автором и основным преподавателем первого курса по глубокому обучению в Стэнфорде – CS231n: Convolutional Neural Networks for Visual Recognition (https://cs231n.stanford.edu/2015/). Этот курс по числу студентов стал одним из самых крупных в Стэнфорде, и вырос со 150 студентов в 2015 году до 750 в 2017 году.

Летом 2024 года Карпатый основал стартап Eureka Labs. Его цель – внедрение ИИ в образовательный процесс и, в частности, создание ИИ-помощников для преподавателей. Первым анонсированным продуктом стартапа стал курс университетского уровня LLM101n, предназначенный для обучения созданию собственных больших языковых моделей. Идея курса – собрать чат-бот, используя весь стек требующихся технологий, чтобы руками почувствовать, где ИИ помогает, а где начинает фантазировать, и как это ловить тестами.

Он активно занимается записью обучающих видео-лекций по созданию нейросетей. Он выкладывает исходные коды своих проектов в открытый доступ (https://github.com/karpathy/). Так, в частности, он выложил коды проекта nanoGPT для обучения/настройки GPT среднего размера.

Он предложил два термина: «вайб-кодинг» и «контекст-инженер».

Первый термин он «ввёл» 2 февраля 2025 года с помощью твита в сети X: «Появился новый вид программирования, который я называю «вайб‑кодинг» (vbe coding), при котором Вы полностью отдаётесь вайбу и забываете, что код вообще существует. Это стало возможным, потому что большие языковые модели становятся слишком хороши». Этот термин он прокомментировал так: «Это не совсем программирование: я просто вижу что‑то, говорю что‑то, запускаю что‑то, копирую что‑то, вставляю что‑то, и это в основном работает. Это не так уж плохо для одноразовых проектов на выходные».

Совсем недавно Карпатый писал: «Самый горячий язык программирования сегодня английский, так как Вам придётся на нём программировать. В ноябре 2025 года я писал 80 % кода вручную с автодополнением и лишь 20 % делегировал агентам, а уже через месяц пропорция перевернулась: 80 % работы у меня выполняют агенты, а 20 % остаётся для ручной правки».

Однако несмотря на это через небольшой промежуток времени он понял, что такого языка программирования недостаточно и ввёл второй термин: «context engineering», который можно   перевести как «инженерия контекста» (или, менее формально, «проектирование контекста») в отличие от «prompt engineering» – «инженерии подсказок / промптов».

Люди ассоциируют «prompt engineering» с короткими текстовыми инструкциями, которые дают модели вроде ChatGPT в обычном использовании. Но в серьёзных промышленных LLM‑системах инженерия контекста – это тонкое искусство и наука наполнения контекстного окна ровно теми данными, которые нужны для следующего шага. Это наука, потому что сюда входят описания задач, объяснения, shot‑примеры, данные (возможно, мультимодальные), инструменты, состояние и история диалога, методы компрессии и фильтрации. Если информации слишком мало или она в неподходящей форме – LLM не имеет нужного контекста для оптимальной работы, а если её слишком много или она нерелевантна, то растёт стоимость и падает качество.

Таким образом, инженерия контекста – лишь одна часть быстро растущего слоя сложной инфраструктуры, связывающей отдельные вызовы LLM в полноценные интеллектуальные приложения.

Прошёл год с момента появления термина «вайб-кодинг». По словам автора этого термина, твит, в котором он ввёл это понятие, был написан не думая, но случайно попал в нужный момент и дал название тому, что многие уже чувствовали. Теперь вайб-кодинг упоминается на его странице в Википедии как его главный «мемный вклад», а статья об этом термине длиннее, чем о самом авторе мема.

По его мнению, за год подход изменился. Тогда возможности LLM были ограничены, и вайб-кодинг годился в основном для игрушечных проектов и экспериментов – «было весело, и почти работало». Сейчас программирование через агентов становится стандартным рабочим процессом для профессионалов, но уже с контролем качества и проверкой результата.

Для этого нового подхода Карпатый предлагает третий термин – «agentic engineering». Здесь используется слово agentic, так как разработчик в основном больше не пишет код напрямую, а выступает в роли их супервайзера. Слово engineering – подчёркивает, что это навык с определённой глубиной, которому можно учиться и в котором можно расти.

В 2026 году Карпатый ожидает прогресса и на уровне моделей, и на уровне агентов, и с интересом смотрит на то, что даст их сочетание.

В начале 2026 года Андрей обучил модель, которая превосходит GPT-2 по бенчмарку CORE, потратив всего $73 и три часа времени на восьми GPU H100, в то время как 2019 году OpenAI тренировала GPT-2 (1,5 млрд параметров) на 32 чипах TPU v3, потратив $43 000  и неделю. Таким образом, за семь лет стоимость разработки снизилась в 600 раз!

Теперь приведу видео Андрея, озвученные на русском языке. Их много: 1. «Part 1. Deep Dive into LLMs like ChatGPT», 3:49:57 (https://www.youtube.com/watch?v=Y1SygpzRlns). 2. «Andrej Karpathy – Part 2. How I use LLMs», 2:15:07 (https://www.youtube.com/watch?v=L1eculdyjPE). 3. «Глубокое Погружение в LLM (ChatGPT, DeepSeek) | Обучение ИИ», 3:31:21 (https://www.youtube.com/watch?v=zA_zJdUE-m8). 4. «Андрей Карпатый | Программное Обеспечение Меняется | Влияние Искусственного Интеллекта на Развитие ПО», 39:30 (https://youtu.be/7kU1B98fRNo). 5. «Андрей Карпатый: AGI похоже откладывается», 2:26:07 (https://www.youtube.com/watch?v=i6TMTo09JV0). 6. В гостях у Лекса Фридман: Андрей Карпатый: Tesla AI, автопилот, робот Optimus, инопланетяне и ИИ уровня AGI, 3:28:47 (https://www.youtube.com/watch?v=EZx7H-Nn1tM). 7. Андрей Карпатый о том, как использовать LLM (ChatGPT, DeepSeek, Claude) | Обучение ИИ, 2:11:11 (https://www.youtube.com/watch?v=wZk-z0n6tFk). 8. Введение в большие языковые модели от Andrej Karpathy, 59:47 (https://www.youtube.com/watch?v=NhPHi2Uw9e8). 9. Мы вызываем признаков, а не живых существ (https://www.youtube.com/watch?v=pSlVBLK0GW4).

А вот статьи на русском языке: 1. Андрей Карпатый: вы никогда не сможете обнаружить использование ИИ в домашних заданиях (https://habr.com/ru/news/970302/), 2. Андрей Карпатый: «ПО снова меняется (и опять радикально)» (https://habr.com/ru/companies/bothub/articles/920384/), 3. Андрей Карпатый основал стартап Eureka Labs, собирающийся внедрить искусственный интеллект в образовательный процесс (https://3dnews.ru/1108053/andrey-karpatiy-osnoval-startap-eureka-labs-sobirayushchiysya-vnedrit-iskusstvenniy-intellekt-v-obrazovatelniy-protsess), 4. Андрей Карпатый создал проект обучения LLM за 100 долларов (https://habr.com/ru/companies/bothub/news/957708). 5. Андрей Карпатый собрал «совет ИИ»: GPT-5.1, Gemini 3 Pro, Claude и Grok спорят за лучший ответ (https://habr.com/ru/news/969280/). 6. Шесть сдвигов в LLM за 2025 год – итоги от Андрея Карпатый (https://habr.com/ru/news/978804/). 7. Андрей Карпатый. Software 2.0. Непонятный софт будущего (https://habr.com/ru/companies/ruvds/articles/728056/). 8. Андрей Карпатый: впервые чувствую себя настолько отстающим как программист (https://habr.com/ru/news/981104/). 9. Андрей Карпатый объяснил, почему LLM – это другой тип разума, а не недочеловек (https://habr.com/ru/news/969124/). 10. Андрей Карпатый с помощью GPT-5.1 проверил IT-прогнозы 10-летней давности (https://habr.com/ru/news/977970/). 11. Илон Маск предложил дуэль Grok 5 против Андрея Карпатый (https://habr.com/ru/news/957988/). 12. Андрей Карпатый: как строить элитную ИИ-школу (https://habr.com/ru/news/958122/). 13. Software 3.0: теория vs реальность (https://habr.com/ru/articles/924598/). 14. Андрей Карпатый ожидает AGI не раньше, чем через 10 лет (https://habr.com/ru/news/957746/). 15. Ответ Андрею Карпатый или зачем нам Когнитивный Инженер (https://habr.com/ru/articles/923066/). 16. Андрей Карпатый о кодинг-агентах (https://vk.com/@1077823-kakoi-nacionalnosti-byl-iisus-hristos).

Мир ИИ движется настолько быстро, что в сети X от 26.12.2025 года появился твит Андрея по поводу того, что даже он считает себя отстающим программистом: «Я никогда ещё не чувствовал себя настолько отстающим программистом. Профессия претерпевает кардинальные изменения, поскольку вклад программистов становится всё более редким и незначительным. У меня такое ощущение, что я мог бы стать в 10 раз сильнее, если бы просто правильно объединил всё, что стало доступно за последний год, и то, что я не смог воспользоваться этим преимуществом, явно говорит о проблемах с навыками. Появился новый программируемый уровень абстракции, который нужно освоить (в дополнение к обычным уровням ниже), включающий агентов, субагентов, их подсказки, контексты, память, режимы, разрешения, инструменты, плагины, навыки, хуки, MCP, LSP, слэш-команды, рабочие процессы, интеграцию с IDE, а также необходимость построить всеобъемлющую ментальную модель сильных и слабых сторон принципиально стохастических, ошибочных, непонятных и изменяющихся сущностей, внезапно переплетённых с тем, что раньше было старой доброй инженерией. Очевидно, что передалось какое-то мощное инопланетное устройство, только без инструкции, и каждому приходится самому разбираться, как его держать и использовать, в то время как вызванное им землетрясение магнитудой девять сотрясает всю профессию. Засучите рукава, чтобы не отстать».

Все бы в этом мире так отставали как он…

Тем временем Андрей заявил, что за последние два месяца программирование изменилось настолько, что стало «неузнаваемым». По его словам, перелом произошёл резко – после обновлений в декабре 2025 года основных моделей. Он говорит: «Вы больше не набираете код в редакторе так, как это было с момента изобретения компьютеров – эта эпоха закончилась. Вы запускаете ИИ-агентов, ставите им задачи c помощью текста, параллельно управляете ими и проверяете их работу». Он добавил, что наибольшую важность приобретают работы по созданию оркестраторов – систем, которые координируют работу нескольких агентов и инструментов.

А вот этот твит в более подробном изложении: «Сложно передать словами, насколько сильно изменилось программирование благодаря ИИ за последние два месяца: не постепенно и с течением времени в духе «обычного прогресса», а именно в декабре прошлого года. Есть ряд оговорок, но, на мой взгляд, агенты для программирования практически не работали до декабря 2025 года, а с тех пор работают – модели обладают значительно более высоким качеством, долгосрочной согласованностью и устойчивостью, и они способны справляться с большими и длительными задачами, которые уже давно выходят за рамки привычного рабочего процесса программирования.

Чтобы привести пример, на выходных я создавал локальную панель мониторинга видеоанализа для камер моего дома, и написал: «Вот локальный IP-адрес и имя пользователя/пароль моего DGX Spark. Войти, настроить SSH-ключи, настроить vLLM, загрузить и протестировать Qwen3-VL, настроить серверную конечную точку для обработки видео, базовую панель мониторинга с веб-интерфейсом, всё протестировать, настроить с помощью systemd, записать заметки и составить для меня отчёт в формате Markdown».

Агент отключился примерно на 30 минут, столкнулся с множеством проблем, поискал решения в Интернете, решил их одну за другой, написал код, протестировал его, отладил, настроил службы и вернулся с отчётом, и всё было готово. Я ничего не трогал. Всё это могло бы легко стать проектом на выходные всего три месяца назад, но сегодня это то, что начинаешь и забываешь на 30 минут.

Самая большая награда состоит в том, чтобы понять, как можно постоянно подниматься по уровням абстракции, чтобы создавать долго работающие оркестраторы со всеми необходимыми инструментами, памятью и инструкциями, которые продуктивно управляют множеством параллельных экземпляров кода. Возможности, которые даёт передовая «агентная инженерия», сейчас кажутся очень широкими. Это не идеальный подход, он требует высокого уровня руководства, здравого смысла, вкуса, контроля, итераций, подсказок и идей. В некоторых сценариях (например, особенно для хорошо определённых задач, где можно проверить/протестировать функциональность) он работает гораздо лучше, чем в других.

Ключ к успеху – развить интуицию, чтобы правильно декомпозировать задачу и передать данные и требования, а также помочь на периферии. Но, на мой взгляд, сейчас уже не время для «обычной работы» в сфере разработки ПО». Лучше всего агенты работают там, где результат можно проверить автоматически, но главное изменение уже произошло.

Ещё размышления Андрея по этому вопросу. «За последние пару месяцев программирование изменилось не постепенно, а резко. Раньше кодинг-агенты выглядели как интересный эксперимент – могли помочь с фрагментами кода, но не тянули реальные задачи. Сейчас ситуация другая: модели научились держать контекст, последовательно решать проблемы и доводить работу до конца. По сути, они получили главное качество инженера – упорство.

Типичный сценарий сегодня выглядит так: ты ставишь задачу высокого уровня, агент подключается к серверу, настраивает окружение, устанавливает зависимости, обращается к сервисам, пишет код, тестирует, исправляет ошибки и возвращается с готовым результатом и отчётом. То, что раньше занимало выходные, теперь может решаться за десятки минут автономной работы.

И это меняет сам подход к разработке. Раньше основной навык был – писать код. Теперь основной навык – формулировать задачи, декомпозировать их и управлять процессом. Новый рабочий процесс выглядит так: 1) описываешь цель на естественном языке; 2) запускаешь агентов; 3) наблюдаешь за процессом; 4) проверяешь результат; 5) корректируешь работу.

Ключевая компетенция смещается вверх по уровням абстракции: 1) архитектурное мышление; 2) правильная декомпозиция; 3) настройка инструментов и среды; 4) оркестрация нескольких агентов; 5) контроль качества.

Это не магия, так как агентам нужны: 1) чёткие спецификации; 2) понятные критерии успеха; 3) тесты и верификация (я думаю, что этого мало – нужна ещё и валидация: Шалыто А.А. Валидация автоматных спецификаций // Научно-технический вестник информационных технологий, механики и оптики. 2023. № 2, с. 436-438. А.Ш.). 4. Человеческое суждение и вкус.

Программирование постепенно превращается из «написания кода» в управление вычислительной системой, которая пишет код за тебя. И сейчас выигрывают не те, кто быстрее печатает и кодируют, а те, кто умеет мыслить на уровне систем, задач и результатов. И если раньше ценился Сoding, то теперь растёт ценность Аgent-Еngineering».

А тем временем, Андрей продолжает генерировать идеи, каждая из которых вызывает интерес в мире. Вот статья, посвящённая его последнему предложению «Второй мозг и LLM‑Wiki: Теория и практический гайд по созданию и поддержке личной базы знаний».

И недавняя новость об Андрее. Он 19.05.2026 г. объявил о том, что переходит в Anthropic. Напомню, что Карпатый – сооснователь OpenAI и бывший директор по ИИ в Tesla, два последних года развивавший свой образовательный стартап Eureka Labs. Теперь он уходит в компанию, основанную выходцами из OpenAI, которые отчаянно конкурируют с ней. 

Свой переход Карпатый объяснил желанием вернуться к исследованиям и разработкам. При этом его образовательный стартап Eureka Labs ставится на паузу, но не закрывается.

Об авторе: Анатолий Шалыто - докт. техн. наук, профессор, Университет ИТМО
Помещена в музей с разрешения автора. В статье сохранено авторское оформление текста. 14 июля 2026