三段身份
Karpathy 的履历常被概括为「OpenAI 创始成员 + 特斯拉 AI 总监」，但这两个头衔恰恰掩盖了他真正一以贯之的身份：教师。
2015 年他在斯坦福开设 CS231n——学校第一门深度学习课程。那门课的讲义在很长一段时间里是全世界入门计算机视觉的默认材料。在他成为任何一家公司的高管之前，他先证明了自己能把复杂的东西讲清楚。
特斯拉这五年给了他什么
2017 年他加入特斯拉负责 Autopilot 的视觉系统。这五年在他的知识结构里的位置很特殊：它把他从「研究者」变成了「知道研究和产品之间隔着多远」的人。
自动驾驶是极少数演示效果和量产可靠性差距巨大的领域——demo 跑通到真正上路之间，隔着漫长的、不性感的可靠性工程。他后来对 AI 能力边界的判断之所以比多数人克制，来源就在这里。
离开之后，他做了件反直觉的事
2022 年从特斯拉离职后，他没有立刻创业，也没有加入任何一家估值飞涨的 AI 公司。他开始在 YouTube 上免费讲课，从手写反向传播讲到从零构建 GPT，同时把 nanoGPT 这样的极简实现开源出来。
nanoGPT 的设计哲学很能说明问题：它不追求性能最优，而追求几百行代码让人真正看懂 GPT 在干什么。这是教学思维，不是工程思维。
两年时间，没有商业回报，但积累了这个行业里密度最高的信任。
Eureka Labs：把自己的方法产品化
2024 年 7 月，他创办 Eureka Labs，方向是「AI 原生学校」——核心命题不是造更强的模型，而是解决教育的规模化交付：优秀教师的数量永远有限，AI 助教能否把一位顶级教师的覆盖能力放大若干个数量级。
这个切入点几乎是他个人经历的直接产物。他花了十年验证「一个好老师能改变多少人」，然后试图把这件事从手工业变成工业。
命名的力量
「Software 2.0」（2017）和「vibe coding」（2025）是两个相隔八年的例子，但机制完全一样：给一个正在发生却还没有名字的现象，下一个准确、好传播的定义。
这两个词都不复杂，甚至都不算原创洞见——很多人已经感受到了那种变化。但只有被命名之后，一个现象才能被讨论、被引用、被写进商业计划书。这是技术人手里最便宜、也最常被浪费的杠杆。