Линза Карпатого: понимание против исполнения

Карпатый строит ИИ и одновременно публично его описывает: один из основателей-членов команды OpenAI, годы руководства ИИ и автопилотом в Tesla, автор учебных материалов, на которых выросло поколение инженеров (micrograd, nanoGPT).

По его публичным выступлениям видно нежелание раздувать ожидания: там, где индустрия обещает «AGI через год», он говорит «десятилетие».

Это не пересказ его интервью, а попытка вытащить из его публичной позиции один цельный фрейм и разложить его так, чтобы им можно было пользоваться при решениях.

Фрейм держится на трёх параллельных утверждениях: понимание бьёт исполнение, реальность бьёт таймлайны, инженерия бьёт нарратив.

Три раза одна и та же ошибка - лёгкое и эффектное принимают за трудное и реальное.

Всё ниже подано как публичная позиция Карпатого, а не как установленный факт о мире; биографические частности я намеренно опускаю.

Карпатый называет его jagged, «зубчатым». Где-то модель сверхчеловек, в шаге рядом - беспомощна, и граница неочевидна.

На рельсах обучающих данных она сильна; в шаге от них - обрыв.

Показателен его открытый учебный проект nanochat - сборка LLM полного цикла, около восьми тысяч строк за месяц с небольшим.

Агенты почти не помогали: такого кода нет в интернете, и они тянули решение к типовым шаблонам из обучающих данных, возвращая обратно ровно тот стандартный механизм, который автор сознательно выкинул.

На типовом - сильнее тебя; на уникальном - мешает.

Отсюда первый навык новой эпохи: чувствовать, где рельсы, а где обрыв.

Где агент сильнее тебя, а где подведёт.

Карпатый описывает, как сам держит три режима и осознанно переключается между ними.

Это напрямую переопределяет, что такое «навык работы с ИИ».

Под «промпт-инжинирингом» прячутся две разные вещи, и их стоит развести: узкие заклинания вроде «думай пошагово» - расходный навык, модели умнеют и прощают кривые запросы; а умение разложить задачу, понять, что куда отдать, что проверить и как состыковать, - это direction, завязанный на понимание области.

Универсального ИИ-приёма, который заменяет понимание, нет: расходные промпт-трюки обесцениваются с каждым поколением моделей.

Понимание же рождается из экспертизы, опыта и насмотренности - поэтому образование не теряет смысла, а приобретает.

Карпатого - не бунт машин, а постепенная, незаметная потеря людьми контроля и понимания: сползание человечества в роль пассажира собственной цивилизации.

Его образ будущего ближе к «костюму Железного человека»

- инструменту, усиливающему человека, чем к автономному роботу вместо него. Отсюда и его ставка на образование нового типа; характерная деталь - по интервью No Priors он говорит, что всё чаще объясняет вещи не людям, а агентам: хорошо объяснил агенту один раз, дальше агент объяснит это любому человеку под его уровень и не устанет повторять.

Отрезвляющая аналогия, которую он приводит, - беспилотные автомобили.

Их доводят десятилетиями; и даже там, где машины уже ездят без водителя, человек часто не исчезает, а уходит в удалённый контур поддержки.

Это и есть честная картина «автономности»: не исчезновение человека, а изменение его места в контуре.

Его собственные карьерные шаги - ближе к разработке моделей, чем к обещаниям про «AGI через год» - согласуются с этой позицией.

Трезвость здесь - это видеть реальность без сказок под раунды: если впереди десятилетие тяжёлой инженерии, логично идти отрабатывать его руками.

Если свести всё к одному, индустрия систематически путает две пары понятий - и обе ошибки одной формы: лёгкое и эффектное принимают за трудное и реальное.

Из этого вырастают три практических вывода.

Специалист будущего - не «я умею в ИИ», а «я глубоко понимаю область и поэтому умею направить в ней ИИ».

Для руководителя вопрос найма переформулируется: вы нанимаете тех, кто понимает, что строит, - или тех, кто красиво жмёт кнопки?

Здесь же лежит проблема «чистого листа» из начала текста: агент не накапливает опыт между сессиями сам - носителем накапливаемого контекста остаётся команда и переносимая корпоративная память (например, Sloy).

Закладывайтесь на десятилетие, а не на год; не верьте громким срокам и не привязывайтесь к конкретному инструменту.

Это TTU-мышление - мерить время до реального использования, а не до красивой демонстрации.

Переносимый контекст (AGENTS.md, skills, MCP - см. AI-принципы) здесь не только удобство, а страховка от vendor lock-in: систему можно забрать себе.

Как это превращается в короткие проверяемые итерации, описано в подходе к внедрению ИИ.

Если у тезиса нет механизма, цифры или проверки - это нарратив, а не инженерия.

Как вообще дать модели ваши знания - обзор всех способов: лендскейп «как дать LLM знания».

Когда оправдано менять веса модели под себя: дообучение моделей - короткий гайд.

Откуда брать цифры по стоимости моделей: сравнение LLM 2026 - выбор по процессу и бюджету; калькулятор контуров под ваши вводные - на хабе внедрения ИИ. И самое человеческое в этой позиции: за трезвостью стоит забота - сделать так, чтобы люди остались теми, кто понимает и направляет, а не пассажирами.

Это не пессимизм, а трезвая оценка: закладываться на десятилетие тяжёлой инженерии и держать человека тем, кто понимает.