Karpathy Loop：700次实验2天，AI自主研究的范式革命

你见过凌晨4点的实验室吗？

Karpathy 没见过——因为他睡着了，而他的 AI 正在跑第 347 号实验。

2026年3月，Andrej Karpathy（前 OpenAI 创始成员、前 Tesla AI 总监）开源了一个 630 行的 Python 脚本。他没有宣传新模型，没有发布新架构，只是放出了一个"让 AI 自己搞研究"的循环。

两天后，这个循环跑了 700 次实验，发现了 20 处连 Karpathy 自己都忽略的改进。训练时间缩短 11%。

Shopify CEO Tobi Lutke 复制了这个流程，一夜 37 次实验，模型性能提升 19%，体积还缩小了一半。

这个被称为 "Karpathy Loop" 的东西，可能是 2026 年最具颠覆性的开源项目——不是因为它发现了什么惊天动地的算法，而是因为它重新定义了"研究"本身。

🔬 什么是 AutoResearch？一个极简循环

Karpathy 的系统简单到令人发指：

# 核心逻辑，伪代码版本
for i in range(700):
    code = read("train.py")           # 1. 读代码
    hypothesis = llm(code)            # 2. 形成假设（改什么能提升性能？）
    patch = llm(hypothesis)           # 3. 修改代码
    result = run(patch, timeout=300)  # 4. 跑5分钟训练
    if result.better_than_best:       # 5. 验证指标
        keep(patch)                   # 6a. 更好？保留
    else:
        discard(patch)                # 6b. 更差？回滚

六个步骤。没有人类干预。没有复杂的 orchestration。一个 while 循环，一个判断条件。

三个关键设计选择

为什么这个简单的循环能产生惊人的结果？Karpathy 做了三个反直觉的设计决策：

1. 固定时间预算（5分钟）

每个实验不管改什么，只跑 5 分钟。这保证了结果可直接比较——不存在"再多训一会儿可能就好了"的争论。好就是好坏就是坏，5 分钟见分晓。

2. 单文件范围（只改 train.py）

AI 只能修改训练脚本，不能碰数据管道、不能改 tokenizer、不能重构整个仓库。这个"紧狗链"设计是整个 trick 的核心——约束创造力，反而让探索更有效。

3. 人类写策略，机器执行战术（program.md）

人负责写高层指令（"优化方向是什么""什么不能碰"），AI 负责执行细节（"这个学习率加 0.001 试试"）。Karpathy 形容这个关系：人是研究主管，AI 是整个实验室团队。

📊 结果：20处改进，11%提速

700 次实验不是随机尝试。AI 在形成假设——它读代码、看之前实验的结果、提出有逻辑的修改。

发现的 20 处改进包括：

• 注意力机制中遗漏的标量乘数（导致注意力过度分散到多个头上）
• 学习率调度器的微调
• 批大小和窗口模式的组合优化
• 权重衰减的重新校准

这些都是需要海量耐心的精细优化。人类在十几轮后就筋疲力尽了，但 AI 不会。

应用到更大的模型（depth 24），训练时间从 2.02 小时降到 1.80 小时——11% 的提速，全部由机器自主发现。

🧠 双层循环：让循环自己优化自己

Karpathy 的原始循环已经很强大了，但有一个根本限制：搜索策略是固定的。AI 基于自身的先验知识提出修改，但如果这个先验本身有偏见呢？

比如，LLM 可能有一种隐性偏见："更大的 batch size 总是更好"。即使当前任务中小 batch 更优，它也会反复尝试增大 batch——陷入自己的思维定势。

这就是 Bilevel Autoresearch（arXiv:2603.23420）要解决的问题。

三层架构

Level 1（内层循环）: 优化任务本身
    ↓ propose → train → evaluate → keep/discard
    
Level 1.5（策略调整）: 每5轮调整搜索参数
    ↓ 冻结无效参数 / 解冻新区域 / 注入引导字符串
    
Level 2（外层循环）: 每2个周期生成新的搜索机制
    ↓ 读代码 → 分析瓶颈 → 生成Python机制 → 运行时注入

Level 2 的魔法：4轮对话生成新机制

外层循环不是调参数，而是写代码——用 4 轮 LLM 对话生成可执行的 Python 搜索机制：

1. Explore（探索）：LLM 读取 runner.py 和搜索轨迹，从相邻领域（组合优化、多臂老虎机、实验设计）调研可能的改进机制
2. Critique（批判）：评估候选机制，选择最有希望的一个
3. Specify（规范）：写精确的接口规范——类名、构造函数、方法签名
4. Generate（生成）：写完整的 Python 代码，包括 runner.py 的修改点

生成的代码通过 importlib 动态加载验证。如果导入成功，就替换当前 runner；如果失败，回滚到备份。

生成的机制有哪些？

论文中提到的外层循环自主发现的机制包括：

• Tabu Search（禁忌搜索）：防止重复提议相同的参数组合
• Multi-Armed Bandit（多臂老虎机）：在探索新方向和利用已知好方向之间做权衡
• Orthogonal Exploration（正交探索）：强制同时改变多个独立参数，避免局部最优

这些机制不是人类指定的。外层循环自己从相邻的算法领域"借鉴"来的。

结果：5倍提升

在 Karpathy 的 GPT 预训练基准上：

关键洞察：参数级调整（Level 1.5）几乎没有增益，机制级创新（Level 2）才有突破。

🎯 Loop Engineering 的四个前提条件

不是每个任务都值得建一套循环。Codila 提出了"四项全能"适用标准：

1. 任务高频：至少每周重复一次。一次性任务用个好 prompt 就够了，建循环收不回成本。
2. 验证可自动化：不需要人工读取结果、判断好坏。必须有自动化的验证器。
3. Token 预算能消化冗余：循环必然伴随大量失败实验。小预算扛不住。
4. Agent 能访问真实运行环境：不能闭着眼睛盲目迭代，必须有真实的执行和反馈。

四个条件缺一不可，否则成本远超收益。

⚠️ 隐性代价：理解债与认知让渡

Loop 不是银弹。它带来两个深层问题：

1. 理解债（Comprehension Debt）

循环生成的代码不是人工一行行敲出来的。仓库里的代码和开发者真正理解的代码差距越来越大。

"我知道它 work，但不知道为什么 work。"

一旦系统崩溃，Debug 成本极高——你要先理解 AI 写的代码，才能定位问题。

2. 认知让渡（Cognitive Delegation）

循环一旦跑通，人极易停止思考。

同样的工具，两种用法：

• 加速理解："我用循环验证我已经理解的假设"
• 逃避理解："我让循环自己跑，我不管了"

最终结果天差地别。前者是超级杠杆，后者是认知外包。

🔮 为什么这是范式革命

Karpathy Loop 的意义不在于"AI 能自动跑实验"。自动化实验早就有了（AutoML、NAS）。

它的革命性在于三个层面：

1. 从"人想机器做"到"机器想机器做"

传统 AutoML：人类设计搜索空间，机器在空间里穷举。

Karpathy Loop：机器自己读代码、形成假设、提出修改。搜索空间不是预先定义的，而是动态生成的。

Karpathy 自己说："神经架构搜索（NAS）和这个相比，完全是另一个类别——弱到无法比较。这是一个真正的 LLM 在写任意代码，从之前的实验中学习，还能访问互联网。"

2. 从"优化参数"到"优化搜索机制"

Bilevel Autoresearch 更进一步：不仅优化任务参数，还优化优化过程本身。

这是元认知（meta-cognition）的雏形——系统开始思考"我是如何思考的"，并改进自己的思考方式。

3. 从"研究者时间"到"验证器设计"

Karpathy Loop 让瓶颈发生了转移：

• 以前：研究者时间是瓶颈。一天跑 3-5 个实验，小心翼翼设计每个实验。
• 现在：验证器设计是瓶颈。一夜 100 个实验，但如果你优化错了指标，就是在加速错误方向。

"昂贵的错误不再是'我们没跑够实验'，而是'我们优化错了记分牌'。"

💡 日常 Coding 能用吗？

这是很多人关心的问题。答案取决于你的"验证"能否自动化。

适合的场景：

• 有明确测试套件的代码库（测试通过/失败 = 自动验证）
• 有明确性能指标的系统（延迟、吞吐量、内存占用）
• 有 linter/formatter 约束的代码风格统一

不适合的场景：

• 需求模糊的探索性开发
• 需要人类审美判断的 UI/UX 调整
• 没有自动化测试的遗留代码

关键问题：你能不能写出一个函数，输入是代码，输出是 0-100 的分数？

如果能，你就可以 Karpathy Loop。

📝 结语

Karpathy Loop 和 Bilevel Autoresearch 揭示了一个趋势：AI 正在从"工具"变成"同事"——不是执行你命令的工具，而是有自己研究议程、能从失败中学习、能改进自己工作方式的合作伙伴。

但这也提出了一个深刻的问题：

当 AI 一天能做 700 个实验、发现 20 处你忽略的改进时，研究者的价值在哪里？

答案可能是：研究者的价值从"做实验"转移到了"设计验证器"和"提出好问题"。机器负责穷举，人类负责定义什么值得穷举。

毕竟，一个能一夜跑 700 次实验的系统，如果优化的是错误的指标，只是更快地走向错误答案。

方向永远比速度重要。而方向，仍需要人来把握。

参考资源

• Karpathy AutoResearch: https://github.com/karpathy/autoresearch
• Bilevel Autoresearch 论文: https://arxiv.org/abs/2603.23420
• Bilevel Autoresearch 代码: https://github.com/EdwardOptimization/Bilevel-Autoresearch
• Shopify CEO 实验: https://x.com/tobi/status/（相关推文）

本文同步发布于 智柴外脑

#KarpathyLoop #AutoResearch #BilevelAutoresearch #AI研究 #自动化实验 #LoopEngineering #小凯