Egy kutatói pálya mint az MI rövid története
Andrej Karpathy pályája jól kirajzolja, hogyan jutott el a mesterséges intelligencia a képfelismeréstől az agentekig és a kutatást segítő rendszerekig. Munkájának visszatérő kérdése: miként tanulhat meg a számítógép olyan feladatokat, amelyeket nem lehet szabályról szabályra leprogramozni?
A szlovák születésű, kanadai kötődésű kutató mérnökként, oktatóként és kutatóként is dolgozott. Neurális hálózatokat magyarázott és fejlesztett az önvezetéstől a szöveg- és kódgenerálásig.
A képfelismeréstől az önvezetésig
Karpathy a Stanfordon szerzett doktori fokozatot. A képfeldolgozás és a nyelv kapcsolatát kutatta: hogyan ismerjen fel és írjon le egy rendszer képeket. Az akadémiai világban széles körben ismert CS231n kurzus oktatójaként azt a fordulatot is közvetítette, amelyben a fejlesztő egyre kevésbé szabályokat ír, inkább példákat ad a gépnek.
A hagyományos programok utasításai előre rögzítettek. A neurális hálózat ezzel szemben sok példából alakítja ki belső paramétereit, ami meghatározza működését. Ezt a sok példaadatot hívják tanító adatnak.
Az OpenAI alapító csapatának tagja volt, majd 2017-ben a Teslához igazolt, ahol az Autopilot és később a teljesen önvezető autók (Full Self-Driving) neurális hálózatain dolgozó csapatot vezette. Az önvezetést segítő rendszereknél a jó teszteredmény kevés: a szoftvernek valós időben, ritka és veszélyes helyzetekben is működnie kell. Egy modell milliónyi közlekedési jelenetet felismerhet, mégis hibázhat olyan helyzetben, amelyet egy tapasztalt ember könnyen kezelne.
2023-ban visszatért az OpenAI-hoz, majd 2024-ben újra távozott. A ChatGPT és a GPT-4 nem köthető egyetlen alkotóhoz: sok száz vagy ezer ember munkájára épülő rendszerekről van szó. Karpathy szerepe mégis azért fontos, mert korán dolgozott a mögöttük álló technikai alapokon.
Amikor az utasítás is programozás
A pályatörténethez Karpathy fogalmi keretet adott már 2017-ben. A Software 2.0 szerint a modell tanulással beállított paraméterei válnak a program jelentős részévé. A Software 3.0 már azt írja le, amikor természetes nyelvű utasítások, háttéranyagok és eszközök együtt irányítják a nagy nyelvi modellt. Írásában már akkor egy olyan változást vetített előre, amelynek következtében az ember megfogalmazza a célt, az MI kódot készít, ő pedig tesztel és visszajelez. Ez prototípusoknál gyors lehet, kritikus rendszereknél viszont továbbra is ellenőrizni kell a jogosultságokat, a hibakezelést, az adatvédelmet és a karbantarthatóságot.
Az MI-agentek már nem csupán válaszolnak: több lépésben fájlokat nyithatnak meg, információt kereshetnek, kódot írhatnak és ellenőrizhetnek. Nem feltétlenül jobb alapmodellek, inkább eszközökkel, memóriával és visszacsatolással ellátott munkafolyamatok. Korlátjuk az, amit Karpathy „jagged intelligence”-nek, vagyis egyenetlen intelligenciának nevez: összetett feladatot megoldhatnak, majd elbukhatnak egy banális utasításon. Emiatt az általános mesterséges intelligencia, az AGI gyors eljöveteléről szóló jóslatokat is óvatosan kezeli. Egy 2025-ös interjúban arról beszélt, hogy a mai modellek nem úgy tanulnak, érzékelnek és fejlődnek, mint emberek vagy állatok.
2024. július 16-án elindította az Eureka Labsot, ahol a tanár tervezi a tananyagot, az MI-alapú tanársegéd pedig személyre szabott gyakorlást és magyarázatokat ad. Saját, Neural Networks: Zero to Hero című tananyaga is a neurális hálózatok fokozatos, érthető felépítésére tanít.
2026. május 19-én az Anthropichoz csatlakozott. A TechCrunch szerint az előtanítás, vagyis a modellek alapvető képességeit kialakító tréning területén dolgozik, különösen azon, miként gyorsíthatja az MI a kutatómunkát.
Az MI már segít MI-t fejleszteni
A Karpathy által 2026 márciusában nyilvánossá tett autoresearch projekt kézzelfogható példa erre. Agentje módosíthatja egy nyelvi modell tanító kódját, rövid kísérleteket futtat, majd mérőszám alapján megtartja vagy elveti a változtatást. Az ember továbbra is kijelöli a feladatot, a korlátokat és a mérőszámot, biztosítja a számítási kapacitást, végül dönt a folytatásról.
Ez MI-vel támogatott kutatás, nem valódi rekurzív önfejlesztés. Ahhoz a rendszernek saját korlátait és kutatási céljait is fel kellene ismernie, új módszereket kellene kidolgoznia, majd megbízhatóan értékelnie és üzembe állítania a jobb utódot. Az Anthropic elemzése szerint a mai rendszereknek épp ezen a téren vannak komoly hiányosságaik. Egy jó mérőszám sem garantálja, hogy a modell a valós, váratlan helyzetekben megbízhatóbb lesz.
Karpathy karrierje jól bemutatja, hogy hogyan jutott el a technikai fejlődés az előző évtized képfeldolgozó megoldásaitól a korunkat meghatározó mesterséges intelligencia alapú megoldásokig.