Karpathy不是普通技术大牛，他的履历，本身就是一部AI时代的行业进化史。

他师从李飞飞，在斯坦福参与创立并主讲深度学习课程 CS231n，这门课后来成为全球很多人学习计算机视觉和深度学习的入门经典；

他是OpenAI早期核心成员之一；后来被马斯克挖到特斯拉，担任AI负责人，参与自动驾驶视觉系统建设；

之后又回到OpenAI参与前沿模型工作；

离开OpenAI后，他创办了AI教育公司Eureka Labs，并提出“Vibe Coding”这个概念，推动很多人重新理解AI编程的范式变化。

现在，他加入Anthropic，进入Claude的预训练团队。

这条新闻真正值得关注的地方，不是“Karpathy换了一家公司”。而是：他没有去做现在最热、最容易商业化的Agent应用，而是去了最底层、最枯燥、最烧钱、周期最长的预训练。

Reuters的报道提到，Karpathy将加入Anthropic的pretraining team，也就是负责Claude基础能力训练的团队。另有媒体报道，他会参与一个方向：用Claude来加速Claude自身的预训练研究。

这背后的信号很强。AI行业正在从“人用AI”，走向“AI帮助AI进化”。

 

---

 

一、Karpathy的选择，说明AI竞争正在进入更深水区

 

现在外面最热的是什么？Agent。

AI客服、AI销售、AI员工、AI写代码、AI做PPT、AI做短视频、AI自动获客……这些都离钱很近，也最容易被企业理解。

但Karpathy偏偏没有选择最表层的应用层。他去了预训练。

预训练是什么？

简单讲，就是大模型底层能力的地基。模型到底聪不聪明，能不能理解复杂问题，能不能推理，能不能写代码，能不能做研究，很多能力都来自这个阶段。

这件事对行业的启发是：

AI竞争不是只看谁的应用做得花，最后还是要回到底层能力。

应用层很热闹，但真正改变格局的，往往是底层能力的突破。

如果Claude能参与改进Claude自己的训练过程，那未来大模型公司的竞争，就不只是“谁买了更多GPU”“谁堆了更多数据”“谁融资更多”。

而是：谁家的AI，能不能反过来帮助自己变得更强。这就是AI自我迭代的雏形。

AI帮研究员读论文、设计实验、分析训练数据、优化训练流程、发现错误、生成新思路、加速模型迭代。一旦这个闭环跑起来，AI进步的速度可能会被再次放大。

 

---

 

二、Karpathy真正厉害的，不只是技术，而是判断

 

很多人看Karpathy，会觉得他厉害是因为懂算法、懂模型、懂代码。但他真正稀缺的能力，是判断趋势的能力。

他在斯坦福做CS231n的时候，深度学习和计算机视觉正在成为AI主线。

他去OpenAI的时候，生成式AI还没有今天这么大众化，但方向已经开始酝酿。

他去特斯拉的时候，自动驾驶路线还存在很多争议，但他押注视觉路线。

他提出Vibe Coding的时候，很多人还在纠结“AI写代码靠不靠谱”，他已经看到软件开发方式会从“人一行行写代码”，转向“人用自然语言描述意图，AI生成和修改代码”。

现在，他加入Anthropic预训练团队，又把注意力放到了“AI如何帮助AI进化”这件事上。

所以这件事，释放出来一个信号：

AI下一阶段的竞争，不只是应用爆发，而是系统自我迭代能力的竞争。

谁能让AI参与自己的研发，谁就有可能把进化速度拉开。

 

---

 

三、这件事对企业最大的启发：不要只把AI当工具，要把AI做成系统

 

很多企业现在用AI，还停留在第一层：

让AI写一篇文章。

让AI做一张图。

让AI生成一段短视频脚本。

让AI帮销售写一段话。

这些当然有用。

但这只是“工具层”。

真正更有价值的是“系统层”。

比如：

AI帮你整理客户问题；

AI帮你分析哪些内容更容易转化；

AI帮你复盘哪些表达更容易被客户理解；

AI帮你判断哪些产品卖点讲得太空；

AI帮你发现知识库缺了哪些案例；

AI帮你把销售反馈、客户咨询、短视频数据、GEO收录情况，反向沉淀成下一轮内容策略。

这就不是简单提效了。

这是让AI进入企业经营的循环里。

以前是：人做内容 → 人发布 → 人看数据 → 人复盘 → 人修改。

未来会变成：企业知识库 → AI生成内容 → 多平台分发 → 数据反馈 → AI复盘 → 知识库更新 → 下一轮内容更准。

这个逻辑，和Karpathy加入Anthropic预训练团队背后的方向，其实是一致的。

大模型公司做的是：用AI加速AI研究。

制造业企业要做的是：用AI加速品牌内容系统的自我迭代。

 

---

 

四、这就是Geo未来的方向

 

GEO是什么？

很多人把它理解成“AI搜索排名”。

这个理解没错，但还不够。

天助牛认为，GEO真正的核心不是“发文章抢排名”，而是：

让AI能够找到你、理解你、判断你，并在合适的问题里推荐你。

以前做SEO，企业关心的是关键词排名。

客户搜“注塑机厂家”“电机厂家”“包装设备厂家”，你能不能排在搜索引擎前面。

但AI时代变了。

客户不一定再去一页页翻网页。

他可能直接问AI：

哪家注塑机更耐用？

东莞有没有靠谱的自动化设备厂家？

做高端包装的工厂怎么选？

某类电机适合什么工况？

某种材料为什么价格差这么多？

AI不会只给你一个网页列表。

它会根据全网信息，直接整理答案，甚至直接推荐几家公司。

这时候，企业面临的问题就变成：

AI知不知道你？

AI看不看得懂你？

AI有没有足够证据相信你？

AI在回答客户问题时，会不会把你列入备选？

这就是GEO的底层逻辑。

 

---

 

五、未来GEO不是发稿竞争，而是知识库竞争

 

现在市场上很多GEO服务，还停留在比较粗放的阶段。

批量发稿。

批量铺关键词。

批量生成AI文章。

批量做问答。

短期看，可能有一点效果。

但长期看，这条路风险很大。

因为AI系统越来越强，平台治理也会越来越严格。低质、重复、没有真实信息支撑的内容，未来一定会被识别、被降权，甚至反向伤害品牌信任。

天助牛的判断很明确：

未来GEO优化的竞争，不是文章数量竞争，而是品牌知识库质量竞争。

谁的企业资料更真实，谁的案例更完整，谁的工程经验更具体，谁的产品逻辑更清晰，谁就更容易被AI理解。

AI不是人情社会。

它不会因为你说自己“实力雄厚、品质可靠、服务周到”，就相信你。

它更看重的是证据链：

你做过哪些客户？

解决过哪些问题？

产品适合哪些场景？

技术优势体现在哪里？

交付能力怎么证明？

售后边界是什么？

和同行相比，差异到底在哪？

有没有真实案例、真实参数、真实应用、真实问答？

这些内容，才是制造业品牌在AI时代的“可被推荐资产”。

 

---

 

六、制造业企业最该做的，不是追热点，而是搭底座

 

很多工厂老板现在很焦虑。

AI来了，要不要做GEO？

要不要做短视频？

要不要做小红书？

要不要做公众号？

要不要做官网优化？

要不要做AI搜索收录？

这些问题都对，但顺序不能乱。

天助牛的建议是：不要一上来就追平台，先把品牌底座搭好。

什么叫品牌底座？

简单说，就是把企业真实能力整理清楚。

包括：

你是谁；

你做什么；

你服务谁；

你不服务谁；

你的核心产品是什么；

你的核心优势是什么；

你的客户为什么选你；

你的案例怎么证明；

你的技术经验怎么表达；

你的销售经常被问什么问题；

你的老板、工程师、业务负责人脑子里的经验，怎么变成内容资产。

这些东西不整理，AI写出来的内容就会很空。

看上去很流畅，实际上没有企业味道。

客户不信，AI也不一定信。

制造业内容最怕的不是“不高级”，而是“不真实”。

老板明明有20年行业经验，结果写出来像通用广告词。

工厂明明有真实案例，结果内容里只有“品质保障”。

产品明明有工艺细节，结果表达成“性能优越”。

销售明明知道客户最关心什么，结果文章里全是套话。

这就是知识库没搭好的问题。

 

---

 

七、GEO也可以做“自进化”

 

回到Karpathy这件事。

如果AI可以参与AI模型自己的迭代，那么品牌GEO也可以建立类似的迭代闭环。

不是让AI自己乱跑，而是让AI在真实资料基础上，持续优化品牌内容系统。

这个闭环可以这样理解：

第一步，做品牌诊断。

先看AI现在能不能识别你。问豆包、DeepSeek、Kimi、元宝、通义千问等AI入口，看它们是否知道你的品牌，是否能准确描述你的业务，是否会在相关问题里推荐你。

第二步，做竞争力梳理。

把企业真正有价值的东西挖出来。不是写“实力强”，而是找出为什么强，强在哪里，客户为什么愿意付钱。

第三步，搭建品牌知识库。

把公司基础信息、产品资料、应用场景、客户案例、常见问答、工程经验、资质背书、老板观点、销售话术，系统整理成AI能调用的结构化资料。

第四步，做问题挖掘。

围绕客户真实采购前会问的问题，整理选型类、价格类、效果类、服务类、实操类问答。

第五步，做内容创作。

把这些问题变成GEO文章、短视频脚本、FAQ、官网内容、公众号文章、B2B平台内容。

第六步，多平台分发。

官网、自媒体、B2B平台、行业媒体、视频平台、图片内容、企业资料，多渠道形成一致的品牌信号。

第七步，持续更新。

有新案例、新产品、新客户问题、新行业变化，就持续补充知识库。

第八步，数据复盘。

看哪些内容被收录，哪些问题带来咨询，哪些表达更容易被客户理解，哪些平台有反馈，再反向更新知识库和内容策略。

这个过程跑起来，GEO就不是一次性项目。而是一个会持续变强的品牌资产系统。

 

---

 

八、未来制造业品牌，要训练自己成为AI愿意推荐的答案

 

这句话很重要：

品牌不是等AI推荐你，而是要提前把自己训练成AI愿意推荐的答案。

AI不会凭空理解一家企业。

它需要信息。

更需要高质量、一致、真实、可验证的信息。

如果你的官网多年不更新，公众号内容零散，短视频只拍热闹，案例没有沉淀，产品资料不完整，销售问答没有整理，老板经验没有被表达出来。

那AI怎么推荐你？

它不是不想推荐你。

是它没有足够信息判断你值得推荐。

所以未来制造业企业的内容营销，不只是做曝光。

更重要的是做“AI认知建设”。

让AI知道你是谁。

让AI知道你擅长什么。

让AI知道你服务过谁。

让AI知道你在哪些场景更有优势。

让AI知道哪些问题该把你纳入答案。

这就是GEO真正要解决的问题。

 

---

 

九、天助牛的洞察：AI时代，内容营销会从“输出内容”变成“训练品牌”

 

过去很多企业做内容，是为了发布。

今天发一条短视频。

明天发一篇公众号。

后天发一个产品介绍。

发完就结束。

但AI时代，这种思路不够了。

天助牛认为，未来内容营销会从“输出内容”，变成“训练品牌”。

什么意思？

就是通过长期、系统、真实的内容建设，让AI、平台和客户都形成对企业的稳定认知。

你不是随便发内容。

你是在持续告诉市场：

我是谁；

我解决什么问题；

我在哪些场景有优势；

我为什么可信；

我和同行有什么不同；

客户为什么应该把我列入备选。

这就像训练模型一样。

大模型需要高质量数据训练。

品牌也需要高质量内容训练。

低质数据会污染模型。

低质内容也会污染品牌。

乱发、瞎写、AI洗稿、夸大宣传，短期看是曝光，长期看可能是品牌负资产。

所以天助牛一直强调：

GEO不是发稿，不是骗AI，而是把企业真实能力整理成AI看得懂、客户信得过、长期可迭代的品牌内容资产。

 

---

 

十、结语：Karpathy做的是AI自进化，制造业要做品牌自进化

 

Karpathy加入Anthropic，表面看是一个人的职业选择。

但背后代表的是AI行业下一阶段的竞争方向：

谁能让AI参与自己的迭代，谁就可能跑得更快。

大模型公司如此。

制造业品牌也一样。

未来，企业不要只问：

我能不能用AI写文章？

我能不能用AI做视频？

我能不能用AI发内容？

更应该问：

我的品牌知识库够不够完整？

我的真实能力有没有被结构化表达？

我的客户问题有没有被系统整理？

我的案例有没有成为可复用资产？

我的内容能不能被AI找到、理解、判断和推荐？

我的营销系统能不能根据数据持续自我优化？

这才是AI时代的品牌竞争。

不是谁先用了AI，谁就赢。

而是谁能把AI变成自己的长期增长系统，谁才有机会赢。

Karpathy做的是Claude的自我进化。

制造业企业要做的，是品牌内容系统的自我进化。

未来的GEO，不是简单抢排名。

而是让企业的真实能力，在AI时代被持续看见、持续理解、持续推荐。

关注天助牛，教你做制造业GEO，让AI持续推荐您。