原文标题：What Karpathy Joining Anthropic Actually Means For Claude
原文作者：@nateherk
编译：Peggy，BlockBeats

Biên tập viên: Andrej Karpathy gia nhập Anthropic không chỉ đơn thuần là "người giỏi AI gia nhập phòng thí nghiệm hàng đầu". Điều đáng chú ý hơn là hướng đi sản phẩm mà sự thay đổi nhân sự này đang chỉ ra.

Trong năm qua, cuộc cạnh tranh trong ngành AI vẫn tập trung chủ yếu vào các mô hình: ai có benchmark cao hơn, ai có khả năng suy luận tốt hơn, ai đứng đầu bảng xếp hạng. Nhưng khi các sản phẩm như Claude Code, Skills, MCP, ghi nhớ dự án, quy trình làm việc của Agent liên tục hoàn thiện, một xu hướng rõ ràng đang hình thành: mô hình chỉ là một lớp trong sản phẩm, quyết định hiệu quả đầu ra của người dùng thực chất nằm ở bối cảnh, ghi nhớ, quy trình làm việc, kỹ năng, bộ kết nối, cấu trúc tệp, hướng dẫn phong cách và vòng lặp mục tiêu bao quanh mô hình.

Những gì Karpathy nhấn mạnh trong vài tháng qua về "kỹ thuật bối cảnh" chính xác phản ánh sự thay đổi này. Điều quyết định AI có thể tạo ra giá trị ổn định không phải chỉ là một prompt người dùng viết ra, mà là khả năng của mô hình hiểu được tài liệu, quy trình làm việc, tiêu chuẩn phong cách, mục tiêu kinh doanh và hệ thống đánh giá của bạn. Nói cách khác, cuộc cạnh tranh giai đoạn tiếp theo của AI có thể không còn là "mô hình nào mạnh hơn", mà là ai có thể giúp mô hình thích nghi tốt hơn với thực tế công việc.

Từ LLM Wiki đến AutoResearch, rồi đến vòng lặp mục tiêu /goal, hướng đi mà Karpathy công khai khám phá luôn xoay quanh một vấn đề: làm thế nào để AI từ "cửa sổ trò chuyện trả lời câu hỏi" trở thành một hệ thống làm việc có thể hiểu bối cảnh, liên tục thực thi nhiệm vụ, và lặp lại dựa trên mục tiêu. Các bước đi của Anthropic gần đây về Claude Code, dịch vụ doanh nghiệp, kết nối hệ sinh thái và khả năng quy trình làm việc cũng đang theo cùng một hướng.

Vì vậy, ý nghĩa của việc Karpathy gia nhập Anthropic không chỉ là một sự chuyển đổi nhân sự, mà còn như một lời chú thích cho chiến lược sản phẩm của Anthropic: công cụ AI trong tương lai không chỉ dựa vào tham số mô hình, mà còn nằm trong dữ liệu người dùng tích lũy, quy trình làm việc, hệ thống ghi nhớ và kiến thức ngành nghề. Ai có thể tổ chức tốt các bối cảnh này, người đó có thể thực sự đưa AI từ "công cụ" lên "hạ tầng".

Dưới đây là nguyên bản:

Vài giờ trước, Andrej Karpathy đăng bài thông báo rằng ông sẽ gia nhập Anthropic.

Phiên bản đơn giản nhất của câu chuyện này là: một nhân vật lớn trong AI gia nhập một phòng thí nghiệm AI lớn.

Nhưng câu hỏi đáng chú ý hơn là: tại sao lại là Anthropic? Và tại sao lại là bây giờ?

Bởi vì chỉ cần bạn nhìn lại các dự án Karpathy đã công khai xây dựng trong vài tháng qua, rồi xem các chức năng mới của Claude Code gần đây, sẽ thấy rõ hai thứ dường như đã hướng tới cùng một mục tiêu sản phẩm từ lâu.

Bối cảnh

Karpathy là một trong những nhân vật quan trọng nhất trong lĩnh vực AI hiện đại.

Ông là một trong những sáng lập viên của OpenAI năm 2015, từng phụ trách mảng AI tại Tesla năm năm; năm 2023 trở lại OpenAI rồi rời đi sau một năm; sau đó thành lập công ty giáo dục AI riêng Eureka Labs. Ông còn ra mắt LLM 101, một khoá học miễn phí dạy người dùng cách xây dựng mô hình ngôn ngữ từ con số 0.

Ông cũng là người đề xuất khái niệm "vibe coding": chỉ cần mô tả bằng tiếng Anh bạn muốn gì, để AI viết mã, rồi cảm nhận, hướng dẫn, lặp lại liên tục. Ông còn đưa ra khái niệm "kỹ thuật bối cảnh" (context engineering), sẽ trở thành chủ đề chính trong phần sau của bài viết.

Vì vậy, đây không chỉ là một cuộc tuyển dụng bình thường. Nó tượng trưng cho việc một trong những tiếng nói có ảnh hưởng nhất trong lĩnh vực AI gia nhập một trong những phòng thí nghiệm AI có đà phát triển mạnh nhất hiện nay.

Claude Code đã trở thành công cụ ưu tiên của nhiều nhà xây dựng Agent, lập trình hoặc xử lý kiến thức thực tế. Khoảng một tuần trước, Ramp công bố chỉ số AI của họ. Theo dữ liệu này, Anthropic lần đầu vượt qua OpenAI về tỷ lệ doanh nghiệp sử dụng: 34.4% so với 32.3%.

Dĩ nhiên, công bằng mà nói, đây chỉ là dữ liệu trong nhóm khách hàng của Ramp. OpenAI vẫn sở hữu thương hiệu mạnh mẽ trong lĩnh vực tiêu dùng, và còn nhiều hợp đồng doanh nghiệp chưa được đưa vào mẫu này. Tôi không muốn phóng đại quá mức, nhưng tín hiệu này thực sự khó bỏ qua.

Tháng này, Anthropic cũng công bố thành lập một công ty dịch vụ AI doanh nghiệp mới. Đây là liên doanh giữa Anthropic, Blackstone, Hellman & Friedman, Goldman Sachs, nhằm giúp các doanh nghiệp vừa và nhỏ tích hợp Claude vào quy trình cốt lõi.

Xem lại hành động này: họ đang phát triển mô hình, đồng thời xây dựng các cổng sản phẩm như Claude Code, Skills, MCP; họ đang mở rộng mạng lưới đối tác; giờ lại bổ sung thêm khả năng dịch vụ để giúp doanh nghiệp đưa sản phẩm vào thực tế.

Điều này không còn là "cung cấp mô hình, còn lại bạn tự nghĩ cách dùng nữa" nữa rồi.

Wrapper mới là sản phẩm

Hiện nay, phần lớn các cuộc thảo luận về AI vẫn xem mô hình như một sản phẩm hoàn chỉnh: mô hình nào thắng benchmark nào, Opus 4.7, GPT-5.5, Gemini mạnh hơn, bảng xếp hạng thay đổi ra sao.

Mô hình tất nhiên quan trọng, tôi không phủ nhận điều đó. Nhưng dùng các công cụ này lâu dài sẽ rõ ràng hơn: mô hình chỉ là một lớp trong sản phẩm. Thật sự thay đổi năng suất của bạn nằm ở lớp wrapper bên ngoài mô hình đó.

Đây cũng là lý do vì sao hai người dùng cùng một mô hình cuối cùng lại có thể cho ra kết quả hoàn toàn khác nhau.

Wrapper chính là tất cả những gì quyết định cách mô hình được sử dụng.

→ Claude Code, Codex, Skills, Subagents, Hooks, kết nối MCP.

→ Tài liệu CLAUDE.md của bạn, hệ thống ghi nhớ, tài liệu, case study của bạn.

→ Cấu trúc tệp, hướng dẫn phong cách, tiêu chuẩn thành công thực sự của bạn.

Đây chính là môi trường của mô hình.

Nếu bạn mở một cửa sổ chat mới, không có bối cảnh gì, rồi yêu cầu nó giúp xử lý công việc, nó hoàn toàn không biết gì về bạn, chỉ có thể đoán mò. Bạn phải lặp đi lặp lại giải thích những nền tảng đã nói đi nói lại nhiều lần.

Nhưng nếu bạn cung cấp tài liệu, case, quy trình, hướng dẫn phong cách và tiêu chuẩn thành công thực tế của bạn, thì kết quả sẽ khác hẳn.

Điều này chính là điểm phù hợp giữa Karpathy và Anthropic. Ông đề xuất "kỹ thuật bối cảnh" (context engineering) chứ không chỉ dừng lại ở "kỹ thuật prompt". Bởi vì, khả năng quan trọng không phải là viết prompt hoàn hảo, mà là xây dựng môi trường đúng đắn để mô hình có thể làm việc thực sự, và nhớ, sử dụng bối cảnh giữa các cuộc hội thoại.

Anthropic đang âm thầm xây dựng môi trường này. Karpathy luôn công khai giảng dạy phương pháp này. Giờ đây, hai hệ tư tưởng này đã hội tụ trong cùng một công ty.

Hiểu như vậy, những gì Karpathy làm trong vài tháng qua không còn là các dự án rời rạc nữa, mà như một lộ trình rõ ràng.

LLM Wiki và hàng rào dữ liệu của bạn

Tháng 4 năm nay, Karpathy ra mắt LLM Wiki. Dự án này nhanh chóng nổi bật trên X.

Cấu trúc rất đơn giản. Nếu bạn muốn tìm hiểu, tôi cũng đã làm một video hướng dẫn đầy đủ trên YouTube.

→ Thư mục raw/ chứa nhiều file markdown, có thể là ghi chú, nguồn tài liệu, bản ghi chép, bất kỳ tài liệu nào.
→ Thư mục wiki/ tổng hợp tất cả nội dung, xây dựng liên kết giữa các tài liệu, tạo sơ đồ tư duy.
→ Tài liệu schema, giống như CLAUDE.md hoặc AGENTS.md, hướng dẫn cách hệ thống hoạt động và tiếp nhận tài liệu mới.

Nó không phải là để AI tìm kiếm trong các file gốc, cũng không chỉ chạy một lần truy vấn vector, mà là để AI xây dựng một kho kiến thức sống động, liên tục tiến hóa. Nó đọc tài liệu, hiểu mối liên hệ giữa các dữ liệu. Nhiều người bắt đầu dùng nó để xây dựng "não bộ thứ hai" của riêng mình.

Điều này còn quan trọng hơn bề ngoài. Nhiều người nghĩ "dữ liệu là rào chắn" là một kho dữ liệu khổng lồ của doanh nghiệp. Nhưng đối với builder bình thường, rào chắn thực sự nhỏ hơn và thực tế hơn.

Nó có thể là ghi chú cuộc họp, SOP nội bộ, ghi âm cuộc gọi khách hàng, bản ghi chép, quy chuẩn đặt tên, hoặc các khung làm việc của riêng bạn.

Nếu Claude có thể biến những nội dung này thành bối cảnh mô hình có thể thấy, có thể dùng, thì mô hình mỗi tuần sẽ trở nên thông minh và hữu ích hơn.

Đây chính là hiệu ứng khóa chặt. Không phải là bạn không thể đổi mô hình, tất nhiên là có thể. Nhưng khi bạn liên tục xây dựng bối cảnh, quy trình, ghi nhớ trong một công cụ, thì càng lâu càng khó rời bỏ.

LLM Wiki không chỉ là một dự án phụ. Nó là một manh mối. Tôi không ngạc nhiên nếu trong tương lai, Claude Code hoặc hệ thống ghi nhớ của Claude sẽ xuất hiện các phiên bản nội tại hơn của chức năng này. Bạn đã có thể thấy một số dấu hiệu trong tính năng auto-dream.

Dĩ nhiên, bạn không cần chờ đợi. Tuần này, bạn hoàn toàn có thể tự làm, để Claude Code đọc tài liệu quan trọng của bạn và xây dựng một wiki theo cách này.

Nếu bạn muốn trở thành người ưu tiên AI, dữ liệu của bạn chỉ có giá trị khi Agent biết cách tìm, cách sử dụng đúng đắn.

AutoResearch và vòng lặp /goal

Tháng 3 năm nay, Karpathy ra mắt dự án AutoResearch. Đây là một vòng lặp nghiên cứu tự động. Nếu bạn đã từng chơi Ralph Loop, sẽ thấy hai ý tưởng này khá tương đồng.

Mô hình của nó gồm:

1. Nhận một script huấn luyện.

2. Đề xuất phương án chỉnh sửa.

3. Chạy một nhiệm vụ huấn luyện ngắn.

4. Kiểm tra kết quả dựa trên các chỉ số khách quan: thành công hay thất bại.

5. Lặp lại cho đến khi đạt mục tiêu.

Thành thật mà nói, AutoResearch không phải là chức năng tôi dùng thường xuyên. Tôi không huấn luyện mô hình, cũng không xây dựng các ứng dụng cần vòng lặp kiểu này. Nhưng hình thái của nó rất quan trọng.

Xác định mục tiêu. Để Agent làm việc. Rồi quay lại.

Xem toàn bộ hệ sinh thái gần đây đang ra sao: Codex có /goal, Hermes có /goal, Claude Code cũng có /goal gốc của riêng mình.

Tôi không nói Karpathy tự phát minh ra chức năng này. Tôi không rõ. Và từ góc độ nền tảng, AutoResearch và /goal không hoàn toàn giống nhau. Nhưng rõ ràng chúng liên quan về mặt mô hình.

Cả hai đều đang đưa chúng ta ra khỏi mô hình "một prompt, một câu trả lời".

Chúng đẩy chúng ta đến một cách tương tác mới: đặt kết quả, để Agent tự quyết định cách làm, rồi quay lại khi điều kiện đạt.

Đây là phiên bản nâng cấp của vibe coding. Đặt "cần gì", không đặt "làm thế nào", rồi chờ nó hoàn thành.

Kết hợp mô hình này với ý tưởng của LLM Wiki, toàn bộ hệ thống không còn chỉ là chatbot nữa. Nó bắt đầu giống một nhân viên thực thụ: hiểu doanh nghiệp của bạn, làm việc liên tục quanh mục tiêu, cho đến khi đạt được.

Dây chuyền giáo dục

Trong thông báo gia nhập của Karpathy, có một câu đáng để chú ý: "Tôi vẫn còn đam mê giáo dục."

Eureka Labs, công ty cũ của ông, về bản chất là một dự án giáo dục. Mục tiêu không phải dạy người "nhấn nút này, kết nối các nút", mà là giúp mọi người hiểu thực sự về cách hoạt động của hệ thống AI.

Điều đặc biệt của Karpathy là ông có thể truyền đạt những thứ cực kỳ kỹ thuật một cách dễ hiểu, gần gũi. Hiểu một việc là một năng lực. Dạy người khác dùng được mới là một năng lực hoàn toàn khác.

Điều này rất quan trọng đối với Anthropic. Nếu giai đoạn tiếp theo của cạnh tranh xoay quanh bối cảnh, quy trình, Skills, ghi nhớ và vòng lặp, thì không chỉ kỹ thuật mà còn cả giáo dục sẽ là nút thắt.

Nghiên cứu của IBM về việc áp dụng AI và quản lý biến đổi gần đây đã thể hiện rõ khoảng cách lớn giữa "có thể dùng AI" và "dùng AI hiệu quả". Hầu hết các doanh nghiệp đều mắc kẹt ở chỗ này.

Việc đưa một người giỏi về giáo dục AI vào tổ chức để giúp thu hẹp khoảng cách này không phải là chuyện nhỏ.

Dự đoán về Claude Code

Dưới đây chỉ là dự đoán. Tôi không có thông tin nội bộ, cũng không rõ lộ trình của Anthropic. Nhưng dựa trên các sản phẩm gần đây của họ và các nội dung Karpathy đã công khai trong vài tháng qua, hướng đi đã rõ ràng hơn.

Anthropic sẽ xây dựng một "cửa hàng ứng dụng bối cảnh"

Họ đã bắt đầu làm điều này rồi. Các plugin chính thức, Skills, và các thành phần thị trường đang hình thành.

Nhưng tôi không nói về thị trường prompt.

Tôi đề cập đến một loại thành phần: Skills, quy trình, ghi nhớ dự án, bối cảnh lĩnh vực cụ thể, vòng đánh giá, và các kết nối dữ liệu thực tế. Cũng có thể là các ví dụ giúp mô hình hiểu "đúng" trong một vị trí công việc cụ thể.

Bạn tích hợp các thành phần này vào lĩnh vực của mình, sẽ ngay lập tức nhận được giá trị cao hơn từ mô hình, dù mô hình đã đủ thông minh rồi.

LLM Wiki là cách biến đổi thông tin rời rạc thành ghi nhớ hữu dụng. /Goal là cách biến mục tiêu thành vòng lặp tự động. Công việc giáo dục của Karpathy là cách biến các khái niệm AI phức tạp thành dễ dùng.

Ông thực chất đang đóng gói một phương thức hành xử. Nếu Anthropic biến phương thức này thành một hệ sinh thái thực sự, Claude Code sẽ không còn chỉ là một công cụ lập trình nữa, mà sẽ trở thành một thị trường.

Xu hướng xuất hiện nhiều lệnh kiểu /goal trong sản phẩm

/Goal có thể chỉ là phiên bản đầu tiên, chưa phải dạng cuối cùng.

Tưởng tượng trong tương lai sẽ có nhiều phiên bản chuyên biệt: vòng nghiên cứu, vòng debug, vòng hoàn thiện. Có thể có các lệnh tối ưu cho từng lĩnh vực cụ thể, trong đó Agent đã biết "hoàn thành" nghĩa là gì.

Tôi không rõ tên gọi cuối cùng của chúng, điều này không quan trọng.

Điều quan trọng là giao diện tương tác sẽ thay đổi. Bạn không còn nói "làm bước này", mà bắt đầu nói: "Trong lĩnh vực cụ thể này, cứ làm liên tục cho đến khi điều kiện này thành công."

Anthropic sẽ ra mắt một hệ thống giáo dục giúp người dùng đóng gói quy trình làm việc của chính họ

Đây là dự đoán táo bạo nhất. Thật lòng, cũng là điều tôi thấy thú vị nhất.

Nếu Anthropic muốn xây dựng một thị trường bối cảnh thực sự, thì người dùng phổ thông cũng phải có thể tham gia đóng góp, chứ không chỉ dành cho nhà phát triển và nhà nghiên cứu.

Nói cách khác, các chuyên gia trong các lĩnh vực khác cũng nên có thể tham gia.

→ Người kế toán hiểu rõ quy trình đóng sổ tháng.

→ Nhân viên vận hành bất động sản nắm rõ từng bước nhập dữ liệu.

→ Người biết cách đóng gói tốt, xấu, và có thể tự bắt đầu ý tưởng, như YouTuber.

Những kiến thức này rất có giá trị. Nhưng hiện tại, chúng còn bị kẹt trong trí nhớ của người, hoặc rải rác trong các tài liệu, thread Slack, kênh ClickUp.

Bạn đã thấy những dấu hiệu này trong thực tế. Nhiều huấn luyện viên bắt đầu xây dựng các bản sao AI của riêng họ, chatbots, và thu phí người dùng, để họ trò chuyện với các AI này. Đây là phiên bản thủ công. Người ta muốn khai thác kiến thức chuyên môn của người khác, rồi áp dụng vào công việc của mình.

Nếu tôi muốn xây dựng một Agent quảng cáo, tôi sẽ gặp khó. Bởi tôi không có kiến thức chuyên sâu trong lĩnh vực đó. Nhưng nếu có một thị trường, cho phép tôi đăng ký các nguồn dữ liệu chuyên sâu, tôi sẽ lập tức trở thành khách hàng.

Đây chính là tầng tôi sẽ tập trung trong thời gian tới.

Kết luận

Câu chuyện thực sự nằm ở chính mô hình này.

Mô hình chỉ là một lớp trong đó. Wrapper bên ngoài mô hình đang trở thành sản phẩm thực sự. Dữ liệu và quy trình làm việc của bạn đang tạo ra hiệu ứng khóa chặt. Những gì Karpathy dạy trong vài tháng qua chính là điều này. Những gì Anthropic đang làm cũng chính là điều này.

Vì vậy, lần này gia nhập không chỉ là một tin tức, mà còn là một lộ trình. Tôi đã phân tích toàn bộ logic trong video đầy đủ, link nằm trong phần phản hồi đầu tiên.

[Link nguyên bản]

Nhấn để khám phá các vị trí tuyển dụng của BlockBeats

Chào mừng gia nhập cộng đồng chính thức của BlockBeats:
Telegram: https://t.me/theblockbeats
Telegram nhóm: https://t.me/BlockBeats_App
Twitter chính thức: https://twitter.com/BlockBeatsAsia