Andrej Karpathy

wiki
, , , ,
1

Investigador, educador y desarrollador de código abierto eslovaco-canadiense de IA; miembro fundador de OpenAI, exdirector de IA en Tesla, fundador de Eureka Labs y miembro del personal técnico de Anthropic.

Información básica / Perfil

Campo Detalles
Nombre completo Andrej Karpathy
Nacimiento 23 de octubre de 1986, Bratislava, Checoslovaquia (hoy Eslovaquia)
Nacionalidad Eslovaco-canadiense
Institución actual Anthropic
Campos de investigación Aprendizaje profundo, visión por computadora, procesamiento del lenguaje natural, preentrenamiento de modelos de lenguaje extensos
Director de tesis doctoral Fei-Fei Li
Tesis doctoral Connecting Images and Natural Language (Universidad de Stanford, 2016)
Sitio web personal karpathy.ai
X / Twitter @karpathy
GitHub github.com/karpathy
Google Scholar scholar.google.com/citations?user=l8WuQJgAAAAJ

Resumen

Andrej Karpathy es un investigador y educador de IA eslovaco-canadiense ampliamente considerado una de las figuras más influyentes en el aprendizaje profundo moderno. Miembro fundador de OpenAI, posteriormente se desempeñó como Director de IA en Tesla, donde supervisó los sistemas de visión por computadora que sustentan los programas Autopilot y Full Self-Driving. Es el arquitecto de CS 231n, el primer curso de aprendizaje profundo de Stanford, que se convirtió en una de las clases más concurridas de la universidad y un plan de estudios de referencia en todo el mundo. En mayo de 2026, se unió a Anthropic como Miembro del Personal Técnico centrado en la investigación de preentrenamiento, con la tarea de formar un equipo que use a Claude para acelerar la ciencia de los entrenamientos a gran escala. Más allá de sus funciones de investigación, Karpathy es uno de los educadores de IA más seguidos en YouTube y el acuñador del término vibe coding, que el Diccionario Collins seleccionó como su Palabra del Año.

Primeros años y educación

Infancia y mudanza a Canadá

Karpathy nació el 23 de octubre de 1986 en Bratislava, entonces parte de Checoslovaquia (actual Eslovaquia). A los 15 años, su familia se mudó a Toronto, Canadá, donde completó la escuela secundaria. Incluso antes de la universidad, había desarrollado un interés por la computación y pasatiempos competitivos: a partir de 2006 dirigió un canal de YouTube con el nombre badmephisto, publicando tutoriales para resolver el cubo de Rubik a alta velocidad que acumularon más de 9 millones de visitas e influyeron en destacados speedcubers, incluido el poseedor del récord mundial Feliks Zemdegs.

Universidad de Toronto (2005-2009)

Karpathy completó una Licenciatura en Ciencias con doble especialización en Ciencias de la Computación y Física, y una especialización en Matemáticas en la Universidad de Toronto en 2009. Durante este período, conoció por primera vez el aprendizaje profundo asistiendo a las clases magistrales y grupos de lectura de Geoffrey Hinton, una experiencia que cita como fundamental para su trayectoria investigadora.

Universidad de Columbia Británica (2009-2011)

Cursó una Maestría en Ciencias en la Universidad de Columbia Británica bajo la supervisión de Michiel van de Panne, centrándose en el aprendizaje de controladores para figuras físicamente simuladas —en efecto, aplicar aprendizaje automático a la animación de personajes ágiles y robótica en simulación. Este trabajo incluyó un artículo coautorado en SIGGRAPH 2011 sobre habilidades de locomoción para cuadrúpedos simulados.

Doctorado en la Universidad de Stanford (2011-2015)

Karpathy se unió al Vision Lab de Stanford para realizar un doctorado bajo la dirección de Fei-Fei Li, completando su título en 2015 (con la tesis presentada formalmente en 2016). Su disertación, Connecting Images and Natural Language, exploró la intersección de redes neuronales convolucionales y recurrentes para tareas como la generación de descripciones de imágenes y la alineación semántico-visual. Durante el doctorado, realizó tres pasantías de investigación: Google Brain (2011, aprendizaje no supervisado a partir de video), Google Research (2013, aprendizaje supervisado a gran escala en YouTube) y DeepMind (2015, aprendizaje por refuerzo profundo con Koray Kavukcuoglu y Vlad Mnih). También diseñó e impartió CS 231n: Convolutional Neural Networks for Visual Recognition, el curso inaugural de aprendizaje profundo de Stanford, que inscribió a 150 estudiantes en 2015 y creció hasta 750 en 2017.

Carrera

OpenAI — Investigador fundador (2015-2017)

Karpathy fue uno de los científicos investigadores originales nombrados cuando OpenAI se presentó públicamente en diciembre de 2015, uniéndose como parte del equipo fundador de la organización sin fines de lucro. Durante este período, su trabajo se centró en el aprendizaje profundo y la visión por computadora. Se fue a mediados de 2017 cuando Tesla lo reclutó directamente.

Tesla — Director de IA (2017-2022)

En junio de 2017, Karpathy se convirtió en Director de Inteligencia Artificial y Visión para Autopilot de Tesla, reportando a Elon Musk. En este rol, lideró todo el stack de visión por computadora para Tesla Autopilot y Full Self-Driving (FSD): tuberías internas de etiquetado de datos, entrenamiento de redes neuronales e implementación en el chip de inferencia personalizado de Tesla. Presentó públicamente la arquitectura de su equipo en el Tesla Autonomy Day 2019 y el Tesla AI Day 2021. También supervisó brevemente los primeros trabajos en el robot humanoide Tesla Optimus antes de irse. Después de un sabático de varios meses, anunció su renuncia en julio de 2022.

Independiente — YouTube y código abierto (2022-2023)

Entre su salida de Tesla y su reincorporación a OpenAI, Karpathy publicó una serie de proyectos de código abierto y conferencias educativas en YouTube de gran influencia. Este período produjo nanoGPT (más de 54k estrellas en GitHub), un marco mínimo de entrenamiento de GPT; llm.c (más de 29k estrellas), una implementación en C/CUDA puro del entrenamiento de LLM; y la serie de videos «Neural Networks: Zero to Hero», un plan de estudios paso a paso para construir redes neuronales desde primeros principios. Estos materiales fueron ampliamente adoptados en cursos universitarios y programas de autoaprendizaje a nivel mundial.

OpenAI — Regreso (2023-2024)

El 9 de febrero de 2023, Karpathy anunció su regreso a OpenAI, donde se unió a un equipo centrado en el entrenamiento intermedio y la generación de datos sintéticos. Se fue nuevamente el 13 de febrero de 2024, y la medida fue confirmada por un portavoz de OpenAI. Durante esta segunda etapa, impartió la charla ampliamente compartida State of GPT en Microsoft Build 2023.

Eureka Labs — Fundador (2024-2026)

El 16 de julio de 2024, Karpathy anunció la fundación de Eureka Labs, una empresa de educación nativa de IA. El concepto central era emparejar instructores humanos con asistentes de enseñanza de IA capaces de personalizar la instrucción a escala. El producto estrella de la empresa fue LLM101n: Let’s Build A Storyteller, un curso que guía a los estudiantes en la construcción de un modelo de lenguaje extenso de principio a fin. En febrero de 2025 acuñó el término vibe coding para describir un flujo de trabajo de programación en el que el desarrollador delega completamente la generación de código a un modelo de IA mediante indicaciones en lenguaje natural; el Diccionario Collins lo nombró Palabra del Año 2025.

Anthropic — Miembro del Personal Técnico (2026-presente)

El 19 de mayo de 2026, Karpathy anunció que se había unido a Anthropic como Miembro del Personal Técnico. Trabaja en el equipo de preentrenamiento bajo la dirección del líder del equipo Nick Joseph, con el mandato de construir un nuevo grupo de investigación centrado en el uso de Claude para acelerar la ciencia del preentrenamiento mismo — una forma de investigación asistida por IA destinada a hacer que el entrenamiento futuro de modelos sea más eficiente y automatizado.

Contribuciones clave

  • CS 231n: Convolutional Neural Networks for Visual Recognition — Diseñó e impartió el primer curso dedicado de aprendizaje profundo de Stanford en 2015; se convirtió en una de las clases más grandes de la universidad (150 → 750 estudiantes en tres años) y sus videos de conferencias y apuntes disponibles gratuitamente siguen siendo un punto de entrada principal para profesionales en todo el mundo.

  • «Deep Visual-Semantic Alignments for Generating Image Descriptions» (CVPR 2015, Oral) — Un hito temprano en el modelado de visión-lenguaje, alineando conjuntamente regiones de imagen con fragmentos de oraciones utilizando una red neuronal recurrente multimodal.

  • «The Unreasonable Effectiveness of Recurrent Neural Networks» (publicación en blog, 2015) — Una demostración ampliamente leída de modelos de lenguaje a nivel de caracteres que se convirtió en una de las introducciones canónicas al modelado de secuencias para una generación de profesionales.

  • char-rnn — Un modelo temprano de lenguaje a nivel de caracteres de código abierto en Lua/Torch que popularizó la experimentación práctica con modelos de secuencia antes de la era del transformer.

  • Tesla Autopilot Vision Stack — Lideró el rediseño de extremo a extremo del sistema de percepción de Tesla Autopilot, alejándose de la fusión de radar y mapa hacia un enfoque basado en visión pura y centrado en datos, implementado en silicio personalizado a escala.

  • «Software 2.0» (Medium, 2017) — Un ensayo que enmarca las redes neuronales como un nuevo paradigma de programación en el que los pesos del modelo reemplazan el código escrito a mano, ampliamente citado en discusiones sobre el cambio estructural de la industria.

  • nanoGPT — Un repositorio mínimo y modificable de entrenamiento de GPT (más de 54k estrellas en GitHub) que hizo que la reproducción de modelos de clase GPT fuera accesible para investigadores y estudiantes sin grandes presupuestos de cómputo.

  • llm.c — Una implementación desde cero del entrenamiento de LLM en C/CUDA (más de 29k estrellas) que demuestra el algoritmo completo sin abstracciones de frameworks.

  • micrograd — Un motor de autograd de valores escalares de 100 líneas con una API similar a PyTorch (más de 15k estrellas) ampliamente utilizado como herramienta didáctica para la retropropagación.

  • Serie de YouTube «Zero to Hero» — Un plan de estudios en video gratuito y técnicamente riguroso que construye redes neuronales y modelos de lenguaje desde primeros principios; uno de los contenidos de educación técnica en IA más vistos disponibles en línea.

  • «Deep Dive into LLMs like ChatGPT» (YouTube, 2024) — Una conferencia para el público general sobre el funcionamiento interno de los modelos de lenguaje extensos que llegó a una amplia audiencia más allá de la comunidad de ML.

  • Vibe coding — Acuñado en febrero de 2025 para describir la programación delegada a IA mediante indicaciones en lenguaje natural; el término fue adoptado en toda la industria y nombrado Palabra del Año 2025 por el Diccionario Collins.

  • arxiv-sanity — Una aplicación web para filtrar y descubrir prepublicaciones de arXiv por relevancia y similitud, utilizada por muchos investigadores para gestionar el volumen de publicaciones de ML.

Premios y reconocimientos

  • MIT Technology Review Innovators Under 35 (2020) — Reconocido por su trabajo liderando el equipo de IA y visión de Autopilot de Tesla.

  • TIME100 Most Influential People in AI (2024) — Nombrado en la lista inaugural de la revista Time de las 100 figuras más influyentes en inteligencia artificial.

  • Palabra del Año del Diccionario Collins — «vibe coding» (2025) — Un término que Karpathy acuñó en febrero de 2025; Collins lo seleccionó como la nueva palabra definitoria del año.

Relaciones clave

  • Fei-Fei Li — Directora de tesis doctoral en el Vision Lab de Stanford; coautora en varios artículos fundamentales de visión-lenguaje, incluido el trabajo de descripción de imágenes de CVPR 2015.

  • Geoffrey Hinton — Influencia durante la licenciatura; Karpathy atribuye a la asistencia a los grupos de lectura de Hinton en la Universidad de Toronto el origen de su interés en el aprendizaje profundo.

  • Michiel van de Panne — Supervisor de maestría en la UBC; introdujo a Karpathy a la simulación basada en física y el aprendizaje por refuerzo para el control motor.

  • Elon Musk — Relación de reporte directo durante cinco años como Director de IA de Tesla; Musk reconoció públicamente la partida de Karpathy en 2022.

  • Sam Altman / Liderazgo de OpenAI — Trabajó bajo su dirección en ambos períodos de empleo en OpenAI (2015-2017, 2023-2024); Karpathy fue parte de la cohorte fundadora original.

  • Justin Johnson — Colega de doctorado en Stanford y colaborador frecuente; coautor de DenseCap y del artículo Visualizing and Understanding Recurrent Networks; coanfitrión de un grupo de lectura de aprendizaje profundo en Clubhouse.

  • Andrew Ng — Colega de Stanford cuya presencia junto a Daphne Koller, Sebastian Thrun y Vladlen Koltun moldearon el entorno de doctorado de Karpathy; posteriormente citó a Karpathy en discusiones sobre educación en IA.

  • Nick Joseph — Líder de equipo actual en Anthropic que supervisa el departamento de preentrenamiento bajo el cual opera Karpathy ahora.

Estilo personal

Karpathy combina una fuerte preferencia por el minimalismo y la legibilidad con un instinto pedagógico: sus proyectos de código abierto más influyentes eliminan deliberadamente las abstracciones de los frameworks para exponer el algoritmo subyacente, una filosofía que articula explícitamente en repositorios como micrograd y llm.c. Sus escritos públicos y conferencias favorecen ejemplos concretos y ejecutables sobre la exposición teórica, y consistentemente prioriza hacer que los conceptos de vanguardia sean accesibles para profesionales sin hardware especializado. En las redes sociales, sus publicaciones oscilan entre observaciones técnicas, acuñaciones conceptuales (vibe coding, tokenmaxxing) y reflexiones sinceras sobre el ritmo y la dirección del campo, lo que le da una voz que abarca tanto a audiencias especializadas como generales. Es conocido por su franqueza intelectual y un cierto grado de irreverencia — su sitio web personal, escrito en HTML y CSS puros sin frameworks, es en sí mismo una declaración sobre el minimalismo tecnológico.

Referencias