卡帕西做过什么？从斯坦福到特斯拉再到视频课

如果你在视频网站上搜神经网络入门课，大概率会刷到一位对着屏幕逐行写代码的研究者：安德烈·卡帕西。他是 AI 公司 OpenAI 的初创成员，当过特斯拉的 AI 总监，离开大公司后靠一系列免费视频课和开源项目在开发者圈子里积累了大量关注。这篇按公开履历与公开发言梳理他的路线：求学线、在 OpenAI 与特斯拉分别做了什么，以及视频课与开源项目的公开记录。

从多伦多到伯克利的求学线

按他本人公开主页的履历口径：本科读于多伦多大学，硕士在英属哥伦比亚大学，博士在加州大学伯克利分校完成，方向是计算机视觉。读博期间他有公开记录的实习经历，做的是视频分类方向的工程与研究；2014 年，他与李飞飞团队合作的视频分类论文公开，把卷积网络搬到大体量视频数据上做分类实验，相关背景见李飞飞人物篇。视觉这条线的起点，是 2012 年 AlexNet 之后的深度学习热潮，见ImageNet 竞赛一篇。

2015 年前后，他在斯坦福以博士后身份参与并讲授著名的卷积网络课程 CS231n，课程讲义与资料公开，多年后仍是被广泛引用的入门教材；这门课的起点，正是 AlexNet 那场胜利开启的卷积时代。

OpenAI 初创成员的两年

2015 年底 OpenAI 宣布成立，卡帕西是初创研究团队成员，公司的成立背景与资助情况见OpenAI 成立一篇。这段时间里他有几件公开记录的事：2015 年发布的博客文章《循环神经网络不可思议的有效性》流传甚广，配的代码演示让很多开发者第一次直观看到字符级模型能写出像样的文本；此后几年他陆续发布多个代码项目。2017 年年中，他公开宣布加入特斯拉。

在特斯拉负责什么

公开职务口径是特斯拉 AI 总监，负责 Autopilot 的计算机视觉方向。2017 年到 2020 年间，他多次在公开技术报告与演讲里介绍团队的做法：以摄像头视觉为主的感知方案，以及所谓数据引擎的循环——车上模型发现问题、车队回传数据、人工标注、再训练上车，一轮一轮迭代。他还写过一篇流传较广的公开文章《Software 2.0》，讲神经网络逐渐替代部分手写代码的趋势；后来 AI 写代码这条线的进展与争论，见GitHub Copilot一篇。2020 年，他公开宣布离开特斯拉，回到 OpenAI。

视频课与开源项目

2022 年初，他公开宣布离开 OpenAI，此后全职做公开教学。按公开记录：他在视频网站上持续更新「Neural Networks: Zero to Hero」系列，从最简单的反向传播手推一路讲到从零搭建 GPT，全程写代码、几乎不摆数学公式，关注度以公开平台数据为准；开源社区里，他发布的 minGPT、nanoGPT 等项目用几百行代码实现 GPT 的结构与训练流程，成为许多人读懂大模型的第一站；2024 年，他公开宣布创办一家面向 AI 教育的公司。教学与开源两条线合在一起，让他在开发者群体里的公开影响力与技术贡献一样有名。

卡帕西公开节点速查

• 2015 年：斯坦福任教 CS231n；年底成为 OpenAI 初创成员
• 2015 年：博客《循环神经网络不可思议的有效性》发布
• 2017–2020 年：特斯拉 AI 总监，负责 Autopilot 视觉方向
• 2020–2022 年：回到 OpenAI
• 2022 年起：全职公开教学，Zero to Hero 系列与 nanoGPT 开源
• 2024 年：公开宣布创办 AI 教育公司

他的路线与今天的学习者

卡帕西的公开路线有一个值得留意的特点：每一次职务变动，公开输出的形态都在变——研究时期发论文与博客，工业界时期做技术报告，独立之后做课程与开源。对今天想进入这个领域的学习者，这条路线的可用之处很直接：入门可以看他的视频课，看完顺手把 nanoGPT 跑起来；具体问题再让 DeepSeek 解释概念、让 Kimi 帮忙整理课程笔记，搭配着用，比单看一种材料扎实。学出来的效果，最终还是要落到你自己的小项目上验收。

关于卡帕西的常见疑问

• 他是特斯拉 Autopilot 的负责人吗？：按公开职务口径，他 2017 年至 2020 年担任特斯拉 AI 总监，负责 Autopilot 的计算机视觉方向；Autopilot 还涉及规划、控制等其他团队，具体职责范围以公司公开声明为准。
• 他的视频课适合零基础吗？：系列定位是渐进式的：从手推反向传播开始，逐步推进到搭建完整模型，公开评价普遍认为需要一点编程基础；是否合适以本人观看体验为准。
• nanoGPT 和真正的 GPT 是什么关系？：前者是教学性质的开源实现，用几百行代码复现 GPT 的核心结构与训练流程，规模与数据远小于工业级模型，价值在于让人读懂结构，不在于复现性能。