@karpathy：我正在录制我的 nanochat 视频时意识到，“先从我喜欢的提供商那里启动一台 8XH100！”会立即让所有人卡在视频的第一步…
摘要
Andrej Karpathy 指出，他的 nanochat 教程中常见的第一个步骤（启动一台 8XH100 GPU）会让初学者无从下手，凸显了 AI 开发的进入门槛。
@jino_rohit 我正在录制我的 nanochat 视频时意识到，“先从我喜欢的提供商那里启动一台 8XH100！”会立即让所有人卡在视频的第一步上。
查看缓存全文
缓存时间: 2026/05/18 10:31
@jino_rohit 我在录制 nanochat 视频时突然意识到，“首先从你喜欢的提供商那里启动一个 8XH100！”——这句话会让所有人瞬间卡在视频的第一步。
相似文章
@agupta：有些想法在用编码智能体做出概念验证后会清晰得多，例如我直到看了这篇附代码的文章才真正明白 GPU 与 NPU 在设备上如何竞争内存……
一条推文指出，编码智能体能帮助阐明复杂概念，并以 GPU 与 NPU 在设备上的内存竞争为例，通过代码进行了演示。
@victormustar: https://x.com/victormustar/status/2059264598407033062
这篇文章描述了如何使用Hugging Face的ZeroGPU和一个编码代理，以有限的预算自主部署AI模型，特别是LongCat说话头像模型。
@karpathy: 有人最近告诉我，OpenClaw时刻如此重大的原因是因为这是大量非技术人员第一次接触到…
Andrej Karpathy讨论了OpenClaw时刻之所以引起广泛共鸣，是因为非技术受众首次接触到了超越ChatGPT消费级产品的先进agentic AI模型。
@ivanfioravanti: 有一点是肯定的：在Nvidia上做本地AI一切更容易——推理、训练、玩现有项目。…
开发者反思在Nvidia上轻松进行本地AI任务，与在Apple Silicon上成功让一切运转的满足感对比，倡导‘保持饥饿，保持愚蠢’的心态。
@andrewchen：体验本地AI模型的主要缺点在于你会买一块GPU，然后另一块，接着又一块……
Andrew Chen分享了他为本地AI实验购买多块GPU的经历，在5090 eGPU上以100 tok/s运行Qwen3.6 27B密集模型，并将其与Sonnet 4.6进行比较。