我是Andrej Karpathy追蹤器，??，基本這位大神一直處于AI最前沿，畢竟Andrej Karpathy發的長文或者演講都是干貨滿滿。

Andrej Karpathy 分享了一個有意思的想法：把人類的知識、傳感器和執行器，從人類優先、人類可讀轉變為LLM優先、LLM可讀。換句話說，就是不再只考慮人類怎么學習知識，而是要為LLM設計一個最適合它們理解和訓練的知識表達方式。他稱之為 “LLMification”。

AK舉了一個最近令他著迷的例子 —— 對于每一本教材的 PDF/EPUB，都存在一種完美的“LLM 化”方式。這種方式不是為了人類，而是專門為 LLM 設計的（當然，這不是一個簡單的轉換過程，需要人類參與其中）：

所有的講解部分會被提取出來，整理成 Markdown 文檔，包括所有的 LaTeX、樣式（加粗/斜體）、表格、列表等。所有的圖形都會被提取為圖片。

所有的例題會被提取出來，轉化為 監督微調（SFT） 的樣本。同時，教材里對前面圖表等的引用也會被解析并保留。

所有的練習題會被提取出來，轉化為 強化學習（RL） 的環境樣本。正確答案會從答案手冊中找到并附上。任何額外信息會以答案手冊的形式添加，以便未來可能的 LLM 充當評判者。

合成數據擴展：對于每個具體問題，你都可以構造一個“無限問題生成器”，能生成這一類問題的無限變體。例如，教材里有一道題是“在上午 9 點整時，時針和分針之間的夾角是多少？”——我們可以把它推廣到任意時間點，用 Python 代碼計算出答案，并生成各種提示文本的合成變體。

以上所有數據都可以被很好地索引，并嵌入到 RAG 數據庫中，或者作為 MCP 服務器提供出來以便使用。

Karpathy 展示了 GPT-5 幫他寫的一個“鐘表角度生成器”。它可以隨機生成不同時間點的題目，比如：

11:07 時，時針與分針的夾角是多少？（答案：68°）
4:14 時的角度是多少？（答案：43°）
7:02 時呢？（答案：161°）

這種方法意味著，LLM 不僅能像學生一樣學習現成知識，還能不斷獲得海量的練習題，幾乎無限制地強化自己的解題能力。