Andrej Karpathy：LLM可生成複雜LoTR程序渲染
Andrej Karpathy表示，用100萬token預算測試Opus 5，其基於《指環王》首段生成5500行JS代碼實現程序化渲染。
該模型花費約2小時編排多邊形資產座標並編寫動畫代碼，結果雖顯粗糙但完整呈現故事；他指出LLM具備無限耐力，可將“無人會手工完成”的定製任務變爲可行，並展望生成可即時進入的超定製遊戲世界。
AI與內容創作市場中，生成式模型降低複雜交互世界的開發門檻，資金流向長上下文與多模態能力提升；傳統遊戲工作室承壓於定製效率差距，而具備原生視頻與遊戲感知的模型將搶佔自我審計與迭代優勢。
來源：公開信息
ABAB AI 解讀
Andrej Karpathy作爲前OpenAI與Tesla AI負責人，長期推動從簡單基準測試轉向真實複雜任務評估；此次用《指環王》文本生成完整JS渲染程序，延續其強調模型耐力與自主編排能力的路徑，此前他多次展示LLM在代碼與視覺任務上的突破。
資本路徑上，長上下文預算（約10美元）使一次性生成超定製交互世界成爲可能，資源從人工設計轉向模型自主構建與迭代；動機在於解鎖“按需生成GTA式體驗”的新應用層，降低遊戲與模擬開發的固定成本。
類比可見於早期GPT生成簡單遊戲代碼後演進至完整程序，以及當前多模態模型在視頻理解上的差距。行業處於從“文本/代碼生成”向“可感知可交互世界構建”的轉型階段。
結構判斷屬於技術替代：當生成成本趨近於零時，瓶頸從“能否創建”轉向“能否自我驗證與優化”，具備原生遊戲/視頻感知的模型將取代需人工截圖反饋的流程，重構內容生產鏈條。
ABAB News · 認知定律
生成成本歸零後 驗證成爲新瓶頸
耐力比智商更能解鎖定製世界
無法感知自身輸出 就無法真正迭代