Andrej Karpathy Kimdir? Tesla ve OpenAI’ın Yapay Zeka Mühendisi

Andrej Karpathy, 23 Ekim 1986’da o dönemki Çekoslovakya’nın bugün Slovakya sınırlarındaki başkenti Bratislava’da doğan bir bilgisayar bilimcisidir. OpenAI’ın kurucu ekibinde yer aldı; 2017’den 2022’ye kadar Tesla’da yapay zeka direktörlüğü yaparak Autopilot’ın görüntü algılama tarafını yönetti ve 2023’te bir süre için OpenAI’a döndü.

Karpathy, araştırmacılığının yanında eğitimci kimliğiyle de bilinir: Stanford’daki CS231n dersini kurması, Neural Networks: Zero to Hero adlı ücretsiz video serisini yayımlaması ve nanoGPT gibi açık kaynak projeleri, yapay zeka alanına giren on binlerce mühendisin başvuru kaynaklarından biri oldu. 2024’te yapay zeka destekli eğitim şirketi Eureka Labs’ı kurdu. Bu makale, Bratislava’dan bu şirkete uzanan yolu izliyor.

Bratislava’dan Toronto’ya

Karpathy, Bratislava’da doğdu ve çocukluğunun bir bölümünü matematik ve bilgisayarlarla geçirdi. 2001’de, 15 yaşındayken ailesiyle Kanada’nın Toronto kentine taşındı. Yeni ülkesine uyum sürecinde İngilizcesini geliştirirken programlamaya olan ilgisi derinleşti; lise yıllarının ardından Toronto Üniversitesi’nde bilgisayar bilimi ve fizik alanlarında çift yönlü bir eğitim aldı ve 2009’da mezun oldu. Karpathy, göç yıllarını programlamaya odaklanabileceği bir dönem olarak anlattı; yazılım pratiğini sürdürdüğü bu süreç, lise sonrası teknik eğitimine sağlam bir temel sağladı.

Yüksek lisansını 2009-2011 arasında University of British Columbia’da tamamlayan Karpathy, bu dönemde danışmanlığını Geoffrey Hinton’ın üstlendiği çalışmalarla derin öğrenmenin erken dönemine girdi. 2011’de Stanford Üniversitesi’ne doktora öğrencisi olarak katıldı; danışmanı görüntü tanımanın öncü isimlerinden Fei-Fei Li’ydi. Doktora çalışması, görüntü tanıma ile doğal dil işlemeyi birleştirerek bir fotoğrafı cümlelerle açıklayan (görüntü altyazılama) sistemler üzerineydi ve 2015’te tamamlandı.

CS231n ve Eğitimci Kimliği

Doktora öğrencisiyken Karpathy, Stanford’da evrişimli sinir ağlarını öğreten CS231n dersini kurdu; ders kısa sürede üniversitenin en büyük yapay zeka sınıflarından birine dönüştü. 2016’da dersin kayıtları internete açıldı ve milyonlarca kişinin derin öğrenmeye ilk adım attığı kaynaklardan biri oldu. Karpathy’nin pedagojik yaklaşımı, matematiği soyutlamadan kodla birlikte anlatmak üzerine kuruluydu. Ders notları ve ödev mimarisi, dünya genelinde birçok üniversite ve çevrim içi programda referans olarak benimsendi; onun bu üretkenliği, öğrenmenin kod üzerinde tekrarlarla gerçekleştiği ilkesine dayanır.

Bu yaklaşım, 2019’dan itibaren yayımladığı Neural Networks: Zero to Hero video serisiyle sürdü. Karpathy bu seride sıfırdan mikrograd, makine öğrenmesi temelleri ve GPT mimarisini adım adım kodluyor; yanına açık kaynak projeleri olan nanoGPT ve micrograd’ı koyuyordu. Ocak 2023’te yayımladığı Let’s build GPT videosu, bir ChatGPT benzeri modelin eğitim hattını tek videoda kurmasıyla büyük ilgi gördü. Sektörün önde gelen araştırmacıları, bu içeriklerin yetenek geliştirmede bir standart haline geldiğini sık sık dile getirmiştir.

Doktora döneminde Google ve DeepMind’da staj yapan Karpathy, mezuniyetiyle birlikte akademi ile endüstri arasındaki köprüyü kod üzerinden kurmayı seçti. Açık kaynak deposu minGPT ve ardılı nanoGPT, bir GPT modelinin eğitim hattını okunabilir biçimde yeniden inşa etmeyi amaçlıyordu; depolar binlerce kez çatallanarak sektörde öğretim malzemesi olarak kullanıldı. Karpathy’nin sosyal medya paylaşımları, model değerlendirmelerindeki zaafiyetlerden eğitim metodolojilerine uzanan konularda sektörün günlük tartışma gündemini şekillendirdi; bu nedenle onun kamuoyundaki konumu, araştırmacı kimliğinin yanı sıra alanın en çok dinlenen yorumcularından biri olarak tanımlandı.

OpenAI ve Tesla Yılları

Karpathy, Aralık 2015’te duyurulan OpenAI’ın kurucu araştırmacı ekibinde yer aldı ve görüntü ile video sınıflandırma çalışmalarına odaklandı. OpenAI’ın ilk yıllarında ekip, oyun ortamlarında öğrenen ajanlardan evrensel görev arayüzlerine uzanan projeler üretti; Karpathy’nin görüntü tarafındaki birikimi, bu çalışmaların algılama bileşenlerine yansıdı. Haziran 2017’de Tesla’ya geçerek yapay zeka direktörü oldu. Tesla’da Autopilot’ın bilgisayarlı görü tarafını yönetti; birden fazla görevi tek ağda birleştiren HydraNet mimarisi, araç filosundan toplanan veriyle etiketleme ve eğitimi otomatikleştiren veri motoru altyapısı bu dönemin ürünleridir.

Karpathy’nin Tesla’daki dönemi, aynı zamanda lidar karşıtı kamera odaklı algılama tartışmasının yoğunlaştığı yıllara denk gelir. Tesla, insan sürücülerin yalnızca kamerayla görebildiği gerekçesiyle FSD (Full Self-Driving) beta sürümünü Ekim 2020’de sınırlı kullanıcı grubuna açtı. Karpathy, Ağustos 2021’de duyurulan ve eğitim işlem gücünü ölçeklendiren Dojo süper bilgisayar programının da tanıtım sahnesinde yer aldı. Tesla yıllarında Karpathy’nin vurguladığı ilke, algılama başarısının tek seferlik gösterilerle değil, filo verisinin gerçek dağılımını temsil eden ölçütlerle doğrulanmasıydı; bu ölçme anlayışı, otonom sürüş testlerinde uzun kuyruklu olayların kapsanması tartışmasını sektöre taşıdı. Dojo programı da, eğitim işlem gücünü ürün yol haritasının merkezine yerleştiren erken örneklerden biri olarak sonraki yıllarda sıkça anıldı. Temmuz 2022’de Tesla’dan ayrıldığını duyurdu; ayrılışını kişisel bir yeni bölüm olarak tanımladı.

Karpathy’nin döneminde ekip, yüzlerce kişilik bir organizasyona büyüdü; veri motoru, araç filosundan gelen milyarlarca kareyi otomatik etiketleme ve model değerlendirme hatlarına bağlıyordu. Karpathy, konferanslarda ve üniversite sunumlarında bu yaklaşımı akademik camiaya tanıttı; veri motoru kavramı, sonraki yıllarda otonom sürüş sektöründe ortak bir terim haline geldi. Kameralı algılama tercihi, onun ayrılmasından sonra da Tesla’nın teknik yol haritasının temel varsayımı olarak korundu. Karpathy’nin 2017’de yayımladığı Software 2.0 makalesi, bu dönemin kavramsal çıktılarından biridir; klasik yazılımda kuralların insanlar tarafından yazıldığını, yeni katmanda davranışın örneklerden öğrenen sinir ağı ağırlıklarıyla tanımlandığını tarif eden makale, sektörde mühendislik pratiği tartışmalarının ortak referansına dönüştü.

İkinci OpenAI Dönemi ve Ayrılış

Şubat 2023’te Karpathy, OpenAI’a geri döndü. Bu ikinci dönem yaklaşık bir yıl sürdü; 13 Şubat 2024’te şirketten yeniden ayrıldığını açıkladı. Açıklamasında kişisel projelere odaklanmak istediğini belirten Karpathy, sosyal medyada yaptığı değerlendirmelerde sektörün genel yapay zeka (AGI) hedeflerinin somut bir ürün olmadığını vurgulayarak iddialı söylemlere mesafeli yaklaşımını korudu. Bu dönemde paylaştığı teknik incelemeler, yeni modellerin gerçek yetenek düzeyini pazarlama dilinden ayırarak okumayı öğütleyen bir ölçme disiplini öneriyordu.

Ayrılış sonrası dönemde Karpathy’nin kamusal imajı eğitimci ve eleştirmen olarak yoğunlaştı. Şubat 2025’te kullandığı vibe coding (havadan kodlama) ifadesi, büyük dil modellerinin yönlendirdiği kod yazma pratiğini tanımlayan sektör jargonuna dönüştü. Karpathy, bu terimle kodun makul görünmesi ile doğruluğunun karıştırılabileceği riski işaret ettiğini; üretim sistemlerinde ayrıntılı incelemenin zorunlu kaldığını açıkça belirtti. Haziran 2025’te bir girişimci eğitim etkinliğinde verdiği konuşmada yazılımın üç çağını tarif eden değerlendirmesi geniş biçimde paylaşıldı; Karpathy’ye göre dil modelleri, yazılımın yeni bir katmanı olarak mühendislik disiplinini yeniden tanımlıyor. Ayrılış açıklaması, sektörde kısa bir tartışma da başlattı: yorumcular, uzun saatli girişim ritminden bağımsız içerik üretimine geçişi örnek bir kariyer modeli olarak tartıştı.

Eureka Labs ve Bugün

Temmuz 2024’te Karpathy, yapay zeka destekli eğitim şirketi Eureka Labs’ı duyurdu. Şirketin vizyonu, derslerin bir yapay zeka eğitmeni eşliğinde ölçeklendirilmesidir; ilk proje olan LLM101n, öğrencilere kendi dil modelini kurmayı öğretmeyi hedefliyordu ve bir modelin tokenizasyondan ince ayara kadar tüm bileşenlerini adım adım inşa etmeyi planlıyordu. 2024’te yayımladığı llm.c projesi, bir GPT modelinin saf C dilinde eğitilmesini amaçladı ve eğitim döngüsünü donanım seviyesine indirmek isteyen araştırmacılara düşük seviyeli bir başlangıç noktası sundu. Ekim 2025’te Karpathy, yaklaşık yüz dolarlık işlem gücüyle uçtan uca eğitilip yayımlanabilen küçük bir sohbet modeli hattı olan nanochat’i tanıttı; proje, eğitim amacıyla tam bir model geliştirme döngüsünün ne kadar ucuza kurulabileceğini göstermesiyle dikkat çekti. Projeye eşlik eden teknik yazı, bütçe ayarlarının model kalitesi üzerindeki etkilerini sayısal örneklerle sundu; Karpathy bu çalışmayı, dil modeli eğitiminin bireysel katılımcı bütçesine sığabileceği savının pratik bir kanıtı olarak sundu.

Karpathy bugün, hem sektörün en çok dinlenen bağımsız seslerinden biri hem de açık kaynak eğitim materyalinin en üretken figürlerinden biri olarak konumlanıyor. Nanochat’in yayımlandığı dönemde proje topluluk tarafından binlerce kez çatallandı; Karpathy, eğitim döngüsünün tamamını açık kaynak depoda yayımlayarak yöntemini doğrulanabilir kıldı. Eleştirdiği noktalar, pazarlamayı bilimle karıştıran AGI söylemi ve model yeteneklerinin abartılmasıdır; savunduğu fikir ise yapay zekanın katkısının ölçülebilir, eğitilebilir ve tekrarlanabilir araçlar üzerinden gerçekleşeceğidir. Tesla’da kurduğu görüntü algılama çerçevesi, sektörün veri odaklı geliştirme anlayışının erken ve etkili örneklerinden biri olarak kabul edilir. Karpathy’nin kariyer boyunca izlediği çizgi, endüstriyel ölçek ile bireysel öğretim arasında açık bir denge kurmaktır; bu denge, onu hem büyük laboratuvarların içinden çıkan hem de bağımsız eğitimci olarak öne çıkan az sayıdaki figürden biri yapar.