2026 年 Sequoia AI Ascent 的一次访谈中，Karpathy 被问到：当智能变得廉价，什么还值得深入学习？他引用了一句让他反复回味的话：你可以外包你的思考，但不能外包你的理解。这句话他显然反复想过，因为他接着说：信息仍然必须进入我的大脑。我正在成为那个瓶颈——要知道我们到底在构建什么、为什么值得构建、如何指挥我的 agents。

走到这里，问题已经越来越清楚了。AI 的到来，确实让很多标准化认知劳动的供给迅速膨胀，也显著压缩了学习成本和执行成本。与此同时，它又把人的价值不断往更高责任、更强判断、更深整合、更高信任的位置推。未来人与人的差距，未必主要体现在谁更辛苦，谁更忙，谁更愿意加班。更可能体现在谁能更快借助 AI 放大自己，谁能把认知沉淀为判断，谁能把判断转成结果，谁能让别人持续信任他的结果。所以每个人都需要认真看一眼自

前言本文主要翻译自colab上的一篇文档，增加了部分个人理解。colab原文链接如下：https://colab.research.google.com/github/google/jax/blob/main/docs/jax-101/05-random-numbers.ipynb#scrollTo=1Op_vnmkjw3z关于伪随机数的生成，pseudo random number genera