2026 年 8 月 2 日，Andrej Karpathy 在 X 公開了一次「Opus 5 生成《魔戒》3D 世界」實驗：他把《魔戒》第一段文字交給一個以 Opus 5 為核心的 coding-agent 工作流，稱給了約 100 萬 token 的任務預算，並估算成本約 10 美元，再讓它持續工作。Karpathy 自述，約兩小時後，agent 寫出約 5,500 行 Three.js 程式，做成一段可觀看的程序化 3D 故事。
這個數字組合很抓人，但先別把它讀成「100 萬 token 固定只要 10 美元」，也別把一支 demo 當成模型 benchmark。這篇文章會先忠實還原 Karpathy 展示了什麼，再用公開 source、Anthropic 官方文件與長時程 agent 評測方法逐一對帳，最後回答更重要的問題：這個有點粗糙的世界，究竟改變了哪一種軟體的經濟學？
先把原帖放在桌上。點擊下面這張截圖，會在新分頁打開 Karpathy 的 X 原帖；你可以直接閱讀完整三段文字與觀看影片。
這個案例之所以值得細讀，不是因為它已經做出一款遊戲，而是因為它把三件事擺在同一張桌上：長時程 coding agent、只服務一個人的客製軟體，以及「生成比驗收快」的新瓶頸。
一、這次 Opus 5 生成《魔戒》3D 世界，實際交付了什麼？
Karpathy 的核心描述很具體：
“Opus went off for ~2 hours and wrote 5500 lines of code that (procedurally) rendered the story.”
中文：「Opus 自行工作了約兩小時，寫出 5,500 行程式碼，以程序化方式呈現這段故事。」
— Andrej Karpathy，X
- 輸入：《魔戒》第一段文字，加上一個要做成 Three.js render 的任務方向。
- 任務資源：Karpathy 自述約 100 萬 token 預算，估算成本約 10 美元；公開材料沒有 usage 明細，因此這兩個數字只能當作實驗者陳述。
- 執行時間：Karpathy 自述約兩小時；92.6 秒是成品影片長度，不是 agent 工作時間。
- 輸出：公開 source 的 runtime 定義了九個 sequence、25 個 shots，以鏡頭運動、角色與粒子效果組成程序化 3D 故事頁面，而不是預先生成的一支傳統影片。
Karpathy 隨後補上了可播放並可檢查 source 的公開頁面。我們沿著 main.js 的 import graph 檢查，共抓到 29 個第一方 JavaScript 模組；排除 vendored Three.js 後，cloc 計得 5,597 行 code（不含空白與註解），與 Karpathy 的「約 5,500 行」高度吻合。公開 timing.js 標示片長 92.63 秒，也與 X 影片 metadata 的 92.633 秒相符。
這讓「Three.js」與程式規模不再只是口說；讀者確實可以檢查成品。仍不能獨立確認的是：兩小時的起訖、實際帳單，以及每一行程式的生成 provenance。最精確的說法是：公開 source 驗證了成品與程式規模；程式碼是否全由模型生成、成本與耗時，仍依賴 Karpathy 的單次實驗紀錄。
熱度也很真實。截至 2026 年 8 月 3 日中午（UTC+8）的快照，第三方 X metrics proxy 顯示原帖已超過 302 萬次觀看、2.4 萬個讚與 1,800 次轉發；Hacker News 討論也超過 480 points、350 則留言。這能證明它引發了廣泛注意，不能證明它可重現。
二、真正讓人興奮的，不是畫面有多漂亮
“It’s kind of janky but fun.”
中文：「成品有點粗糙，但很好玩。」
— Andrej Karpathy，X
Karpathy 沒有把粗糙藏起來。角色是低多邊形，動作與空間有穿幫，敘事也不是電影級成品。真正的新鮮之處，是以前根本不值得被做的軟體，現在可能值得先做一次。
軟體複製成本本來就接近零；昂貴的是第一次把需求翻成規格、程式、素材、測試與修正。傳統團隊必須服務夠大的市場，才能攤平這筆固定成本。這次案例把市場規模縮到近乎一個人：Karpathy 想看看一段小說能不能長成一個可觀看世界。依他的自述，agent 約兩小時做出一版；若模型費用也如他估算落在十美元等級，即使結果只讓他自己開心一次，這個嘗試仍可能划算。這十美元不是全案總成本，人工驗收、重跑、執行環境、維護與內容權利處理都可能另增成本。
這就是「一次性個人軟體」的價值：不是把現有 SaaS 再便宜 20%，而是把「沒人會為你寫」變成「那就先做一版」。Karpathy 想像未來能把玩家丟進隨叫隨到的故事世界，甚至用「ephemeral GTA of X」形容它；但要分清楚，這是他對下一步的想像，這次交付的是可播放場景，不是可自由互動的遊戲。
三、100 萬 token 為什麼不能直接換算成 10 美元
這裡最容易出現三個概念混用：
- 任務預算：Karpathy 給這次 agent loop 的工作額度；它不等於實際花完的 billable tokens。
- context window：Anthropic 官方文件列出的 Opus 5 單次上下文容量是 100 萬 token；它是模型一次能容納多少資訊，不是這次實驗帳單。
- 實際計費：取決於 input、output、prompt cache、重送的上下文、工具結果與是否使用 fast mode。
截至 2026 年 8 月 3 日，Anthropic 的標準 API 定價是每百萬 input token 5 美元、output token 25 美元，cache hit 則是 0.50 美元。舉例來說，75 萬個未快取 input 加 25 萬個 output 恰好是 10 美元；換一種 input／output 比例，帳單就不同。因此「約 10 美元」在數學上可行，卻不能由「100 萬 token 預算」單獨推出。
想把 Opus 5 的正式規格、定價與「驗證到成功」工作流放在一起看，可以接著讀 AlphaLab 的《Claude Opus 5 深度解讀》。這裡只需要記住：Karpathy 報的是這次 run 的預算與估算，不是一張「100 萬 token＝10 美元」價目表。
四、公開 source 讓它可信，卻還不是 benchmark
公開 source 是重要加分：我們能打開頁面、閱讀程式、確認 Three.js、重算行數，也能看到成品的瑕疵。但截至 2026 年 8 月 3 日，公開材料足以檢查結果，仍不足以重建完整的生成過程。若要讓不同研究者比較模型，還需要固定的完整 prompt、system prompt、harness 與工具權限、effort、trace、usage、run 次數、選樣規則和預先定義的評分標準。
對照 Karpathy 拿來類比、並在後續補鏈的測試就很清楚。Simon Willison 的「鵜鶘騎腳踏車」測試公開同一個簡短 prompt、同一套 CLI／script，跑過 16 個模型，還刻意選擇不太可能已存在於訓練資料的怪異組合。Karpathy 把輸出規模放大了，卻改用文化先驗極高的《魔戒》；成品中的綠色圓門、丘陵住屋與金戒指，也不是那一段文字能唯一決定的視覺答案。
這不表示模型「抄了電影」，也不能斷言《魔戒》必然在訓練清單裡。它只表示這個任務同時混合了文本理解、既有文化知識、Three.js 熟練度、空間推理與 agent harness 的效果，無法把成績乾淨歸因給單一能力。
「跑了兩小時」也不能直接叫作兩小時的 long-horizon 能力。METR 對任務時間長度的定義，是「人類專家需要多久完成的任務，agent 能以指定可靠度成功」，不是 agent 自己坐在電腦前跑了多久。METR 的正式流程會分開 dev／test set、每題跑六次獨立 trial，再檢查 reward hacking。Karpathy 的作品是很好的能力 demo，但公開材料沒有呈現這些控制，因此不能當成同類 benchmark。
五、最重要的能力邊界：生成頻寬高，驗證頻寬低
Karpathy 自己指出了最值得記住的限制：依他的描述，這次工作流只能慢速、離散地用截圖稽核；這種低頻回饋提高了錯誤較晚才被發現的風險。它能高速產生場景程式，卻沒有同等高頻、連續的回饋通道來理解造出的世界。
Anthropic 官方文件支持這個「回饋頻寬」判讀，但也修正了一個容易過頭的說法。Claude Vision API列出的輸入格式是 JPEG、PNG、GIF 與 WebP，動畫只處理第一幀；截至 2026 年 8 月 3 日，官方 API 文件未列出原生連續影片輸入。另一方面，Opus 5 已支援 beta computer use，外部 harness 可以把 screenshot 傳給模型，再執行它提出的滑鼠與鍵盤操作。
所以不能寫成「Opus 5 不能操作遊戲」。更精確的結論是：依 Karpathy 的描述，這次工作流可用的連續視覺與 gameplay 回饋有限；完整 harness 尚未公開，因此模型、工具與 agent harness 必須一起評估。Anthropic 自己的agent eval 指南也強調，評測 agent 時，測到的是模型與 harness 的組合。這正是循環工程的核心：不是讓模型一直跑，而是讓它在每一圈都拿到能判斷對錯的回饋。
六、AlphaLab 的判讀：這個世界證明了什麼？
判讀一：這是工作流能力的線索，不是可靠性證明
公開 source 證明會動的多模組 Three.js 成品確實存在；若接受 Karpathy 對生成過程的自述，它也顯示以 Opus 5 為核心的 agent 工作流至少完成過一次這種整合。由於 trace、人工介入、run 次數與選樣規則未公開，成果不能乾淨歸因給模型本身，也不能估計成功率、平均成本或重跑變異。它比較接近 capability evidence，不是 reliability estimate。
判讀二：真正的新市場，是只服務一個人的軟體
這個案例最可能留下來的，不是「AI 會做電影」，而是軟體的最小經濟規模正在縮小。一個人的旅程、一場活動、一份資料、一晚的研究，甚至一段想看的故事，都可能得到臨時生成的工具或世界。它不需要成為產品，只需要對那個人、那個時刻有用。
判讀三：當 code 變便宜，驗收與品味變貴
5,500 行會讓人直覺想到生產力，但行數只量輸出量，不量故事忠實度、空間一致性、效能、可維護性或觀眾是否喜歡。當 agent 每分鐘能產生更多 code，人類真正稀缺的工作會往上游和下游移：定義什麼值得做、什麼叫完成、如何抓出穿幫，以及哪些素材有權使用。
判讀四：長時程不是坐得久，而是記得自己在做什麼
即使接受 Karpathy 自述的約兩小時，runtime 也不是答案，狀態管理才是。真正的長時程 agent 必須知道已完成哪些場景、哪些 bug 已測過、下一個驗收條件是什麼，並把成果留給下一輪。若沒有進度檔、測試、可觀測畫面與回歸檢查，「跑更久」未必提高品質，還可能累積更多難以定位的錯誤。這也是為什麼上下文工程與子代理的委派／驗收契約，比一句更長的 prompt 更關鍵。
我同意什麼，又存疑什麼？
- 我同意：以前不值得聘工程師做的超客製原型，現在確實可能值得用 agent 先做一次。
- 我同意：公開 source 顯示這不是只有影片剪輯的空殼；它有真實、可讀、可運行的多模組 Three.js 成品。
- 我存疑：100 萬 token、10 美元與兩小時沒有 trace／usage 可以獨立重算，應保留 Karpathy 自述的身分。
- 我存疑：《魔戒》的高度熟悉度讓這個案例不適合測量陌生世界的泛化能力。
- 我不同意：把 5,500 行、單次成功或兩小時 runtime 直接換算成生產力、可靠性或 METR time horizon。
七、你可以怎麼把這個案例用在自己的工作
最值得複製的不是《魔戒》題材，而是任務選擇與驗收方式：
- 挑一個「不值得外包、但你真的想要」的題目：臨時資料看板、個人模擬器、活動互動頁、一次性的故事視覺化，都比「重做一個通用 SaaS」更符合這波能力的甜蜜點。
- 先寫完成條件：把可播放、場景數、載入時間、手機相容、特定敘事節點與禁止事項寫成清單。agent 需要 test oracle，不只是靈感。
- 分段交付：先搭播放器與一個場景，再擴到多場景；每段都保留可運行 checkpoint，避免兩小時後只得到一團難以除錯的 code。
- 讓回饋貼近成品：Web 專案就加瀏覽器自動化、截圖比較、console error 與效能指標；能自動判斷的項目，不要只靠模型「看起來覺得可以」。
- 保留 trace 與成本：如果你真的想比較模型，固定 prompt／harness／工具，至少跑多個 trial，記錄 token、人工介入與失敗原因。AlphaLab 的小型 Eval 教學提供了可直接套用的框架。
如果你正從零搭自己的 agent，也可以先看《個人 AI Agent 怎麼養？》：模型只是其中一層，工具、記憶、回饋、技能與成本上限才決定它能不能穩定工作。
📚 延伸閱讀
- Claude Opus 5 深度解讀：真正躍進是「驗證到成功」
- Loop Engineering 循環工程：讓 agent 自己一直動
- Context Engineering：長任務的記憶管理術
- AI 模型怎麼選？用小型 Eval 建立任務路由
判斷規則可以很簡單：如果成品只要對你有用、失敗成本低，就值得讓 agent 把以前「不會有人做」的點子先做一次；如果要交給別人長期使用，先把驗收、回歸測試、權利與維護成本寫進規格。Karpathy 的 Hobbiton 不是一個已完成的遊戲，卻讓人看見一個可能開始成形、以前小到不值得存在的軟體市場。