- Published on
Karpathy:大模型能力认知鸿沟正在急剧扩大
- Authors
- Name
- albertzeyer
- twitter.com

认知漏斗的四个层级
Andrej Karpathy 再次翻出自己四月份的推文,强调一个观点:关于大语言模型(LLM)能力的共同理解差距,如今已不只是“两组人各说各话”,而是演变成一个尖锐的漏斗。不同人群接触到的系统等级、使用深度和感受到的冲击力截然不同,而这些差异正在同步放大。
第一层:从未真正接触(约75%)
他估算,全球约60亿人,也就是约75%的人口,几乎完全没有接触过LLM。这一群体对AI的认识停留在新闻标题、影视作品或他人的转述中,缺少第一手体验。即便偶尔看到相关演示,也往往难以理解其背后的能力边界。
第二层:免费产品的轻度用户(约20%)
大约10到20亿人属于免费版ChatGPT类产品的偶发用户。他们看到的是一只会聊天、偶尔笨拙(derpy)的聊天机器人,把它当作加强版谷歌搜索或写作辅助工具。有人会尝试让智能体帮忙订机票,但非技术背景的朋友往往觉得它“没什么用”。即便是许多非数学和编程领域的专业人士——例如整天与人交谈的高管——也处于这一层级。他们理性上知道AI很强,但感受仍是间接、抽象的。
第三层:数学与代码领域的专业用户(约0.2%)
约2000万人开始亲眼目睹前沿LLM的真正威力。对他们来说,过去需要数周甚至数月才能完成的大型复杂项目,现在可以通过一个提示词交给智能体完成。构建应用、抄袭应用、翻译应用、从二进制反编译应用——这些事都在极短时间内实现。Karpathy提到,不到一年前他还在逐字符手写代码,而现在已经完全不一样了。这一群体真正站在了能力曲线陡峭上升的位置。
第四层:内部接触前沿系统的极少数人(约0.00006%)
最顶层是约5000名能够直接从内部访问前沿级系统的人。外部世界只看到了预览:数千个AI智能体协同工作数周,完成软件超级项目——挖掘零日漏洞、以机器速度发动网络攻防、发现新科学、推进数学前沿。这些事原本需要行业顶级专家数年时间。与此同时,人类审查和理解能力开始落后。例如,人们仍在“考古”数月前的OpenAI与HF事件,数学家可能还要花很长时间研究那722篇前沿数学手稿。
驱动漏斗的三个因素
一、影响规模随问题复杂度放大
LLM的影响与任务的野心、问题规模和视野深度成正比。一个只需段落答案的问题几乎不会对系统构成压力。你需要储备大量真正关心的大问题、难问题,系统才能展现出水平。这一因素决定了漏斗中消费者与专业用户的分布。
二、能力分布的不规则性(jaggedness)
Karpathy多次讨论过系统的“锯齿状”能力分布。在数字化、可验证、经济价值高的领域,能力尤其突出。这是因为LLM的能力来源于可验证奖励的强化学习,而训练环境是根据收入潜力精心筛选的。于是数学和代码成为能力高地,其他领域则相对平庸。
三、访问权限的分层
免费级、付费级、内部级——不同访问权限天然地把人群分隔开。大多数人接触的只是公开接口,而顶尖系统掌握在少数机构和个人手中,进一步加剧了认知差距。
当下时刻的奇特之处
Karpathy总结说,这是一个“奇特的时刻”:普通大众大多没有真正与系统交互,偶尔使用就觉得它是笨拙的聊天机器人;大多数专业人士只看到适度的效率提升;而一小撮专业人士正在经历曲线垂直上升的眩晕感。以上所有情况同时发生在同一天空下。最深的鸿沟并不在于技术能力本身,而在于人们能否通过亲身体验来校准自己对AI的预期。当75%的人尚不知LLM为何物时,最前沿的团队已经在用数千个智能体推进数学和科学边界——这种分裂,或许才是这个时代最值得警惕的图景。
原标题:The gap in shared understanding of LLM capability is widening。 HN 原始发布时间:2026年10月12日星期一。当前记录为 683 分、1001 条评论。