Karpathy近日在 X 上抛出一个判断：人类对 AI 能力的理解，正在出现一场明显的「认知折叠」。一边是圈内对 AGI 的持续高呼，另一边是大量普通用户对 AI 表现出的怀疑甚至轻视。按他的说法，这种落差并不只是观点分歧，而是不同人群接触到的系统能力本来就不在同一层级。
他给出的框架，是一个陡峭的「四级认知漏斗」。在这个模型里，全球约 75% 的人口几乎没有碰过大模型；而站在最顶层、能够接触 AI 公司内部前沿系统的人，只有约 5000 人。Karpathy认为，大众看到的 AI，与实验室前沿的真实能力之间，已经隔出一道很深的鸿沟。
第一层：约 60 亿人几乎没有接触过 LLM
按照 Karpathy的「餐巾纸估算」，漏斗最底层是约 60 亿人，占全球人口约 75%。这部分人至今几乎完全没有接触过任何 LLM。对他们来说，AI更多停留在新闻标题和科幻电影里，并没有真正进入日常生活。
如果按这个口径理解，被硅谷称作第四次工业革命的一波技术浪潮，并没有覆盖到这 75% 人群的现实使用场景。也正因为如此，很多关于 AI 的讨论，从一开始就不在同一个经验基础上展开。
第二层：10 亿到 20 亿人停留在「笨拙助手」印象
漏斗第二层大约是 10 亿到 20 亿人，占全球人口约 20%。这部分人会偶尔使用免费版、类似 ChatGPT 的产品，但他们眼中的 AI，仍然只是一个「笨拙的聊天机器人」。它可能比搜索引擎更方便，也能辅助写作，或者尝试帮用户预订航班，但整体上仍被视为一个能力有限的工具。
Karpathy提到，他有不少非技术圈朋友都觉得，这类产品在日常生活里没有太大用处。即便是许多不从事数学和编程工作的专业人士，甚至不少企业高管，也停留在这一层。高管每天大量时间花在与人沟通上，他们在理智上知道 AI 正在发生变化，但这种理解往往是二手的，也很抽象。
他把这类认知偏差归结为「近因效应与使用层级」问题。很多人的 AI 世界观，来自去年免费版 ChatGPT 的体验，或者社交媒体上流传的「AI翻车视频」。例如，OpenAI 高级语音模式在面对「我应该开车还是步行去洗车」这类简单问题时出现结巴和答非所问的视频，就曾被广泛传播。
在这种传播环境下，很多人是在 Instagram 短视频里看着 AI 幻觉、胡言乱语，然后得出「就这？」的判断。Karpathy的提醒是，免费版和旧模型并不能代表今年最新一代前沿智能体的能力，尤其不能代表 OpenAI Codex 和 Claude Code 这类系统的真实水平。
第三层：约 2000 万专业人士出现「智能体眩晕」
到了第三层，情况开始明显变化。Karpathy把这一层的人数估算为约 2000 万，占全球人口 0.2%。这部分人主要来自数学和编程领域，他们会付费使用前沿智能体模型，如 Codex 和 Claude Code，并把这些系统直接用于编程、数学和研究。
在这个群体中，他提到一种正在蔓延的状态——「AI精神病」和「智能体眩晕」。原因很直接：他们正在亲眼看到模型能力以很陡的斜率上升。
Karpathy用自己的经历举例说，不到一年前，他还在手工写代码，把熟悉的命令一个字符一个字符敲进编辑器，偶尔按一下 Tab 键做少量自动补全。现在，工作方式已经被改写。过去需要顶级工程师花数月完成的大型项目，如今只需一个提示词，前沿智能体就能在很短时间内完成，包括构建应用、复制应用、翻译应用，以及从二进制文件中反编译应用。
他还提到，把一个计算机终端交给这些模型后，用户可以直接看到它们如何「熔化」那些原本要花几周处理的编程难题。按文中说法，OpenAI 最高端、付费版的 Codex 模型可以在后台静默运行 1 个小时，然后完成对一整套大型代码库的重构，或者在复杂系统中发现并利用漏洞。
Karpathy还引用了一句流传很广的话：「你对 AI 感到敬畏的程度，与你使用 AI 写代码的频率完美正相关。」在他看来，这批专业人士正处在认知曲线快速抬升的阶段，他们比多数人更早感受到 AI 能力增长的速度，以及这背后可能带来的网络安全连锁反应。
第四层：约 5000 名内部人士接触到「智能体蜂群」
漏斗最尖端的一层，人数更少。Karpathy估算，全球只有约 5000 人，占全球人口 0.00006%。他拿珠穆朗玛峰作比：全球约有 7500 人登顶过珠峰，而真正见识过前沿 AI 极限能力的人，比这个数字还少。
这 5000 人指的是能够接触 AI 公司最核心内部前沿系统的内部人士。按他的描述，外部世界看到的只是 AI 能力的「预览版」，而这些内部人士看到的，是成千上万个智能体像蜂群一样，在没有人类干预的情况下自主协作数周，去完成大型软件项目。
这些系统被描述为能够发现零日漏洞、进行网络攻防实战演练、发现新科学、推进数学前沿。文中称，这些任务原本往往需要顶级专家投入数年时间。
Karpathy还强调了另一个变化：人类的审查与理解速度，已经开始落后于机器生成内容的速度和深度。他举例说，「OpenAI-Hugging Face事件」已经过去很久，但研究人员至今仍在大量机器生成日志中做「考古」；而面对 AI 生成的 722 篇数学手稿，顶尖数学家也需要很长时间，才能勉强消化其中的推演逻辑。
Karpathy给出的三个原因
对于这种极端的认知断层，Karpathy给出了三个核心解释。
问题规模越大，越容易逼出系统上限
第一，AI 产生的影响与用户的「野心」和问题规模成正比。如果只是让 AI 写邮件、查食谱，系统连热身都算不上，也很难显露能力上限。只有当用户手里有一组真正困难、又急需解决的问题时，才更容易感受到模型能力的边界变化。
代码和数学具备可验证奖励
第二，当前 AI 能力的高点主要集中在数学和代码领域，原因在于这些领域数字化程度高、结果可验证，而且具备明确的经济价值。Karpathy把这与大模型底层训练机制联系起来：LLM 的强大能力，与强化学习有关，而在代码和数学任务中，对错边界清晰，存在明确的可验证奖励函数，因此更适合高效训练。
相比之下，写诗或写文章的好坏判断更主观，难以形成同样清晰的强化学习反馈。与此同时，代码和数学等 B2B 场景商业价值高，利润空间也更大，因此科技公司最强的团队和最多的资源会优先投入这些方向。
免费版、付费版与内部权限构成访问鸿沟
第三，是访问权限本身造成的隔离。免费版、付费版和内部权限，构成了三道清晰的阶梯，也把不同人群对 AI 的认知物理性地分开。对多数公众而言，他们接触到的只是能力受限、版本滞后的产品；而在付费用户和内部研究环境中，系统表现已经完全不同。
Karpathy的结论是，人类正处在一个很特殊的时刻：同一时间里，大众看到的 AI，与前沿内部系统展现出的能力，已经像是两个不同纪元的产物。他提醒外界，不要把愚蠢、迟钝的 AI 面具当成全部现实。在极少数人的注视下，一个「超级智能雏形」已经出现。
参考资料为 Karpathy 在 X 发布的内容。本文原文注明来自微信公众号「新智元」，作者为 Aeneas。
