Andrej Karpathy 在 X 上用一組粗略估算拆解全球對 AI 能力的認知落差：約 60 億人幾乎沒碰過大型語言模型，10 到 20 億人只把免費版聊天機器人當進階搜尋，約 2000 萬名工程與數學專業者正看著 AI 代理把數週工作壓縮成一句提示，而真正見過實驗室內部前沿系統的人只有約 5000 名。他警告，人類的審查與理解速度已經開始追不上機器的產出。
（前情提要：OpenAI共同創辦人Andrej Karpathy：支援AI模型輸出HTML取代Markdown）
（背景補充：OpenAI 創始成員 Andrej Karpathy 宣布加入 Anthropic：重返 LLM 研發最前線）
Andrej Karpathy 於 10 月 12 日在 X 平台發文指出，外界對大型語言模型（LLM）能力的理解差距不但沒有縮小，反而正在擴大。他把全球人口依「接觸過哪一層 AI」切成四級：約 75% 的人幾乎沒碰過 LLM，約 20% 是免費版的偶爾使用者，約 0.2% 在數學與程式領域專業使用前沿模型，而能從內部使用前沿級系統的人只有約 5000 名。這位 OpenAI 創始成員形容，情況已經從他 4 月所說的「兩群人各說各話」，變成一道陡峭的漏斗。
Karpathy 在貼文開頭就說明為什麼要把 4 月的舊文翻出來：圈內人與一般大眾對 AI 的認知差距正在拉大。實驗室裡的人談 AGI 彷彿近在眼前，多數人卻覺得這只是一個偶爾會出錯的聊天機器人，兩邊看到的根本不是同一個東西。
他的拆法是把全球人口依接觸深度分層，結果是一個越往上越窄的漏斗。底部是數十億從未碰過 LLM 的人，往上是把 AI 當搜尋工具的免費版使用者，再往上是每天把 AI 代理用在寫程式與數學的專業者，頂端則是少數能從內部看到前沿系統全貌的人。
AI 真的已經無所不在了嗎？
Karpathy 自己也說這只是餐巾紙上的粗略估算，但數字一攤開，答案是否定的：絕大多數人根本還沒走進門。
約 60 億人從未碰過 LLM：漏斗最底層的認知真空
漏斗最底層約 60 億人，占全球人口四分之三。按 Karpathy 的估算，這群人到今天幾乎沒有直接接觸過任何大型語言模型。對他們來說，AI 是新聞標題與電影題材，不是生活裡會用到的工具。矽谷口中的新一輪工業革命，實際上還沒走進四分之三人類的日常。
第二層約 10 到 20 億人，占兩成。他們偶爾會打開免費版的 ChatGPT 之類產品，在他們眼裡那是一個有點笨拙的聊天機器人：比 Google 好用一點的搜尋、幫忙潤稿的寫作工具，或是一個試圖替你訂機票的陽春代理。Karpathy 說，他身邊不少非科技圈的朋友覺得這東西沒什麼用，而他認為以他們的使用情境來看，這種看法其實合理。
值得注意的是，這一層不只有一般消費者。許多數學與程式以外的專業人士，包括企業高階主管，也停在這裡。高階主管的時間多半花在與人溝通上，他們在理智上知道 AI 正在發生什麼，但那份理解是二手的、抽象的，不是親手跑出來的。
Karpathy 在 4 月的貼文裡就點出這個問題的根源：近因效應加上使用層級。很多人對 AI 的印象，來自去年試過一次的免費版，或是社群上瘋傳的 AI 出糗影片。
20 億人把 AI 當搜尋工具：舊印象造成的誤判
他舉的例子是 OpenAI 進階語音模式被問「我該開車還是走路去洗車」時答得結結巴巴的影片。這類片段在 Instagram 上到處流傳，看的人笑完之後得出結論：這就是你們說的超級智慧？
但 Karpathy 早在今年 4 月的貼文就警告，免費版與已被汰換的舊模型，並不能代表今年這一輪前沿代理模型的實力，尤其是 OpenAI Codex 與 Claude Code。用舊印象評價新系統，是整個認知落差的第一個源頭。
接著進入漏斗第三層，人數驟減到約 2000 萬，只占全球人口 0.2%。這群人付費使用前沿級代理模型，並且把它用在程式設計、數學與研究這類高技術門檻的工作上。
Karpathy 在 4 月時把這群人的狀態稱為「AI 精神錯亂」（AI Psychosis），10 月的貼文則改用「曲線垂直向上的眩暈」來形容。原因很單純：他們每天親眼看到過去需要數週、數月的大型專案，現在一句提示詞就能交給代理完成。
他用自己的經歷當例子：不到一年前，他還是一個字元一個字元地把記在腦中的指令敲進編輯器，偶爾按 Tab 讓工具補上一小段。現在整個工作型態已經翻過來了。
2000 萬專業人士親眼看見 AI 進化的斜率
貼文列出了這群人眼中的日常：建構應用、複製應用、把應用翻譯到另一種語言或框架，甚至從二進位檔案反編譯出應用。把終端機交給這些模型，就能看著它們把原本要耗上幾週的程式難題一路「融掉」。
4 月的貼文裡有一個更具體的對照：同一時間，OpenAI 免費版的進階語音模式會在 Reels 上答錯最簡單的問題，而最高階付費版的 Codex 可以自己跑一個小時，有條理地重構整個程式碼庫，或是在電腦系統裡找到並利用漏洞。兩件事同時為真，才是這個時代的怪異之處。
Karpathy 在那則貼文中轉發了 @staysaasy 的一句話：「你對 AI 的敬畏程度，與你用 AI 寫程式的頻率完全正相關。」這群人正是因為用得夠深，才對能力的斜率、以及背後的資安連鎖效應，有遠高於一般人的警覺。
於是兩群人開始各說各話：一邊看到的是會出糗的聊天機器人，另一邊看到的是把數週工作壓成一句話的代理。到了 10 月，Karpathy 認為這已經不只是兩群人，而是一道越往上越窄的漏斗。
而漏斗的最頂端，比第三層還要再縮小三個數量級。
僅 5000 人看見 AI 蜂群自主攻防零時差漏洞
Karpathy 估計，全球能從內部使用前沿級系統的人只有約 5000 名，占全球人口 0.00006%。這些人身處 AI 實驗室核心，看到的不是對外發布的版本，而是內部的能力上限。他的說法是：外界看到的只是預覽。
他描述的內部景象，是數以千計的代理像蜂群一樣協作，在幾週時間裡完成軟體巨型專案：大量挖掘零時差漏洞、以機器速度發動網路攻擊與防禦、發現新的科學、推進數學前沿。這些原本是業內頂尖專業人士要花上數年的工作。
更令他在意的是人類這一端。機器產出的速度與深度，已經讓審查與理解開始落後。他舉了兩個例子：幾個月前的「OpenAI-HF 事件」，到現在還有人在裡面做「考古」；而 722 份前沿數學手稿，數學家可能要研讀上好一段時間。
為什麼會形成這樣的漏斗？Karpathy 給了三個因素。
第一是野心與問題規模。AI 帶來的影響，與你丟給它的問題大小、時間跨度成正比。一個段落就能回答的問題，幾乎不會對系統造成任何壓力；你得手上有一池子真正困難、而且你真心在乎的問題，才會感受到它的極限在哪裡。這個因素決定了漏斗的「消費者對專業者」維度。
為什麼程式碼和數學成為 AI 能力突破點？
第二是系統能力的「鋸齒狀」分布。Karpathy 多次談過這個概念：模型的能力高峰集中在數位化、可驗證、而且有經濟價值的領域。這是因為 LLM 的能力來自於在可驗證獎勵上做強化學習，而訓練環境的組合又是由營收潛力驅動。程式碼與數學的對錯清楚，單元測試過或不過一翻兩瞪眼，天生適合這種訓練；寫作或建議類的任務很難明確評分，進步自然不如前者明顯。
4 月的貼文把商業面講得更直白：這些領域在 B2B 場景的價值高得多，所以實驗室把最大比例的人力押在上面。金礦在哪裡，注意力就往哪裡去。這個因素決定了漏斗的「領域」維度，也是數學與程式成為突破口的原因。
第三是存取權限：免費版、付費版、內部版。三道門檻把不同的人隔在不同的能力層級，各自看到的 AI 自然不是同一個東西。
Karpathy 把這一切總結為當下的怪異之處：大多數人還沒真正與這些系統互動過，接觸過的人看到的多半是一個笨拙的聊天機器人，多數專業人士也只感受到溫和的提升，而只有極少數專業者正在經歷能力曲線垂直向上的眩暈。這幾件事，正在同一時間發生。
📍相關報導📍
Andrej Karpathy 公開大神 Prompt 心法：開語音跟 AI 狂聊 10 分鐘
Andrej Karpathy 提煉「CLAUDE.md 四大準則」引爆 GitHub，讓 AI 寫 Code 準確率飆破 90%
Claude 寫程式瘋狂犯錯裝傻？改造 Andrej Karpathy 的12 條規則幫你把錯誤率從 41% 砍到 3％
