Karpathy 划出 AI 接触度四层鸿沟，前沿圈子只有 5000 人

Andrej Karpathy 于 2026 年 10 月 11 日发布了一份结构化的拆解，分析 AI 接触度的不平等，估计全世界只有约 5000 人 —— 约占全球人口的 0.00006% —— 能直接在内部接触到最先进的前沿 AI 系统。这个观察点出了当前 AI 时刻最奇特的结构性特征之一：巨大的能力进步，除了少数几个实验室园区之外几乎无人看见。

这个四层框架量化了 Karpathy 自2026 年 4 月开始公开描绘的一道认知鸿沟：当时他指出，人们对 AI 能力的理解已经沿着接触途径和职业背景的分界线急剧分化。六个月后，他的估计表明这道分界已经成了一面近乎垂直的悬崖。

一个漏斗，而不是钟形曲线

Karpathy 的框架描述的是一个能力接触漏斗，而不是正态分布。在宽阔的入口：约 60 亿人 —— 约占全球人口的 75% —— 对大语言模型完全没有有意义的接触。再往下：10 亿到 20 亿偶尔使用 ChatGPT 这类免费档消费产品的用户，他们遇到的是一个感觉像更聪明的搜索引擎或写作助手的系统。Karpathy 提到，他的一些非技术背景的熟人合理地得出结论：这东西对自己没多大用。

再窄一层：约 2000 万人，大约 0.2%，在数学和编程中专业地使用前沿级 LLM。这群人见证了某种性质上不同的东西 —— 数周的软件项目被压缩成一条提示词，整套应用栈由智能体搭建或逆向。Karpathy 一直是描述智能体工作流如何在实践中改变了软件创作含义的最突出的声音之一，包括在过去这一年里。

在尖端：估计 5000 人在内部接触着尚未以任何形式公开发布的真正前沿系统。

为什么强化学习造出参差不齐的能力地图

漏斗的形状不只是企业保密的偶然结果。它也是当前前沿 AI 能力构建方式的一个后果。

现代前沿模型的解题能力很大一部分来自基于可验证奖励的强化学习—— 一种让模型通过尝试那些正确性可以用算法检查的任务来学习的训练方法。数学证明和代码可以通过执行来验证。这些领域提供密集、可靠的反馈信号。管理沟通、战略规划或人际谈判这类领域的结果更难自动验证，因此在当前范式下产生的训练信号更少。

实际结果就是 Karpathy 所说的「参差不齐」的能力轮廓：前沿模型在数字化、可验证、经济价值高的领域 —— 编程、形式化数学、结构化推理 —— 表现卓越，而在需要人类判断或长期现实世界根基的领域仍然局限得多。这解释了为什么消费者用户与专业用户之间的能力鸿沟，如此整齐地对应着一道数学与编程的分界。

前沿的 5000 人正在目睹什么

2000 万专业用户与 5000 名内部用户之间的差距，可以说比普通消费者与专业人士之间的差距更为悬殊。

按 Karpathy 的描述，外部观察者已经看到了部分预览：数千个相互协调的智能体组成的集群并行工作数周、完成超大型软件项目；自动发现零日漏洞；以机器速度进行的攻防网络行动；以及在前沿数学问题上取得顶尖人类专家需要数年才能达到的进展。时间线的压缩不是渐进的 —— 是结构性的。

人类的理解力成了硬约束

Karpathy 框架里更引人注目的观察之一是：人类的验证能力已经跟不上 AI 的输出量。

他举了两个例子。第一个是他所称的OpenAI-HF 事件，事发数月之后仍在用他所说的「考古」方法分析 —— 说明连 AI 行业的专业人士也在费力重建发生了什么、意味着什么。第二个是一批 722 篇前沿数学手稿，Karpathy 指出数学家可能需要很长时间才能逐篇审阅 —— 而在这段时间里，后续由 AI 生成的工作可能已经取代了它们的内容。

这种理解上的滞后，可能是前沿最具后果的运行特征。一个产出结果快于人类验证速度的系统，引入了一种新的认识论风险：错误、错位和伪影在任何人确认其来源之前，就已传播进下游的工作。

延伸阅读：Karpathy：理解 AI 输出将成瓶颈，四招可缓解

访问架构掩盖了一场技术转型

Karpathy 为这个能力漏斗指出的三个结构性驱动因素，分别对应不同的政策和产品决定。

第一是问题的抱负。一个只有简短单一答案的问题，几乎用不到前沿模型可用能力的任何一部分。榨取最多价值的用户 —— 因而也是最准确感知模型究竟能做什么的用户 —— 是那些问题复杂到、周期长到需要系统持续投入的人。企业高管和许多职业中期的专业人士把大部分时间花在人际和组织工作上，而这些处在强化学习训练出的能力尖峰之外；他们可能在理性上知道 AI 在进步，却没有亲身经历过证据。

第二个驱动因素是参差不齐的能力轮廓。并非每个职业都落在前沿模型目前擅长的区域里。一位宪法律师、一位心理治疗师或一位野外地质学家，从前沿 AI 得到的可能真的比同等水平的软件工程师少，因为他们工作的性质落在推动了最显著能力提升的可验证奖励训练领域之外。

第三是字面意义上的访问层级。免费的消费产品、付费的专业订阅和内部研究访问，运行在明显不同的能力水平上。最先进的系统根本不对外提供，出多少钱都不行。

为什么鸿沟不会一夜之间合拢

Karpathy 的框架与 Sam Altman 反复提到的一个观察相呼应：即便是变革性的 AI 技术，也很可能不会在一天之内改变一切。他描述的机制解释了为什么。

技术抵达一个前沿实验室和技术重塑一个社会，走的是完全不同的传播时间线。一个能在几天内重构企业代码库的模型，仍然需要有能力指挥它的组织结构、能够信任其输出的验证流程，以及具备问题界定技能、能大规模部署它的劳动力。这些层面没有一个以机器速度更新。

在 Karpathy 的框架里，5000 人的前沿精英正看着已经近乎垂直上翘的能力曲线。漏斗宽口处的 60 亿人 —— 如果他们在看的话 —— 看到的仍像是一个更好的自动补全。合拢这道鸿沟主要不是一个模型发布的问题。它是一个访问架构问题、一个训练领域问题、一个验证基础设施问题，以及一个劳动力准备问题 —— 全都同时存在。