← 返回全部情报
Karpathy:LLM 能力认知已变成「尖锐漏斗」——约 75% 几乎没接触,约 0.2% 的专业用户正眼看项目量级跃迁,约五千人摸到内部前沿 swarm 的封面

·X·员工分享收录 2026-10-12

Karpathy:LLM 能力认知已变成「尖锐漏斗」——约 75% 几乎没接触,约 0.2% 的专业用户正眼看项目量级跃迁,约五千人摸到内部前沿 swarm

能力鸿沟漏斗Agent可验证奖励math&code内部前沿Karpathy

一句话结论

Karpathy 在 10 月 11 日长帖里把「对 LLM 能力的共享理解」改写成尖锐漏斗:约 60 亿人(约 75%)几乎没接触;约 10–20 亿人(约 20%)偶尔用免费聊天机器人,把它当更好的搜索或写作助手;约 2000 万人(约 0.2%)在数学与编程里一手看到「以前要数周/数月的大项目现在一句提示就能交给 agent」;约 5000 人(约 0.00006%)能摸到内部前沿,看到数千 agent 协同数周、机器速度攻防与科学发现。他强调冲击随问题规模与可验证域放大,而公众与多数专业人士仍只看到「呆萌聊天机器人」或轻微提效。

打开原文 Karpathy on X:LLM capability understanding as a sharp funnel

背景与理念

他重提今年 4 月的观察,并说鸿沟不是「两群人对着说」了,而是漏斗越来越尖。同一时刻并存四种体验:多数人几乎没碰过;偶用者只见聊天机器人;数学与编程的专业用户已感到曲线变竖;极少数人摸到内部 swarm。

漏斗由三件事驱动:冲击随野心、问题规模与时间跨度放大;能力在「数字、可验证、有经济价值」的域最尖(因为可验证奖励上的强化学习);以及免费档、付费档、内部档的访问差异。

具体做法

漏斗四层(文中为估算)

1. 约 60 亿人(约 75%)。几乎没接触过 LLM。

2. 约 10–20 亿人(约 20%)。免费档偶用:更好的搜索、写作辅助,偶尔有 agent 试订机票;许多非数学/编程岗位(包括大量高管)仍是二手、抽象的理解。

3. 约 2000 万人(约 0.2%)。在数学与编程里一手看到复杂项目从「亲手敲代码」变成「给 agent 一句提示」;他写自己不到一年前还在编辑器里逐字符敲代码。

4. 约 5000 人(约 0.00006%)。内部前沿:数千 agent 协同数周、机器速度攻防、新科学与前沿数学;外部世界只看到预览。人类审阅开始跟不上——他举例 OpenAI-HF 事故的「考古」与 722 篇前沿数学手稿仍在消化。

他给实践者的提示

一段话的问答几乎压不住系统;你需要一池自己真正在乎的大难题。能力尖峰落在可验证、可计酬的数字域,所以不同行业的体感会差一个数量级。

关键数据/例子

分层估算:约 6B / 约 75%;约 1–2B / 约 20%;约 20M / 约 0.2%;约 5,000 / 约 0.00006%。

时间对照:不到一年前作者仍在编辑器里逐字符手写代码。

内部形态举例:数千 agent 协同数周;机器速度攻防;722 篇数学手稿仍在消化。

以上均为帖中「餐巾纸估算」与举例,不是正式人口统计。

创新点

第一,用「尖锐漏斗」替换「两群人说话对不上」的旧框架,把访问档位与问题规模写进同一张图。

第二,明确把能力尖峰归因于可验证奖励驱动的强化学习,而不是笼统的「模型变聪明」。

第三,点出审阅瓶颈:内部产出已开始超过人类消化速度。

可否复用

  1. 评估 AI 采用时先分清自己处在漏斗哪一层,不要用聊天体验推断 agent 工程体验。
  2. 把精力投到「大、难、可验证、自己真正在乎」的问题上,短问答测不出系统上限。
  3. 在可自动判分的域(测试、基准、形式化检查)优先铺 agent,再扩到难验证的知识工作。
  4. 规划审阅与归档流程,防止 agent 产出速度超过人类理解与责任边界。

笔记会在输入时自动保存。