一、四层漏斗的完整数字二、纠错一这些数字不是调查数据三、纠错二漏斗是权限分层不是能力分层四、纠错三顶端那 5000 人描述无法验证五、“那你属于哪一层”一个自测框架六、对企业的启示别用别人的体感做预算七、把标准变成可执行的八、结语 目录一、四层漏斗的完整数字二、纠错一这些数字不是调查数据三、纠错二漏斗是权限分层不是能力分层四、纠错三顶端那 5000 人描述无法验证五、“那你属于哪一层”一个自测框架六、对企业的启示别用别人的体感做预算七、把标准变成可执行的八、结语一、四层漏斗的完整数字先把这张表摆出来因为中文圈流传的版本普遍不完整而且经常把百分比和人数混着用。Andrej Karpathy 10 月 12 日在 X 上重发了他 4 月 9 日的一条长帖。原帖讲的是两群人在各说各话重发时他把这个比喻升级成了a sharp funnel一条陡峭的漏斗。他自己给的人口估算如下层级人数他的估算占全球人口他的描述典型行为第一层约 60 亿~75%几乎没接触过大模型通过新闻、他人转述知道 AI第二层约 10~20 亿~20%偶尔使用免费版ChatGPT 类产品把它当更好的搜索框/写作助手最多订张机票第三层约 2000 万~0.2%在数学、编程等领域专业使用前沿模型一个Prompt 让 Agent 完成过去要数周数月的项目第四层约 5000 人~0.00006%能接触内部前沿系统数千个 Agent 协作数周做零日漏洞、网络攻防、科学发现、数学前沿数据本身先记住几个关键点后面纠错全靠它们这是他的napkin math餐巾纸估算原话就是这个词。他没有引用任何调查、没有平台统计、没有公司数据。第一层到第四层不是能力高低是接触深度。第三层和第四层用的是同一批模型差别在于能不能拿到访问权限。第三层只有 0.2%。换句话说Karpathy 自己描述进步令人瞠目结舌的那群人占全球人口的五千分之一。原帖里他还给了一句更狠的对照即便每月付 200 美元用前沿模型能力提升也高度集中在技术领域“搜索、写作、建议这类常见查询并不是能力取得最显著进步的领域”。两个原因他也说清楚了——一是这些领域有可验证的奖励函数单元测试过没过是二值判定写作好不好很难明确打分二是这些领域在 B2B 场景里更值钱实验室把最大比例的团队投在那里。这两条原因合起来能解释整个漏斗的形状能力沿着可验证 高价值这两个维度堆积别的维度几乎不涨。二、纠错一这些数字不是调查数据中文圈的传播基本一致把这四个数字当成了人口统计口径。常见的写法是Karpathy 数据显示或统计显示全球 75% 的人还没用过 AI。这是明确的误读。有三处需要纠正1. 他本人反复强调这是粗估。原帖用napkin math somewhere around各路报道引用的英文原文都是这个措辞。“somewhere around 6B” 里的 “somewhere” 不能被翻译掉。2. 没有任何机构背书。没有平台方公布过免费版用户 10~20 亿这个数字——按定义免费版用户不是任何公司的可披露指标。这组数字的分母全球人口和分子各层人数都是估的。3. 比例加起来超过 100%这本身就说明它是随手算的。60亿(75%) 10~20 亿(20%) 2000 万(0.2%) 5000 人如果按 75%20%0.2%0.00006% 算是 95.2%。剩下的4.8% 是什么他没说。这是大致对齐到总量的粗算不是分类统计。同样重要的是他没有给这四层任何公开证据。第四层约 5000 人这个数字尤其要注意——没有任何实验室公布过内部前沿系统的人数。多家英文媒体在引用时都加了限定词包括 The Decoder、TechCrunch 类信源措辞是他估计“据他本人的估算”“不是实测数据”。所以正确的引用姿势是“Karpathy 估算”不是数据显示。这不是吹毛求疵——如果你在董事会或者项目立项里引用这组数字把它当实测数据引用被追问一句来源就站不住了。三、纠错二漏斗是权限分层不是能力分层这是这批内容里最容易被读反的一层也是最有工程价值的一层。原帖的核心对照句是OpenAI 免费版的语音模式在Instagram 短视频那种简单问题上都会答错同时最高阶付费的 Codex 模型能花一小时连贯重构整个代码库或者发现系统漏洞。“这两件事同时为真。”Karpathy 自己强调这句话。那么问题来了如果第三层和第四层的人用的是同一批模型为什么他们看到的和第二层差这么多Karpathy 自己给了答案藏在access访问这个词里——免费档、付费档、内部档是三套完全不同的产品。差异至少在这几处维度免费档付费档内部前沿档模型版本落后若干代当期旗舰未发布可能仍是实验版上下文窗口短长长工具权限基本没有文件、终端、搜索全量含沙箱与多Agent 编排运行时长分钟级小时级数周并发单会话单会话数千Agent 集群失败可见性只看到最终输出能看到中间步骤能看到完整轨迹所以AI 到底行不行这个问题在没有说明档位的前提下是没有答案的。这不是谁在吹牛的问题是比较对象不对。再往深一层Karpathy 讲的能力在可验证领域堆积本质是训练数据分布问题。单元测试通过与否是可以自动打分的信号写作质量不是。同样一批研发预算花在可验证任务上能形成闭环反馈花在开放主观任务上连这次改动算好还是坏都判不出来。模型自然在前者上更强。这条规律对读者的实际含义是你在哪些领域能拿到 AI 的红利取决于那些领域有没有可自动验证的判据。代码有测试数学有证明和验证器数据清洗有对错行数。但这份报告写得好不好“这段话客户喜不喜欢”模型至今没拿到可靠信号——不是不想做是做不了。顺手纠正一个被广泛传播的顺推Karpathy 说你用 AI 写代码越多就越惊叹 AI这句话是回复他人推文时写的原文是引用 staysaasy 的观点On a first pass I think the biggest tell of a society’s maturity is how they treat the AI that’s coming那条线里你对 AI 的惊叹程度与你用 AI 写代码的程度完全正相关。很多人把这句话当成 Karpathy 的原创论断实际上他是在转述并补充。这不影响结论但引用时最好说清楚出处。四、纠错三顶端那 5000 人描述无法验证第四层的描述是这波传播里最抓眼球的部分也是最应该保持克制的部分。Karpathy 的原话大意是外部世界只看到了预演“the external world has seen the preview”在前沿实验室内部成千上万个 Agent 协作数周做的是软件巨型项目、挖零日漏洞、以机器速度进行攻防、发现新科学、推进数学前沿——这些是顶级行业专家需要多年才能完成的工作。而人的审查与理解能力开始跟不上。他为此举了两个证据说明人类理解已经落后人们还在对几个月前的 OpenAI-Hugging Face 事件做考古数学家可能还要花很久去读那722 篇前沿数学手稿这里有三层需要说清楚第一层这两个证据他没做交叉验证。多个英文信源明确指出原始信源并没有解释这两个参考分别指什么也没有独立确认。OpenAI-HF 事件的考古是复现和归因工作不等于人类看不懂系统在干什么722篇手稿的评审是有peer review 流程的学术活动把它当成审查能力跟不上的证据是读者的引申不是他的论证。第二层数千个 Agent 协作数周这类描述目前不可证。公开可查的多 Agent 系统能达到几十到几百个并发 Agent、小时到天级时长。数千个 Agent 连续运行数周属于内部系统的性质描述外部没有任何审计渠道。它作为趋势判断是合理的摩尔定律方向作为事实陈述是不成立的。第三层这一层的真正问题不是真伪而是它无法证伪。一个不可验证的能力描述越戏剧化越难被挑战——你无法用公开数据去反驳一个内部系统做了什么。PithWire 这类分析给出的批评我认为是本文最该记住的一句第四层是一个干了大量叙事工作但缺少证据的层级。但这不意味着 Karpathy 在夸大。他的分寸其实控制得比传播者好——他在同一段里承认第四层的很多能力缺少公开复现not publicly reproducible。他把话说了两层传播时只剩了第一层。需要补充的一个人名纠错多家中文报道把 Karpathy 写成OpenAI 创始人或特斯拉 AI 总监并置。他2025 年已加入 Anthropic。这个身份变动不是重点但它解释了为什么他现在说的话和 2024 年10 月他说 Agent 主要是营销、几乎不work看起来矛盾——那不是矛盾是同一个人的两次真实观测。他自己也点明过时间线不到一年前他还在手写代码只偶尔按 Tab 补全一小段。这恰恰是四层漏斗最好的自证他自己就是从第二层跳到第三层的活样本。一个已经离开 OpenAI、现在在 Anthropic 的人亲口描述了用前沿 Agent 看代码库被重构的体验——同时他也承认自己看到的和大众看到的不一样。顺带记一个同期对照OpenAI CEO Sam Altman 在 9 月G20 创新部长级会议上说过一个当下的 AI 编码工具能在17 分钟完成某家初创公司此前花了三个月做的东西并称世界还没追上这意味着什么。注意这个某家初创公司和某个工具在信源里没有被指名。数字本身无法核实不能当依据用。它可以作为两个阵营都在讲同一个故事的例证但不能作为数据引用。五、“那你属于哪一层”一个自测框架把漏斗当成谈资没有意义变成自检工具才有用。下面这张表是我按三个可观测事实设计的判定问题——刻意不用自我感觉因为感觉不可靠。判据你会观察到的事实对应层级上周你实际完成的任务里有几件是模型独立交付的0 件且从没让模型连续跑超过 10 分钟第二层你的任务清单里有没有带自动验证判据的条目跑测试、跑验证器、对数据没有或有但不交给模型做第二层你最近一次让 Agent 做的事耗时是否超过 2 小时从没有过第二层你上个月是否用前沿模型完成过一个原本要数周的交付有过但需要大量人工修补第三层你是否需要读中间轨迹才能判断结果对不对是经常需要第三层你的团队里有人负责审Agent 产出的中间结果吗有独立角色/流程接近第四层你能否接触未发布的内部系统或其能力等价物不能至多第三层这张表的用法很简单别问自己AI 强不强问自己我的任务里有没有可验证的判据、我的能力访问在哪一档。两个问题任一为否你看到的 AI 就注定停留在第二层的样子——这不是你落后了是结构决定的。有一个反直觉但重要的推论从第二层跳到第三层最有效的动作不是换更贵的订阅而是把自己手上某个任务改造成可验证的。给日报生成加上与昨日数字对账不一致则报错给数据清洗加上行数校验给代码任务加上必须跑通单测。这一步做完同一个模型的体感会立刻不一样。Karpathy 的三个成因ambition 与问题规模、jaggedness 即能力在可验证领域聚集、access 权限档位刚好对应这张表的三个判据。他说的 “you need a reservoir of big, difficult problems you care about” 是最实用的一句——没有大问题的池子再强的模型也显不出能力因为小任务的瓶颈从来不在模型。六、对企业的启示别用别人的体感做预算这条漏斗对企业最直接的用处是它给AI 到底能不能干成这件事提供了一个前置判断。错误做法老板看了一段前沿 Agent 的演示数小时重构代码库回来让团队用同一套预算和同样的时间去干一件没有验证判据的事三个月后结论是AI 不行。老板的体感来自第四层干活的团队在第二层中间隔了两层。正确做法在立项前先回答三个问题——这个任务的判据是什么谁来判判不出好坏的任务模型能力天然受限因为训练阶段就没有信号。我们能拿到哪个档位免费、付费、内部能力差着一个数量级不止。这决定预算能不能对得上效果。人工审查的时间算进工期了吗第三层最典型的成本是省下的开发时间被审查吃掉。这一项不写进排期项目一定超期。第二条最容易被忽略。很多组织把AI 当成买个软件就能用的事但第二层和第三层的产品形态根本不同第三层需要能读中间轨迹、能打断、能指定验证方式。这意味着第三层不是采购 培训而是任务设计 审查流程。如果企业自己就是第三层的组织还有一个额外义务Karpathy 说人的审查与理解开始跟不上。这句话对企业不是警告是排期约束——Agent 产出的中间过程必须有人看且这个看的工时要写进项目计划。少了这一步交付质量会在某个环节断掉而且往往是在上线之后才暴露。七、把标准变成可执行的按本栏目的惯例把行业问题落到具体平台设计上。企业级 AI 平台在这里的职责不是替用户选模型而是把上面那些判断变成可记录、可追溯的动作。需要回答的问题平台上的对应机制不做会怎样谁在用哪个档位、哪个模型iPaaS 接数据时按人/项目记录访问档位与模型版本体感差异被误判成能力差异这条任务有没有验证判据治理中心前置登记任务时强制填验收判据字段任务永远无法进入可优化区间Agent 跑的过程谁看过全域守卫按角色划权限审查人对中间轨迹可审计交付后才暴问题返工成本最高数据能不能喂进 AgentiPaaS 治理中心保证喂进去的是有元数据、有口径的数据模型跑的是脏数据结论不可用结果谁复核、怎么留痕执行层与验证层分离可自建或交Dify 承载应用编排出了问题查不回过程具体到四件事数据接入要统一。多个供应商、多个模型、多套权限最后会变成每个人用自己的账号接了个 Agent数据流不可见。平台层用 iPaaS 统一接入好处是访问档位、模型版本、成本归属从第一天就有记录。治理要前置不能后置。「这条任务的验收判据是什么」应该在派工之前登记不是出问题了才回头看。这也是为什么治理中心要在业务开始前介入——判据缺失本身就是一个该拦下的问题。权限要划到全域。Agent 的问题往往不是模型不行是它拿到了不该拿的东西。给审查角色开中间轨迹的只读权限、给执行角色开生产写入的受限权限——这两类权限不能混。平台和 Dify 要分工。Dify 这类应用编排层擅长的是快速搭应用、可视化配 Prompt 和流程适合做应用层的编排。数据接入、口径治理、权限边界、审计留痕这些是平台层的活。分工清楚的好处是换模型、换编排工具的时候数据和权限不用重建。需要说清楚的一点平台能让判断标准可执行、可追溯但标准本身对不对仍需要业务专家定。平台解决你写的判据有没有被执行、能不能回溯不解决这条判据该不该这么定。后者是人的事平台替代不了。八、结语这组数字最容易被记住的是 60 亿和 5000最该记住的其实都不是。60 亿和 5000 都不可考。它们是一份内行人的直觉估算不是统计。把它当参考图可以用当数据引用不行。真正值得记住的三件事第一同一天有两个 AI不是比喻是结构事实。免费版和前沿档之间隔着模型版本、上下文、工具权限、运行时长、并发数五道差距。你和同事对 AI 的判断不一致很可能不是谁对谁错是你们在用两个产品。第二能力沿着可验证 高价值堆积所以必然是锯齿状的。这个领域不会平均进步。能自动判定好坏的地方会先突破判不出好坏的地方会长期落后。选场景比选模型更重要。第三第四层不可验证。它可能是真的也可能被夸大但它目前既不能证实也不能证伪。碰到以内部系统已经做到 X为卖点的方案时正确的反应是问有没有可复现的公开证据没有的话把它当趋势看不当依据用。一个可操作的自查如果你的团队说不出手上某件具体任务怎么算做对了那不管换多贵的模型你都会停在第二层看笨机器人。先改判据再谈模型。你最想在公司里自动化的一件事是什么它有没有可自动验证的判据欢迎在评论区说说具体场景——如果你写了判据、想讨论能不能交给 Agent欢迎把判据贴出来我逐条帮你看它是否可验证。参考来源Andrej Karpathy X 帖2026-04-09 及 2026-10-12 重发、DeepSeek API 公告仅用于对照说明口径问题。本文数据核对时间为 2026-10-14。本文根据「晓辉博士」视频号《同样是AI为什么大家感受差这么多》主题整理并扩展原视频引用的 Karpathy 观点已按上述四条逐一核实与纠正。