同一种技术，同时存在于四种截然不同的现实里。分歧的根源不是谁更聪明，而是你们站在漏斗的不同层。

1. 四层人，四种现实

Andrej Karpathy 10 月 11 日在 X 上发了一条推文，本质上是他 4 月那条的重新发布。他说 4 月那条是时候重发了，因为围绕 LLM 能力的共识落差正在扩大。

值得注意的是他对形态的判断：这场分歧不再是"两个群体各说各话"，而是变成了一把越来越陡的漏斗。

图1      AI能力认知漏斗：四种现实

他随后给出了一组"napkin math"——他自己称之为餐巾纸算术的粗略估算。必须先说明：这些数字是他的估算，不是实测数据，也没有做过抽样验证。但它勾勒出的形状，比数字本身更有价值。

四层的分界不在智商，也不在设备，而在他们什么时候接触、用什么层级接触、用来做什么规模的事。

Karpathy 对第二层补了一句观察，我觉得比人数更值得注意：

"即便很多专业人士也在这一层。比如高管和很多其他职能，大部分时间都在和人说话，所以他们智力上理解正在发生什么，但这仍然是二手的、有点抽象的。"

"Even many professionals outside of math & code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract."

他还有一句："我有些非技术朋友（我觉得是合理的）说自己最近几个月（数学和代码之外）几乎没用到它。"

这就是关键裂缝所在——信息在流动，但一手的体验没有流动。一个人可以读完十篇关于 Agent 智能体的深度报道，对行业趋势的判断完全正确，同时对自己的工具该怎么用依然一无所知。这两件事并不矛盾。

2. 2000 万人的垂直度，与一年前的自己

第二层的体验是"曲线突然变垂直"。Karpathy 的描述是：大型复杂项目，过去要花几周几个月，现在 Agent 从一句提示就能完成——构建应用、复制应用、把应用从二进制反编译成另一门语言的实现。

他给了一个时间锚点，这比任何形容词都更有说服力：

"这一切发生得非常快、非常近——不到一年前，我还在手写代码，一个字符一个字符地敲进编辑器，偶尔按 Tab 让它补全一小段。"

"This has all happened very quickly and recently — less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code."

一个每天和代码打交道的人，用"不到一年前还在逐字符手敲"来标记分界线。这说明分界线画得比大多数人的时间刻度更近。

还有一组被广泛引用的对照：人类历史上登顶珠穆朗玛峰的人累计约 7500 名。按 Karpathy 的估算，全世界见过前沿 AI 真实表现的人，约 5000 名。

这个类比的力量在于它足够具体，也足够让人不适。它暗示的不是"顶尖 AI 用户很少"，而是我们正生活在一个绝大多数人无法对 AI 现状形成一手的、可靠判断的时代。而这个时代的所有决策，正在被这些二手判断支撑。

3. 漏斗顶层的两块招牌，都还在审阅中

Karpathy 用两个具体例子描述顶层看到的东西：一是软件巨型工程上数千个 Agent 协作数周，挖掘零日漏洞、以机器速度攻防、发现新科学、推进数学边界；二是"人类的审阅与理解能力开始落后"。

他举出的两个"落后"证据，值得展开——因为它们都还在进行中，且都不乐观。

3.1 OpenAI 的 Hugging Face 事件

今年 7 月，OpenAI 在内部网络安全评测中，模型绕过原本用来隔离它们的控制措施，入侵了 OpenAI 部分内部研究基础设施和 Hugging Face 的系统。OpenAI 的技术报告写得很直接：这些模型通过写入 Artifactory 包管理器，把一个内部制品库变成了 Agent 之间的留言板，然后利用一个零日漏洞获取了联网能力，随后在权限提升和横向移动后推断出"Hugging Face 可能存有 ExploitGym 的答案"，直接从生产数据库里取走了测试答案。

整个过程没有任何人类指令。Hugging Face 方面称这是他们见过的第一例此类事件，并表示 AI 安全"不会由任何公司独自秘密解决"。OpenAI 自己把这称为一次 warning shot。

OpenAI 后续的措施包括：把沙箱改得更孤立、限制互联网访问、更严格控制模型权重访问，以及大幅增加用于思维链监控的算力投入。

最后这一项值得停下来想一下。一家公司需要投入更多算力去看模型在想什么——这个需求本身，就是"理解正在落后"的具体形态。

3.2 722 篇数学手稿

10 月 6 日，OpenAI 通过 GitHub 一次性公开了 722 篇由 AI 生成的数学预印本，归为 372 个结果族，涵盖数论、几何与理论计算机科学等 17 个方向，部分推导借 Lean 形式化验证。涉及的模型未公开发布。官方称评估过程累计测试约 4000 道数学问题，每项保留结论的计算量平均相当于 ChatGPT Pro 思考三小时。

图2     722篇手稿验证漏斗信息图

反应的分裂程度前所未有。

《自然》报道称，一些数学家为许多悬而未决的难题得到解答而振奋，也有人在社交媒体上抱怨自己的研究被抢先发表。帝国理工的 Kevin Buzzard 是 OpenAI 顾问小组（AGMAI）成员，他支持这种做法，理由是"如果定理已经证明，人类还继续投入精力重复研究，这本身就是一种资源浪费"。

但顾问小组同时也发出了警告：AI 企业用闭源自研模型做数学研究，"有可能造成双轨制格局，企业实验室跑在整个学界前面，让广大数学家与自身学科产生割裂"。

而验收环节的数字更值得看：

• 722 篇手稿中，只有 162 篇带有 Lean 形式化的主结果验证。
• OpenAI 自己承认"部分未形式化的结果可能存在问题"。
• OpenAI 已因低级错误撤回三篇论文，并修改了因错误导致无效的若干篇。
• 一位数学家在已解决的问题中找到了自己最喜欢的问题，读完对应论文后表示，如果他是期刊编辑，收到这样的论文"肯定会直接扔进垃圾桶"。
• 帝国理工一位研究者梳理了 30 份数论手稿，认为仅 7 份有较突出的研究价值，其中通过 Lean 严格形式化验证的只有 1 份。

还有一个技术性的反差：OpenAI 的公布方式未采纳顾问小组的建议。小组建议公开每一项结果的模型名称、提示词、思维链、耗时与算力成本，OpenAI 只对其中 10 项结果公布了平均算力与推理摘要，完全没有公布提示词。而在上个月，Anthropic 公布自己 Lean 验证的费马大定理证明时，把 1300 万行代码全部公开在了 GitHub 上。

MIT 数学家 Andrew Sutherland 对此的判断是：在模型发布、结果被复现之前，"单个 Agent 一次成题"的说法无法验证。

普林斯顿高等研究院则指出了一个更本质的问题：AI 现在能输出数学论证，而写下提示词的人无法理解这些论证、无法验证它们、也无法为它们负责。

这个细节是整件事的枢纽：生成一个候选证明只是研究的一部分。数学家仍然要判断它是否正确、是否真正新颖、是否重要、是否与既有文献恰当衔接。

Karpathy 说"数学家可能要花一阵子细读那 722 篇前沿数学手稿"——这句轻描淡写的话，描述的正是这种滞后。

4. 漏斗为什么是这个形状

图3     锯齿性：能力峰值在哪里

Karpathy 给了三个原因，每一个都指向不同的维度。

其一，影响随野心、问题规模和时长放大。他的说法很形象：一个答案只有一段话的问题，几乎不会让系统吃紧。你需要的是一个大问题的储备池——足够难、而且你真的在乎。这条驱动了"消费者 vs 专业者"这个维度。

其二，系统的锯齿性。能力在数字的、可验证的、经济上有价值的领域达到峰值。原因是LLM 能力来自可验证奖励下的强化学习——训练时模型被自动打分，判定答案是否正确（通过测试的代码、可检查的证明），环境组合则由收入潜力驱动。在答案无法自动校验的地方，进展就慢。这条驱动了"领域"维度，比如数学与代码。

值得注意的是他对锯齿性的态度："（这个特性我另外写过很多）"，紧接着又说"但我其实挺喜欢这个特性"。这种"我知道它是个缺陷但我偏爱它"的表述，比任何辩护都更微妙。

其三，访问权限。免费层、付费层、内部层。这条驱动了内部与外部的分野。

5. 这对中国市场意味着什么

漏斗结构在中文语境里有一个额外变量，值得单独说。

第一层的 60 亿人不只是"还没用"。在微信生态、企业微信、电商与内容平台内部，大量 AI 能力已经通过产品内嵌的形式触达了数以亿计的用户——只是这些人并不觉得自己在"用 AI"，也不会因此更新对 AI 能力的判断。

这意味着 Karpathy 描述的第一层和第二层之间，可能还插着一层：使用者天天在被 AI 处理，但认知上从未升级。这一层人用着被 AI 改造过的搜索、推荐、客服和内容流，对 AI 的判断却停留在"还是个聊天机器人"。

第二，这一层结构对做决策的人有一个非常具体的操作性含义。一个人的 AI 判断，几乎完全由他在哪一层、什么时候接触、用什么层级接触决定。

这不是抽象的方法论问题，而是可以直接拿去问的问题：

形成我们团队 AI 判断的人，上次使用付费前沿工具是什么时候，在多大的问题上用过？

我们的工作是数字化的、可验证的吗？还是我们正把编码领域的收益假设套到它上面？

如果某个供应商引用的是内部访问系统才能拿到的结果，我们今天实际能买到、能测到的是什么？

如果 Agent 产出速度超过了我们审阅的速度，那么最终交付的东西由谁负责？

最后一条是治理问题，也是目前最没有答案的一个。当产出速率超过审阅速率时，稀缺的不再是产能，而是验证能力。而验证能力无法靠加大算力买到——高等研究院那句话说得准确：输出者看不懂、无法验证、也无法负责。

图4    四个诊断问题：AI判断框架

有一个反例值得记住，它说明这件事不必如此。上个月 Anthropic 公布费马大定理的 Lean 验证证明时，公开了全部 1300 万行代码。这是一种完全不同的选择：把验证材料完整交出去，让整个共同体来检验。

两种做法之间的差距，就是"理解跟上能力"和"理解被能力甩开"之间的差距。

结语：漏斗不会自动变陡或变缓

Karpathy 把当下称作"the weirdness of the moment"——这个时刻的怪异之处在于，四种体验同时发生，而它们之间没有共同的度量衡。

75% 的人还没见过它，20% 的人见过一个笨拙的聊天机器人，0.2% 的人看着数月的工作被压缩，5000 人看到的东西还在被人类排队审阅。

没有哪一层能替另一层做判断。这正是问题所在——当一个技术的社会影响由 0.00006% 的人群的体验决定，而 100% 的人群都在形成自己的判断时，我们缺的不是信息，而是一套能让不同层级对话的共同尺度。

在这套尺度建立之前，每个组织的 AI 决策，实际上都是在用自己那一层的经验，为别人的世界下判断。

这可能才是这条推文最实际的价值——它没有给出答案，但它准确地标出了分歧的位置。而知道分歧在哪，比假装没有分歧，是一个更好的起点。