Andrej Karpathy 把人们对 AI 能力的理解差距画成了一个漏斗。这个漏斗不是均匀过渡的，而是陡峭分层：约 60 亿人从未接触过大模型；10 到 20 亿人停留在免费版写写查查，用完觉得用处不大；只有约 2000 万开发者和研究者，在重度使用顶尖模型，把研发效率推到了另一个量级。

漏斗顶端还有一小撮人，接触的是更强的内部集群。同一项技术，在不同人手里呈现出的能力完全不同，这种分化正在扩大。

差距从哪来

Karpathy 给出的解释指向三个变量。第一个是问题规模：任务本身够不够宏大，决定了模型能力有没有施展空间。第二个是可验证奖励：编程和数学的结果能自动检验，代码测试通没通过、答案对不对，机器自己就能判断，这类任务天然适合用强化学习来练——做对了就给奖励，模型迭代得飞快。

第三个是接入档次。免费版和内部模型之间存在清晰的能力梯队，用户能调用到哪一层，直接决定了他对 AI 上限的认知。

为什么只有编程和数学冒尖

编程与数学具备可自动化检验的闭环，契合强化学习的训练方式，同时这类能力卖给企业又最赚钱，厂商愿意把最多资源投进去。反过来，文章写得好不好很难判定，缺少自动化的评判标准，进步自然就慢。

这就形成了一个循环：能验证的领域拿到更多投入，能力涨得更快；难以验证的领域投入少，感知上的进步也就有限。普通用户日常接触的多是后者，于是很容易得出"AI 不过如此"的结论。

Karpathy 的判断是，人们对 AI 真实能力的理解鸿沟正在演变为极度分化的漏斗结构。绝大多数大众及非技术专业群体只接触轻度免费聊天机器人，感受有限；极少数重度专业从业者已经借助 Agent 实现了软件工程与前沿科研的几何级跃迁。

不过，作者在解读时也提出了一点保留：Karpathy 对专业层级人数的估算，可能偏高。