AI 研究者 Andrej Karpathy 指出，社會大眾對大型語言模型（LLM）能力的認知差距正在擴大，並將其描述為一個陡峭的漏斗結構，而非單純的兩群人在互相誤解。他根據接觸程度與使用深度，將人群分為四個層級：
1. **約 60 億人（佔人口約 75%）**：幾乎未接觸過 LLM。 2. **約 10-20 億人（佔人口約 20%）**：偶爾使用免費版 ChatGPT 等產品的輕度用戶。他們視 LLM 為類似改進版 Google 搜尋或寫作輔助工具，認為其實用性有限。許多非技術領域的專業人士（如高管）雖理解技術原理，但因工作性質多為與人溝通，對 LLM 的體驗仍屬間接且抽象。 3. **約 2000 萬人（佔人口約 0.2%）**：在數學與程式碼領域專業使用前沿級 LLM 的用戶。他們親眼見證過去需數週或數月完成的大型複雜專案，現在僅透過提示詞（prompt）即可由代理（Agent）完成，例如開發、複製、翻譯應用程式或從二進位檔反編譯。Karpathy 強調這種變化發生極快，一年前他仍需手動逐字輸入程式碼。 4. **約 5,000 人（佔人口約 0.00006%）**：內部存取前沿級系統的人員。他們看到外部世界僅見預覽的景象：數千個代理協作數週處理軟體巨型專案，以機器速度執行網路攻防、發現新科學及推進數學前沿。這些過去需業界頂尖專家數年工作量的任務，現在人類審查與理解能力已開始落後。例如，人們仍在處理數月前 OpenAI-HF 事件的「考古」工作，數學家可能需長時間審閱前沿數學的 722 份手稿。
Karpathy 分析此漏斗由三個因素驅動： 1. **影響隨野心、問題規模與時間跨度擴展**：簡單問題無法展現系統極限，需有大型、困難且受重視的問題庫。這決定了消費者與專業用戶的差異。 2. **系統能力的參差性（Jaggedness）**：LLM 能力在數位化、可驗證且具經濟價值的領域（如數學與程式碼）達到高峰，因為其能力源自於在由營收潛力驅動的精選環境混合中，針對可驗證獎勵進行強化學習。這決定了應用領域的差異。 3. **存取權限**：免費版、付費版與內部存取。
Karpathy 總結這種「當下的怪異現象」：公眾大多未互動或僅見笨拙的聊天機器人，多數專業人士僅見溫和的提升，而極少數專業人士則經歷能力曲線垂直上升的眩暈感，且這些現象同時發生。
事件背景
原文未提供關於前沿級 LLM 技術定義或代理運作原理的獨立背景說明，僅透過 Karpathy 的敘述提及 LLM 能力源自於在精選環境中針對可驗證獎勵進行強化學習，且能力在數位化、可驗證領域表現突出。
社群觀察
社群討論呈現分歧： - 用戶 [athrowaway3z] 認同專業層級間的脫節，但質疑是否存在一個比頂級用戶更領先的 5,000 人內部精英階層。他認為內部模型僅是更積極且規模更大（如啟動 10,000 個代理對比 10 個），但產生有價值結果仍需技巧，且代理成功率從 90% 提升至 93% 的差異不足以構成巨大階級。 - 用戶 [elar_verole] 表示認同，並指出非技術傾向的辦公室工作者仍堅信其工作因過於複雜而無法自動化，即使其工作僅涉及簡單的 Excel 資料輸入。他們一年前嘗試過 ChatGPT 後便未再關注，未意識到即將到來的變化。 - 用戶 [usernomdeguerre] 認為若差距如此巨大，應有具體實證而非僅指向「垂直專業人士」。他提出另一種解讀：LLM 目前僅能勝任可由機器驗證或無需驗證的工作子集，因此差距沿著此軸線產生，而多數人類工作不屬於此類。 - 用戶 [moezd] 以黑曜石（Obsidian）故事作比喻：初期人們將黑曜石視為市場上閃亮的裝飾品（類似普通 ChatGPT 用戶），後來發現其可作為工具尖端提升效率（類似專業應用），但也有人警告其危險性。
