Andrej Karpathy beskriver en växande klyfta i hur människor uppfattar AI:s förmågor. I ett inlägg den 11 oktober kallade han den en ”vass tratt”: många har knappt provat stora språkmodeller, medan en betydligt mindre grupp använder mer avancerade modeller och ett fåtal personer har intern tillgång till ännu mer kapabla agentsystem. Siffrorna är Karpathys egen grova överslagsräkning – inte resultat från en uppmätt användarundersökning.
8
16
Fyra nivåer av AI-erfarenhet
Tratten delar in människor efter hur de kommer i kontakt med AI och vilka system de kan använda. Den är inte en verifierad mätning av vad varje person eller AI-modell klarar av.
8
16
- Omkring 6 miljarder människor, eller ungefär 75 procent av världens befolkning: har knappt kommit i kontakt med stora språkmodeller, ofta förkortade LLM:er.
2
16
- Cirka 1–2 miljarder sporadiska användare: använder gratis chattbotar då och då, ofta som ett sök- eller skrivhjälpmedel.
4
16
- Omkring 20 miljoner yrkesanvändare: arbetar med avancerade modeller, särskilt inom matematik och mjukvara.
6
8
- Cirka 5 000 insiders: har intern tillgång till system i AI-utvecklingens absoluta framkant.
6
20
Skillnaden handlar bland annat om vad man ber verktyget att göra. Att ställa en fråga till en chattbot är inte samma sak som att låta AI-agenter arbeta med ett större projekt i flera steg. Karpathys poäng är att den som mest möter vanliga chattbotar kan få en helt annan bild av AI än den som använder mer avancerade system för omfattande arbetsuppgifter.
3
16
Därför kan bilden av AI skilja sig åt
Uppgiftens storlek spelar roll. En kort fråga eller en begäran om skrivhjälp prövar inte samma förmågor som ett långvarigt projekt. I rapporteringen om Karpathys resonemang lyfts uppgiftens omfattning och ambitionsnivå fram som en del av förklaringen till att människors erfarenheter skiljer sig åt.
3
17
Området spelar roll. Förmågorna kan märkas tydligare inom programmering och matematik, där resultat ofta går att kontrollera, än på områden där det inte finns lika tydliga facit. Det betyder inte att utvecklingen går lika snabbt inom alla typer av arbete.
17
Tillgången spelar roll. Karpathys nivåer skiljer mellan sporadisk användning av gratis chattbotar, yrkesmässig användning av avancerade modeller och intern tillgång till system i AI-labb. Vilken bild en person får av AI beror alltså delvis på vilka verktyg hen kan använda – och hur de används.
6
16
Karpathy har också varnat för att människors förmåga att granska och förstå resultat kan halka efter när agenternas arbete blir mer omfattande. Det är en oro för mänsklig överblick, inte ett belägg för att agenternas resultat automatiskt är korrekta.
7
Vad siffrorna visar – och inte visar
Tratten kan hjälpa till att beskriva varför olika människor möter olika sorters AI. Men befolkningssiffrorna ska inte läsas som oberoende verifierade antal. Karpathy kallar dem själv en grov överslagsräkning, och inlägget bygger inte på en redovisad undersökning av AI-användningen.
8
16
Resonemanget visar också varför det kan ge en ofullständig bild att bedöma AI enbart utifrån sporadisk användning av en chattbot. Samtidigt visar uppskattningen inte hur väl mer avancerade verktyg fungerar på olika uppgifter, eller om resultaten går att lita på utan noggrann granskning.
7
16
En separat fråga: vad kostar AI-agenter?
En prognos från Morgan Stanley, som citerats i rapportering om AI-agenter, uppskattar att agentbaserade arbetsflöden kan öka den möjliga marknaden för processorer och minne i datacenter med 32,5–60 miljarder dollar till 2030. Det är en prognos om efterfrågan på infrastruktur – inte ett bevis för att varje användning av AI-agenter blir kostnadseffektiv eller lönsam.
31
Det rör sig om två olika frågor: Karpathys tratt handlar om vilka grupper som möter olika nivåer av AI-förmåga, medan Morgan Stanleys prognos gäller möjlig efterfrågan på datacenterinfrastruktur. Den ena uppskattningen bekräftar inte den andra.