คำตอบเผยแพร่แล้ว20 แหล่งที่มา
ทำไมคนส่วนใหญ่กับคนวงในถึงมองความสามารถ AI ไม่เหมือนกัน
Karpathy ประเมินคร่าว ๆ ว่าคนราว 6 พันล้านคนแทบไม่เคยใช้ LLM ขณะที่มีผู้เข้าถึงระบบ AI แนวหน้าภายในแล็บราว 5,000 คน ประเด็นสำคัญคือประสบการณ์ต่างกันมาก ระหว่างใช้แชตบอตช่วยค้นหาหรือเขียน กับมอบหมายงานหลายขั้นตอนให้ AI agent ทำโครงการขนาดใหญ่
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Karpathy ประเมินคร่าว ๆ ว่าคนราว 6 พันล้านคนแทบไม่เคยใช้ LLM ขณะที่มีผู้เข้าถึงระบบ AI แนวหน้าภายในแล็บราว 5,000 คน
- ประเด็นสำคัญคือประสบการณ์ต่างกันมาก ระหว่างใช้แชตบอตช่วยค้นหาหรือเขียน กับมอบหมายงานหลายขั้นตอนให้ AI agent ทำโครงการขนาดใหญ่
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What did OpenAI co-founder and former Tesla AI head Andrej Karpathy argue in his October 11 X post about the widening gap between everyday A. Article summary: Karpathy’s October 11 argument was that people increasingly experience different levels of AI capability: most encounter little more than a chatbot, while a tiny technical minority uses agents for substantial projects an. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Andrej Karpathy โพสต์เมื่อวันที่ 11 ตุลาคมว่า ความเข้าใจของผู้คนเกี่ยวกับความสามารถของ AI กำลังแยกเป็น “กรวยแหลม” มากกว่าจะเป็นคนสองกลุ่มที่ถกเถียงกันคนละเรื่อง คนส่วนใหญ่แทบไม่มีประสบการณ์กับโมเดลภาษาขนาดใหญ่ (LLM) ขณะที่ผู้เชี่ยวชาญกลุ่มเล็กใช้โมเดลแนวหน้ากับงานจริง และคนวงในในแล็บบางส่วนได้เห็นระบบเอเจนต์ที่ก้าวไปไกลกว่านั้น ตัวเลขเหล่านี้เป็นเพียงการคำนวณคร่าว ๆ แบบ “napkin math” ของ Karpathy ไม่ใช่ผลจากการสำรวจการใช้งานที่ผ่านการตรวจสอบ 8
16
กรวย AI 4 ระดับตามการประเมินของ Karpathy
การแบ่งระดับนี้สะท้อนว่าผู้คนได้สัมผัส AI แบบใดและเข้าถึงระบบระดับไหน ไม่ใช่การวัดความสามารถที่ยืนยันแล้วของคนหรือโมเดลแต่ละกลุ่ม 8
16
- ราว 6 พันล้านคน หรือประมาณ 75% ของประชากรโลก: แทบไม่เคยใช้ LLM
2
16
- ผู้ใช้ทั่วไปประมาณ 1–2 พันล้านคน: ใช้แชตบอตฟรีเป็นครั้งคราว มักใช้ช่วยค้นหาข้อมูลหรือเขียนข้อความ
4
- ผู้เชี่ยวชาญราว 20 ล้านคน: ใช้โมเดลแนวหน้า โดยเฉพาะในงานคณิตศาสตร์และซอฟต์แวร์
6
8
- คนวงในราว 5,000 คน: เข้าถึงระบบระดับแนวหน้าภายในแล็บ
20
ความต่างไม่ได้อยู่แค่การมีหรือไม่มี AI แต่รวมถึงวิธีใช้ด้วย การถามแชตบอตสั้น ๆ กับการใช้เอเจนต์ทำโครงการหลายขั้นตอนเป็นประสบการณ์คนละแบบ Karpathy ชี้ว่าคนที่คุ้นกับการใช้แชตบอตทั่วไปอาจมีภาพความสามารถของ AI ต่างจากผู้ที่ใช้ระบบที่เก่งกว่าเพื่อทำงานชิ้นใหญ่ 3
16
เหตุใดประสบการณ์เกี่ยวกับ AI จึงต่างกันมาก
ขนาดและความซับซ้อนของงานมีผล คำถามสั้น ๆ หรือคำขอให้ช่วยเขียนข้อความ ไม่ได้ทดสอบความสามารถแบบเดียวกับโครงการระยะยาว รายงานที่อธิบายแนวคิดของ Karpathy ชี้ว่า ขนาดและความทะเยอทะยานของงานเป็นส่วนหนึ่งที่ทำให้ผู้ใช้เห็นผลลัพธ์ต่างกัน 3
17
สาขางานก็สำคัญ คำอธิบายที่รายงานอ้างถึงเน้นงานอย่างการเขียนโปรแกรมและคณิตศาสตร์ ซึ่งสามารถตรวจสอบผลลัพธ์ได้ค่อนข้างชัด ไม่ได้หมายความว่า AI จะก้าวหน้าเท่ากันในทุกอาชีพหรือทุกประเภทงาน 17
สิทธิ์เข้าถึงเครื่องมือไม่เท่ากัน กรวยของ Karpathy แยกผู้ใช้แชตบอตฟรีเป็นครั้งคราว ผู้เชี่ยวชาญที่ใช้โมเดลแนวหน้า และคนที่เข้าถึงระบบภายในแล็บ ประสบการณ์ของแต่ละคนจึงขึ้นอยู่กับทั้งเครื่องมือที่ใช้ได้และวิธีนำไปใช้ 6
16
Karpathy ยังเตือนว่าการตรวจทานและความเข้าใจของมนุษย์อาจตามไม่ทัน เมื่อเอเจนต์ทำงานที่ใหญ่และซับซ้อนขึ้น นี่คือข้อกังวลเรื่องความสามารถของคนในการตรวจสอบและทำความเข้าใจผลงาน ไม่ใช่หลักฐานว่างานที่เอเจนต์สร้างขึ้นถูกต้องโดยอัตโนมัติ 7
ตัวเลขนี้บอกอะไรได้ และบอกอะไรไม่ได้
กรวยนี้ช่วยอธิบายว่าผู้คนอาจพบเจอ AI ในระดับที่ต่างกันอย่างไร แต่ตัวเลขประชากรไม่ควรถูกมองเป็นจำนวนที่มีการยืนยันจากแหล่งข้อมูลอิสระ Karpathy ระบุเองว่าเป็นเพียงการประเมินคร่าว ๆ และโพสต์ไม่ได้อ้างถึงการศึกษาการใช้งานที่รองรับตัวเลขเหล่านี้ 8
16
แนวคิดนี้ยังช่วยให้เห็นว่า การตัดสิน AI จากการลองใช้แชตบอตทั่วไปเพียงอย่างเดียว อาจไม่สะท้อนความสามารถของเครื่องมือที่ออกแบบมาสำหรับงานเป็นโครงการ อย่างไรก็ตาม ตัวเลขของ Karpathy ไม่ได้พิสูจน์ว่าเครื่องมือเหล่านั้นทำงานได้ดีเพียงใดในแต่ละประเภทงาน หรือผลงานจะเชื่อถือได้โดยไม่ต้องตรวจทาน 7
16
อีกประเด็นหนึ่ง: ต้นทุนของ AI agent
การรายงานเกี่ยวกับ AI แบบเอเจนต์ยังอ้างถึงการคาดการณ์ของ Morgan Stanley ว่า ภาระงานจากเอเจนต์อาจเพิ่มโอกาสทางการตลาดของ CPU และหน่วยความจำในดาต้าเซ็นเตอร์อีก 32.5–60 พันล้านดอลลาร์สหรัฐภายในปี 2030 นี่คือประมาณการตลาดโครงสร้างพื้นฐาน ไม่ใช่หลักฐานว่าการติดตั้งเอเจนต์ทุกกรณีจะคุ้มทุนหรือทำกำไรได้ 31
สองประเด็นนี้ตอบคนละคำถาม: กรวยของ Karpathy พูดถึงว่าใครได้สัมผัส AI ในระดับใด ส่วนประมาณการของ Morgan Stanley พูดถึงความต้องการโครงสร้างพื้นฐานที่อาจเกิดขึ้น ตัวเลขหนึ่งไม่ได้ยืนยันอีกตัวเลขหนึ่ง
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "ทำไมคนส่วนใหญ่กับคนวงในถึงมองความสามารถ AI ไม่เหมือนกัน" คืออะไร
Karpathy ประเมินคร่าว ๆ ว่าคนราว 6 พันล้านคนแทบไม่เคยใช้ LLM ขณะที่มีผู้เข้าถึงระบบ AI แนวหน้าภายในแล็บราว 5,000 คน
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Karpathy ประเมินคร่าว ๆ ว่าคนราว 6 พันล้านคนแทบไม่เคยใช้ LLM ขณะที่มีผู้เข้าถึงระบบ AI แนวหน้าภายในแล็บราว 5,000 คน ประเด็นสำคัญคือประสบการณ์ต่างกันมาก ระหว่างใช้แชตบอตช่วยค้นหาหรือเขียน กับมอบหมายงานหลายขั้นตอนให้ AI agent ทำโครงการขนาดใหญ่
แหล่งที่มา