Andrej Karpathy在10月11日發文，形容人們對大型語言模型（LLM）能力的共同認知，正由「兩班人各說各話」變成一個愈收愈窄的「漏斗」：大部分人很少接觸LLM，少數專業人士使用前沿模型，而能接觸實驗室內部系統的人更少。要留意，以下數字只是他的粗略「餐巾紙計算」，並非根據採用率調查得出的統計結果。816

Karpathy估算的四層使用者

這個漏斗按人們接觸AI的程度，以及可使用的系統來分類；它不是對每個人或每款模型能力的實測。816

• 約60億人，約佔全球人口75%： 幾乎未接觸過LLM。216
• 約10億至20億名偶爾使用者： 間中使用免費聊天機械人，多數當作搜尋或寫作工具。416
• 約2,000萬名專業人士： 使用前沿模型，尤其集中在數學和軟件工作。68
• 約5,000名內部人士： 可在實驗室內部使用前沿級系統。620

問一句問題，與交託一個專案，差很遠

用聊天機械人查資料或潤飾文字，跟叫AI代理處理規模更大、步驟更多的工作，所呈現的能力並不相同。Karpathy要說的，是兩種使用經驗可能令大家對AI有截然不同的印象：只見過一般聊天機械人的人，未必會想到有人正用更強的系統處理大型工作。316

任務規模會影響觀感。 簡單問題或短篇寫作，跟長時間、多步驟的專案要求不同。報道對Karpathy論點的整理亦指出，任務有多大、目標有多進取，會影響使用者看到的能力差距。317

工作範疇也有分別。 相關報道特別提到編程和數學等工作，因為成果較容易核對；這不代表AI在所有行業或工作上都以同一速度進步。17

能用甚麼工具同樣重要。 漏斗分別涵蓋免費聊天機械人的偶爾使用者、使用前沿模型的專業人士，以及可接觸實驗室系統的內部人士。換言之，個人對AI的印象，也會受可用工具和使用方式影響。616

Karpathy亦警告，隨着代理處理的工作愈來愈多，人類的審閱和理解能力可能開始跟不上。這是對人能否檢查、理解AI產出的憂慮，並不代表代理交出的成果必然正確。7

這組數字可以說明甚麼？

這個漏斗有助描述不同人可能如何接觸AI，但不能當成已經獨立核實的人口統計。Karpathy自己稱數字是粗略估算，帖文亦沒有附上底層採用率研究。816

它亦提醒我們，只用日常聊天機械人來判斷AI，未必足以反映較進階、以專案為本的工具能做甚麼。不過，這些估算本身不能證明相關工具在各類工作上的表現有多好，也不能證明輸出毋須仔細覆核。716

代理需求與基建市場，是另一個問題

報道引述摩根士丹利一項預測，估計AI代理工作負載到2030年或為數據中心CPU及記憶體市場帶來325億至600億美元的額外市場機會。這是基建市場的預測，不代表每個代理部署都符合成本效益或能夠賺錢。31

兩個討論回答的是不同問題：Karpathy的漏斗談誰能接觸到哪些AI能力；摩根士丹利的預測則談潛在基建需求。兩者不能互相驗證。

Andrej Karpathy在10月11日發文，形容人們對大型語言模型（LLM）能力的共同認知，正由「兩班人各說各話」變成一個愈收愈窄的「漏斗」：大部分人很少接觸LLM，少數專業人士使用前沿模型，而能接觸實驗室內部系統的人更少。要留意，以下數字只是他的粗略「餐巾紙計算」，並非根據採用率調查得出的統計結果。816

Karpathy估算的四層使用者

這個漏斗按人們接觸AI的程度，以及可使用的系統來分類；它不是對每個人或每款模型能力的實測。816

• 約60億人，約佔全球人口75%： 幾乎未接觸過LLM。216
• 約10億至20億名偶爾使用者： 間中使用免費聊天機械人，多數當作搜尋或寫作工具。416
• 約2,000萬名專業人士： 使用前沿模型，尤其集中在數學和軟件工作。68
• 約5,000名內部人士： 可在實驗室內部使用前沿級系統。620

問一句問題，與交託一個專案，差很遠

用聊天機械人查資料或潤飾文字，跟叫AI代理處理規模更大、步驟更多的工作，所呈現的能力並不相同。Karpathy要說的，是兩種使用經驗可能令大家對AI有截然不同的印象：只見過一般聊天機械人的人，未必會想到有人正用更強的系統處理大型工作。316

任務規模會影響觀感。 簡單問題或短篇寫作，跟長時間、多步驟的專案要求不同。報道對Karpathy論點的整理亦指出，任務有多大、目標有多進取，會影響使用者看到的能力差距。317

工作範疇也有分別。 相關報道特別提到編程和數學等工作，因為成果較容易核對；這不代表AI在所有行業或工作上都以同一速度進步。17

能用甚麼工具同樣重要。 漏斗分別涵蓋免費聊天機械人的偶爾使用者、使用前沿模型的專業人士，以及可接觸實驗室系統的內部人士。換言之，個人對AI的印象，也會受可用工具和使用方式影響。616

Karpathy亦警告，隨着代理處理的工作愈來愈多，人類的審閱和理解能力可能開始跟不上。這是對人能否檢查、理解AI產出的憂慮，並不代表代理交出的成果必然正確。7

這組數字可以說明甚麼？

這個漏斗有助描述不同人可能如何接觸AI，但不能當成已經獨立核實的人口統計。Karpathy自己稱數字是粗略估算，帖文亦沒有附上底層採用率研究。816

它亦提醒我們，只用日常聊天機械人來判斷AI，未必足以反映較進階、以專案為本的工具能做甚麼。不過，這些估算本身不能證明相關工具在各類工作上的表現有多好，也不能證明輸出毋須仔細覆核。716

代理需求與基建市場，是另一個問題

報道引述摩根士丹利一項預測，估計AI代理工作負載到2030年或為數據中心CPU及記憶體市場帶來325億至600億美元的額外市場機會。這是基建市場的預測，不代表每個代理部署都符合成本效益或能夠賺錢。31

兩個討論回答的是不同問題：Karpathy的漏斗談誰能接觸到哪些AI能力；摩根士丹利的預測則談潛在基建需求。兩者不能互相驗證。