Karpathy冷警告：全球只有5000人见过AI真本事，其他人都在认知盲区

出品｜搜狐科技

作者｜郑松毅

在AI行业集体陷入 “智能体元年” 的喧嚣里，Andrej Karpathy（业内常被称作 “卡神”）近日抛出了一组极具撕裂感的判断。

Karpathy在一篇长推文中直言，全球真正见识过前沿AI完整能力的人，大约只有5000人。绝大多数普通人，甚至不少行业从业者，都处在 “认知折叠” 之中。大家看到的AI，其实完全不是一个东西。

一边是大众眼中频繁幻觉、回答笨拙的聊天机器人，另一边是实验室内部智能体集群协作、推演科研的前沿系统，两条认知线互不相交，认知鸿沟正在持续拉大。

“卡神”的称号并非源于狂热的个人崇拜，而是行业对他做出成果贡献的认可。作为 OpenAI 最初11位创始成员之一，他深度参与早期生成模型与大模型底层探索；转赴特斯拉出任 AI 总监五年间，一手主导Autopilot纯视觉方案落地。

在AI概念狂欢期持续输出冷静判断，是大众对其最深的记忆点。

外界看到的AI产品，

本质上只是前沿能力的“预告片”

Karpathy用一个四层认知漏斗描述这种认知折叠状态。

底层约60亿人（约占总人口的75%），几乎从未接触过大模型，对 AI 的认知停留在新闻片段。

往上10至20亿人（约占总人口的20%），是免费版大模型的零散用户，日常用来写文案、搜资料，会因为AI答错简单问题，认定AI能力有限。

再往上约2000万技术从业者，能够用前沿模型完成编程、科研辅助等复杂任务，却又容易陷入“智能体眩晕”，被各类Demo演示推着相信AI已经临近通用能力。

而漏斗最顶端，仅约5000人，拥有权限直接触达实验室内部最强版本系统，亲眼看见智能体集群在数周时间内自主推进大型软件工程、开展网络攻防，甚至尝试攻克前沿数学问题。

Karpathy表示，外界看到的所有产品，本质上都只是这套前沿能力的 “预告片”。

换句话说，普通人容易低估AI上限，中间层技术圈容易高估AI成熟度，只有极少数人能同时看见潜力和硬伤。

这也解释了，为什么即便是一群业内人坐到一起，也不奇怪出现相互辩论，难于达成共识的情况。

行业不该鼓吹“智能体元年”概念

认知折叠带来的最大误区之一，就是对智能体（Agent）的误判。

近一年来，创投圈、从业者普遍乐观，把各类可执行简单任务的智能体Demo当成质变信号，高喊智能体时代到来。

身为现实主义派的Karpathy，曾在一档对话栏目中直言：行业不该鼓吹 “智能体元年”概念，更准确的表述是距离能够大规模进入职场、稳定交付专业工作，整体仍需十年时间持续打磨。

这份十年预判，并非出于悲观唱衰，而是源于他对智能体底层技术短板的拆解。

在他看来，当前智能体存在几个绕不开的根本性挑战，并非靠模型参数堆叠、提示词优化就能短期解决。

最无法逃避的问题是持续记忆与终身学习能力缺失。Karpathy指出，今天的智能体本质上是一次性推理系统，每一轮任务都会重置上下文，无法像人类一样，在长期工作中沉淀经验、内化知识。

模型不能自主把任务过程里学到的经验固化到自身权重，只能依靠外部向量临时检索记忆。一旦任务周期拉长，就容易遗忘关键细节，出错概率越高。

“人类学习是积累式的，而当前智能体的学习始终是碎片化的。”是Karpathy给出的核心定论。

Karpathy还提到，智能体面临和自动驾驶同类型的挑战：现有能力是 “锯齿状智能”，在部分测试样例上表现惊艳，但面对现实里非标准化、存在异常的输入（如图像、图表等），立刻会出现理解偏差。想要覆盖亿万种边缘场景，仍需要漫长的验证周期。

此外，Karpathy认为当前智能体在规划与拆解复杂目标能力上存在短板：成熟智能体应当自主拆解目标、制定分步计划，如在执行中发现偏差应及时动态回滚调整。但如今的智能体大多依赖硬编码的流程框架，一旦任务偏离预设路径，规划链就容易断裂。

同时，Karpathy对行业主流的强化学习试错路线提出反思。他认为依靠 “结果奖励信号” 驱动智能体学习的模式存在天然局限：只能拿到最终成败反馈，很难回溯中间每一步动作好坏，学习效率低下。

“人类学习可以理解过程、提炼抽象规律，而当前试错范式很难复刻这种认知模式，这条技术路线本身还有底层范式级别的难题需要突破。”Karpathy表示。

但现实难题并不代表否定飞速进展。Karpathy并不否认，从去年12月开始，智能体工作流已经出现显著拐点，代码类智能体已经可以接管大量基础编码工作，催生了“代理工程”（agentic engineering）新范式。

但他始终坚持认为，Agentic时代人可以外包思考，却无法外包理解。人类依然是整个系统的决策者与校验者，负责对审美和底层逻辑的深度理解，AI负责执行。

在Karpathy看来，我们正处在智能体长征的起点，而不是终点。认知折叠的存在，意味着关于AI的公共讨论，需要更多区分实验室内部能力、公开产品能力、Demo演示能力三层边界，不要让技术发展因狂热而失真。

在现实主义的逻辑中，承认当前智能体可用价值的同时，重要的是清醒看见横在面前的工程挑战。

运营编辑 | 孟莎莎