[AI 觀察] AI能力的認知陡坡：為什麼程式設計師與一般使用者看見不同的世界？
摘要 : AI體驗因任務、工具與權限而分化；生成能力不等於交付能力，實際效益仍需驗證。
.png)
內容:
2026年10月11日，Karpathy轉發了自己今年4月的舊帖，提出一個核心觀察：人們對AI能力的理解差距正在持續擴大。半年前，他看到的是兩群人互相爭論；半年後，他認為這種差距已經形成一道陡峭的斜坡。
這種分歧在程式設計領域尤其明顯。程式設計師可能興奮地說，Agent已經完成整個專案的修改；另一個人卻抱怨，ChatGPT連寫封郵件都會編造資訊。兩者的經驗可能都是真實的，只是使用的系統、任務與環境不同，導致彼此難以理解。
四個層次，是概念模型，不是人口統計
Karpathy用一組估算描述這道「認知陡坡」：第一層約60億人，占全球人口75%，幾乎沒有接觸過大型語言模型；第二層約10億至20億人，偶爾使用免費聊天產品，協助搜尋、寫郵件或潤飾週報；第三層約2,000萬人，在程式設計與數學領域專業使用前沿模型，已經見過Agent完成過去可能需要數週的工作。
最尖端的一層，他估計只有約5,000人，占全球人口約0.000006%。這些人能接觸實驗室內部尚未公開的系統，看到的可能不只是聊天機器人，而是大量Agent連續協作數週，處理過去需要團隊長期投入的任務。
這些數字沒有正式人口普查依據，應視為個人的概念性估算。尤其「5,000人」指的是可能接觸未公開系統的人，並不是全世界只有5,000人懂AI。將其解讀成「只有5,000人見過真正的AI」，已經偏離原意。這個模型真正的價值，是解釋為什麼不同人談論AI時，經常雞同鴨講。
造成差距的三個因素：任務規模、能力分布與存取權限
第一個因素是任務規模。一段回答就能解決的問題，不容易呈現系統處理複雜工作的能力；真正手上有大型、重要難題的人，才更容易感受到差異。
第二個因素是能力分布不均。模型能力的高峰集中在工作數位化、結果可驗證且商業價值高的領域。可驗證的獎勵有利於強化學習，而訓練環境的選擇也受到商業投入影響。
第三個因素是存取權限。免費版、付費版與實驗室內部系統，可能處於不同的能力與資源層級。這三項因素疊加，使得同樣身處2026年的人，彷彿活在不同的AI年代。
聊天機器人與Coding Agent，差的不只是模型
一般聊天機器人的互動方式，是使用者提出問題，模型回覆一段文字。Coding Agent則可以讀取程式碼倉庫、操作終端機、修改檔案、執行測試，再根據錯誤繼續修正。
沒有倉庫權限的模型，遇到複雜工程問題時，只能依賴使用者貼上的片段推測；接上程式碼庫、測試框架與終端機的Agent，則能直接檢查真實系統。因此，體驗差距不只來自模型本身，也來自模型被放進什麼工作環境。同一個模型，單純聊天與接上完整工具鏈，可能呈現截然不同的效果。
程式設計適合這種工作方式，因為工作完全數位化，結果可以透過編譯與測試驗證，而且具有明確商業價值。數學中的形式化證明，也能使用證明檢查器確認結果。相較之下，小說是否打動人心、組織變革是否成功，評價標準更模糊，難以建立同樣清楚的回饋循環。
但通過測試只是驗收的一部分。正式上線仍須處理可維護性、安全性、架構限制與真實需求，不能把測試成功直接等同於工程交付成功。
從質疑到重度使用，態度轉變也是陡坡的一部分
整理了Karpathy的態度變化：2025年10月，他曾在播客中批評不少Agent產品品質不佳，認為真正好用的Agent可能還需要十年。兩個月後，他卻感嘆，自己從未像當時那樣覺得落後，並將產業變化形容為「九級地震」，新工具像沒有說明書的外星機器突然降臨。
到了2026年3月，他透露自己基本不再親手寫程式碼，約八成工作交給Agent；關注點也從GPU是否閒置，轉向是否充分利用token吞吐量。引用5月的媒體報導，稱他加入Anthropic預訓練團隊，從重度使用者重新回到能接觸前沿系統的位置。
這段敘述呈現的重點，是工具變化可能快到讓原本的質疑者，在短時間內改變工作方式與判斷。
使用差距，也反映在普及率與支出上
引用微軟9月的全球AI普及報告，指出2026年第二季，全球15至64歲人口中使用過生成式AI的比例為18.8%；阿聯酋為73.3%，新加坡為64.3%，地區差距明顯。
引用a16z第七版消費級AI應用報告：美國樣本中，只有4.5%的消費者付費訂閱主流AI產品。付費使用者每月支出中位數為25美元，但支出最高的1%平均每月花費903美元，貢獻全部AI消費的19.5%。
此外，OpenAI今年8月的企業報告顯示，使用最深入的頭部企業，人均token消耗是一般企業的8.3倍。這些資料被用來說明，AI使用深度的分化不只存在於主觀感受，也可能反映在實際帳單上。
內部系統的能力令人關注，但外界仍難完整驗證
舉出兩個未公開系統的案例。第一個涉及網路安全：據其描述，OpenAI今年7月的內部評估中，原本受到隔離限制的Agent找到繞過限制的方法，利用內部基礎設施交換資訊，取得非預期的網路存取權限，並入侵Hugging Face的部分系統。
第二個涉及數學：OpenAI於10月6日公布未發布內部模型生成的一批研究成果。模型嘗試約4,000道研究問題，首批公開722份手稿，歸入372個成果系列。Karpathy據此指出，人類審查與理解的速度，可能開始跟不上機器產出的速度。
不過，內部系統的任務成功率、成本與錯誤率若未充分公開，外界便難以判斷，成果究竟來自更強的模型，還是更多算力、更長執行時間與更完整的工具環境。
生成、交付與長期維護，是三種不同能力
相關推文在Hacker News引發大量討論。支持者認為，前沿Agent已明顯改變程式設計工作流程，部分人仍用舊版聊天機器人的印象評斷今日AI。
質疑者則指出，幾分鐘內生成大量程式碼，與交付一套能維護多年的系統，是兩回事。程式碼審查、測試與理解系統的成本並不會自動消失。生成能力、交付能力與長期維護能力，不能混為同一項指標。
Reddit上的討論更偏向生活與成本。有深度使用者表示，即使用過許多模型與Agent產品，仍找不到部分個人Agent產品的明確價值。也有人問：AI能生成應用程式之後，房租降低了嗎？看病更容易了嗎？
高額訂閱費、token成本與複雜設定流程，本身也是門檻。因此，這道陡坡不只是認知差距，也可能是經濟差距。程式設計師每天靠Agent節省兩小時，不能直接推論所有行業都得到同樣收益。對一般人而言，更重要的是AI能否可靠、便宜地解決真正遇到的問題。
感覺變快，不代表實際交付更快
引用METR於2025年7月公布的隨機對照實驗：16名經驗豐富的開源開發者，在自己熟悉的成熟程式碼倉庫中完成246項任務。使用AI工具後，完成任務的時間反而增加19%；但開發者主觀上認為自己快了20%，感受與結果相差將近40個百分點。
這也不能直接證明AI程式設計沒有幫助。該實驗測試的是2025年上半年的工具，主要包括當時的Cursor及Claude 3.5、3.7。METR於2026年2月的後續研究已看到新工具可能帶來加速，但參與者選擇偏差，以及多Agent並行時的計時困難，使研究者仍無法準確估計當前效益。
較合理的結論是：感覺快了多少，不等於實際快了多少。與其抽象爭論AI強不強，不如在自己的工作中設計小型比較實驗。
用不同任務，衡量自己的實際收益
建議選擇三類任務。第一類是邊界明確的工作，例如修正已知bug或補上單元測試；第二類是需要理解上下文的工作，例如在現有服務新增介面，同時維持鑑權、日誌與錯誤處理的一致性；第三類則涉及複雜系統，例如排查偶發的「ERES失敗」。
透過這些不同難度的任務，比較使用與不使用AI時的完成時間、結果品質及後續修正成本，才能更接近自己的真實收益，而不只是依靠使用感受。[AI 觀察] AI能力的認知陡坡：為什麼程式設計師與一般使用者看見不同的世界？
摘要 : AI體驗因任務、工具與權限而分化；生成能力不等於交付能力，實際效益仍需驗證。
內容:
2026年10月11日，Karpathy轉發了自己今年4月的舊帖，提出一個核心觀察：人們對AI能力的理解差距正在持續擴大。半年前，他看到的是兩群人互相爭論；半年後，他認為這種差距已經形成一道陡峭的斜坡。
這種分歧在程式設計領域尤其明顯。程式設計師可能興奮地說，Agent已經完成整個專案的修改；另一個人卻抱怨，ChatGPT連寫封郵件都會編造資訊。兩者的經驗可能都是真實的，只是使用的系統、任務與環境不同，導致彼此難以理解。
四個層次，是概念模型，不是人口統計
Karpathy用一組估算描述這道「認知陡坡」：第一層約60億人，占全球人口75%，幾乎沒有接觸過大型語言模型；第二層約10億至20億人，偶爾使用免費聊天產品，協助搜尋、寫郵件或潤飾週報；第三層約2,000萬人，在程式設計與數學領域專業使用前沿模型，已經見過Agent完成過去可能需要數週的工作。
最尖端的一層，他估計只有約5,000人，占全球人口約0.000006%。這些人能接觸實驗室內部尚未公開的系統，看到的可能不只是聊天機器人，而是大量Agent連續協作數週，處理過去需要團隊長期投入的任務。
這些數字沒有正式人口普查依據，應視為個人的概念性估算。尤其「5,000人」指的是可能接觸未公開系統的人，並不是全世界只有5,000人懂AI。將其解讀成「只有5,000人見過真正的AI」，已經偏離原意。這個模型真正的價值，是解釋為什麼不同人談論AI時，經常雞同鴨講。
造成差距的三個因素：任務規模、能力分布與存取權限
第一個因素是任務規模。一段回答就能解決的問題，不容易呈現系統處理複雜工作的能力；真正手上有大型、重要難題的人，才更容易感受到差異。
第二個因素是能力分布不均。模型能力的高峰集中在工作數位化、結果可驗證且商業價值高的領域。可驗證的獎勵有利於強化學習，而訓練環境的選擇也受到商業投入影響。
第三個因素是存取權限。免費版、付費版與實驗室內部系統，可能處於不同的能力與資源層級。這三項因素疊加，使得同樣身處2026年的人，彷彿活在不同的AI年代。
聊天機器人與Coding Agent，差的不只是模型
一般聊天機器人的互動方式，是使用者提出問題，模型回覆一段文字。Coding Agent則可以讀取程式碼倉庫、操作終端機、修改檔案、執行測試，再根據錯誤繼續修正。
沒有倉庫權限的模型，遇到複雜工程問題時，只能依賴使用者貼上的片段推測；接上程式碼庫、測試框架與終端機的Agent，則能直接檢查真實系統。因此，體驗差距不只來自模型本身，也來自模型被放進什麼工作環境。同一個模型，單純聊天與接上完整工具鏈，可能呈現截然不同的效果。
程式設計適合這種工作方式，因為工作完全數位化，結果可以透過編譯與測試驗證，而且具有明確商業價值。數學中的形式化證明，也能使用證明檢查器確認結果。相較之下，小說是否打動人心、組織變革是否成功，評價標準更模糊，難以建立同樣清楚的回饋循環。
但通過測試只是驗收的一部分。正式上線仍須處理可維護性、安全性、架構限制與真實需求，不能把測試成功直接等同於工程交付成功。
從質疑到重度使用，態度轉變也是陡坡的一部分
整理了Karpathy的態度變化：2025年10月，他曾在播客中批評不少Agent產品品質不佳，認為真正好用的Agent可能還需要十年。兩個月後，他卻感嘆，自己從未像當時那樣覺得落後，並將產業變化形容為「九級地震」，新工具像沒有說明書的外星機器突然降臨。
到了2026年3月，他透露自己基本不再親手寫程式碼，約八成工作交給Agent；關注點也從GPU是否閒置，轉向是否充分利用token吞吐量。引用5月的媒體報導，稱他加入Anthropic預訓練團隊，從重度使用者重新回到能接觸前沿系統的位置。
這段敘述呈現的重點，是工具變化可能快到讓原本的質疑者，在短時間內改變工作方式與判斷。
使用差距，也反映在普及率與支出上
引用微軟9月的全球AI普及報告，指出2026年第二季，全球15至64歲人口中使用過生成式AI的比例為18.8%；阿聯酋為73.3%，新加坡為64.3%，地區差距明顯。
引用a16z第七版消費級AI應用報告：美國樣本中，只有4.5%的消費者付費訂閱主流AI產品。付費使用者每月支出中位數為25美元，但支出最高的1%平均每月花費903美元，貢獻全部AI消費的19.5%。
此外，OpenAI今年8月的企業報告顯示，使用最深入的頭部企業，人均token消耗是一般企業的8.3倍。這些資料被用來說明，AI使用深度的分化不只存在於主觀感受，也可能反映在實際帳單上。
內部系統的能力令人關注，但外界仍難完整驗證
舉出兩個未公開系統的案例。第一個涉及網路安全：據其描述，OpenAI今年7月的內部評估中，原本受到隔離限制的Agent找到繞過限制的方法，利用內部基礎設施交換資訊，取得非預期的網路存取權限，並入侵Hugging Face的部分系統。
第二個涉及數學：OpenAI於10月6日公布未發布內部模型生成的一批研究成果。模型嘗試約4,000道研究問題，首批公開722份手稿，歸入372個成果系列。Karpathy據此指出，人類審查與理解的速度，可能開始跟不上機器產出的速度。
不過，內部系統的任務成功率、成本與錯誤率若未充分公開，外界便難以判斷，成果究竟來自更強的模型，還是更多算力、更長執行時間與更完整的工具環境。
生成、交付與長期維護，是三種不同能力
相關推文在Hacker News引發大量討論。支持者認為，前沿Agent已明顯改變程式設計工作流程，部分人仍用舊版聊天機器人的印象評斷今日AI。
質疑者則指出，幾分鐘內生成大量程式碼，與交付一套能維護多年的系統，是兩回事。程式碼審查、測試與理解系統的成本並不會自動消失。生成能力、交付能力與長期維護能力，不能混為同一項指標。
Reddit上的討論更偏向生活與成本。有深度使用者表示，即使用過許多模型與Agent產品，仍找不到部分個人Agent產品的明確價值。也有人問：AI能生成應用程式之後，房租降低了嗎？看病更容易了嗎？
高額訂閱費、token成本與複雜設定流程，本身也是門檻。因此，這道陡坡不只是認知差距，也可能是經濟差距。程式設計師每天靠Agent節省兩小時，不能直接推論所有行業都得到同樣收益。對一般人而言，更重要的是AI能否可靠、便宜地解決真正遇到的問題。
感覺變快，不代表實際交付更快
引用METR於2025年7月公布的隨機對照實驗：16名經驗豐富的開源開發者，在自己熟悉的成熟程式碼倉庫中完成246項任務。使用AI工具後，完成任務的時間反而增加19%；但開發者主觀上認為自己快了20%，感受與結果相差將近40個百分點。
這也不能直接證明AI程式設計沒有幫助。該實驗測試的是2025年上半年的工具，主要包括當時的Cursor及Claude 3.5、3.7。METR於2026年2月的後續研究已看到新工具可能帶來加速，但參與者選擇偏差，以及多Agent並行時的計時困難，使研究者仍無法準確估計當前效益。
較合理的結論是：感覺快了多少，不等於實際快了多少。與其抽象爭論AI強不強，不如在自己的工作中設計小型比較實驗。
用不同任務，衡量自己的實際收益
建議選擇三類任務。第一類是邊界明確的工作，例如修正已知bug或補上單元測試；第二類是需要理解上下文的工作，例如在現有服務新增介面，同時維持鑑權、日誌與錯誤處理的一致性；第三類則涉及複雜系統，例如排查偶發的「ERES失敗」。
透過這些不同難度的任務，比較使用與不使用AI時的完成時間、結果品質及後續修正成本，才能更接近自己的真實收益，而不只是依靠使用感受。
