卡帕蒂：AI认知漏斗已形成，顶端5000人看机器智力狂飙

2026年10月11日，安德烈·卡帕蒂在社交平台上把自己同年4月发过的一条动态又翻了出来。这位OpenAI研究中心联合创始人、特斯拉前AI总监，说话做事一向被硅谷当作风向标。半年前他感慨过，人们对大语言模型能力的理解差得太远，简直像两个世界的人在各说各话。

半年过去，他改了口。按他的新说法，社会对AI的认知裂痕已经变成一个巨大的漏斗：顶端开口处，数十亿人认定AI不过是虚火旺盛的噱头；最底端，全球只有大约5000人正在目睹一场令人眩晕的智力狂飙。这5000人到底看到了什么，才会和普通人的日常体验差出这么大一截？

四层漏斗里的折叠世界

卡帕蒂拿一组粗略估算的数字，把全球人口在AI时代的处境切成了四个截然不同的图层。

漏斗最宽阔的开口处站着大约60亿人，占全球总人口的75%。大语言模型他们几乎从没真正碰过。AI对他们而言，只活在电视新闻的播报里、街头巷尾的广告牌上，或者年轻人饭桌上的闲聊中。

再往下，是大约10亿到20亿的轻度用户，占全球人口20%左右。这些人偶尔打开免费聊天机器人网页，让它润色一封求职信，或者答一个生活常识题。在他们看来，这个新玩意儿有点笨拙，有时还一本正经地胡说八道，顶多算个稍微好用点的搜索引擎或文字秘书。不少非技术领域的专业人士也停在这一层，比如整天忙着人际沟通、协调利益冲突的企业高管。卡帕蒂很理解这部分人的感受，他说自己身边不少非技术背景的朋友就认为大语言模型完全派不上用场，这种判断来自他们自身的日常体验，完全合情合理。

视线再往下，漏斗急剧收窄。这一层聚着大约2000万人，只占全球人口0.2%，主要在数学和计算机编程领域，是前沿付费大模型的深度使用者。工作方式被剧烈重构，他们是亲眼见证者。过去啃下来要几周甚至几个月的大型复杂软件工程，现在输入一段提示词，智能体就能自动接管。从零构建应用程序、复刻现有软件、跨语言翻译代码，甚至把机器底层的二进制文件逆向反编译成人类可读的程序，都能在极短时间内自动完成。卡帕蒂感叹，不到一年前他还坐在电脑前，凭着记忆一个字符一个字符地把代码指令敲进编辑器，偶尔按一下键盘上的跳格键来补全一小段代码。如今这种传统手工作业方式，正在以肉眼可见的速度成为历史。

漏斗最尖端站着大约5000人，占全球人口0.00006%，比人类历史上成功登顶珠穆朗玛峰的人数还少。这5000人是顶级AI实验室的核心研究员，握有尚未公开的内部前沿系统的最高访问权限。他们面前的屏幕上，成千上万个智能体夜以继日地协同运转，一干就是好几个星期。这些数字劳工在无人干预的情况下开发庞大的软件系统，制造此前从未被发现的网络零日漏洞，以机器的毫秒级速度打网络攻防战，甚至在基础科学和前沿数学领域开疆拓土。过去要业内最顶尖的科学家耗费数年心血才能拿下的突破，正被机器批量生产。

在这5000人的世界里，最紧迫的危机已经变成人类的脑力跟不上机器的产出。卡帕蒂在推文中说，研究人员至今还像考古一样，慢慢挖掘和消化几个月前OpenAI研究中心与Hugging Face平台联合发起的科研项目中机器产出的海量成果；而世间顶尖的数学家面对机器一口气生成的722篇前沿数学手稿，哪怕只是从头到尾读懂并验证一遍，都要花上漫长的时间。

幽灵如何学会自己做题

为什么编程和数学领域的从业者能感受到地动山摇的变化，普通行政人员、教师或管理者却觉得AI表现平平？

卡帕蒂早前接受采访时提到，AI的诞生跟大自然孕育动物压根不是一回事。猫狗这类生物的智能，是亿万年进化一点点堆出来的，它们一出生体内就刻着基因写好的本能，身体也能直接感知物理世界。反观科学家训练大语言模型，更像是在数字空间里招来一个幽灵。这东西没有肉身，也没在现实中活过一天，它懂的一切都是从人类互联网上那堆海量文本里学来的模仿，拿手好戏无非是看着前文猜下一个最可能冒出来的词。

过去相当长一段时间，这个幽灵讨用户欢心全靠学人说话。让它写首诗、凑份年终总结，辞藻能堆得挺漂亮；问题是这类活儿在现实中根本没有绝对的对错可言，幽灵不清楚自己写得算好算坏，水平也就一直卡在平庸线上。像管理者去摆平一场部门纠纷，编辑去判断一篇文章能不能打动人，合理的做法往往有十几种，效果好不好甚至得等几个月才看得出来。碰上这些说不清道不明的人类事务，大语言模型很难拿到准确的反馈，想进步自然快不起来。

数学和计算机代码的世界里，情况完全不同。这里的规则高度数字化，而且绝对冷酷。一段程序写得对不对，扔进编译器里跑一下就知道；一道数学题解得通不通，逻辑链条检验一下便知分晓。

恰恰是这种非黑即白的性质，让AI专家们摸出了一把利器——可验证奖励强化学习。DeepSeek团队发布的第一代技术报告里，就曾把这种训练方法的威力展示得很细致。说白了，科学家把大语言模型塞进一个精心搭建的数字练功房，甩给它成千上万道高难度数学题和编程任务，不教怎么解，只把最终检验标准告诉它。模型在里头自己折腾，答对了系统自动奖一朵小红花，答错了就扣分。

整个检验环节全交给计算机自动跑，用不着人类老师守在旁边批改，模型几天之内就能刷完人类几辈子都做不完的题。科技巨头们冲着高额经济回报，砸下海量算力，把这类数字练功房的规模推到了极致。就在这个过程中，模型居然自己琢磨出了反思、复盘、拆解步骤这些高级思维技巧。

这种偏科式的练法，直接把AI的能力带向了畸形发展。数字化程度高、结果能自动验证、商业价值又特别大的领域，系统能力顺着垂直曲线往上蹿；可到了需要生活常识、情感共情和复杂社会经验的地方，它仍旧是个笨手笨脚的学徒。

氛围编程与看不见的门槛

卡帕蒂用自己造的一个新词，来描述漏斗第三层那2000万专业人士正遭遇的剧变——氛围编程。

2025年2月，他在社交平台上随手敲下这个词，压根没料到它后来会烧遍整个科技圈。所谓氛围编程，说白了就是人不再自己动手写代码，而是像导演那样，用自然语言告诉AI想要个什么样的软件，把整体感觉和氛围拿捏住，剩下那些脏活累活全扔给智能体。

这种玩法催生了一批传奇创业故事。硅谷乃至全球的独立开发者社群里，单枪匹马的独狼正靠AI杠杆撬动过去要几十人团队才做得成的买卖。有人用AI搭的应用生成器，创业才6个月就被以8000万美元收购；知名独立开发者彼得·莱维尔斯一个员工都没雇，靠几个大模型工具维护多款产品，年净收入折合人民币超过2000万元。推特的联合创始人杰克·多尔西甚至也用这种氛围编程的路子，在极短时间内做出了一款全新的即时通讯应用。

卡帕蒂认为，氛围编程正让软件代码变成一种免费、临时生成、用完即弃的消耗品。以前因为开发成本太高只能放弃的小众软件需求，如今几分钟就能搓出来。科技公司也纷纷给工程师配上Cursor和Claude Code这类新一代工具，想把生产力翻倍。

可镜头一拉远就会发现，从漏斗第二层往第三层走，中间横着好几道看不见的铁门槛。全球十几亿人用过聊天机器人，真正吃到智能体红利的却只有2000万人，原因就在这里。

头一道坎是任务规模对不上。卡帕蒂指出，AI的影响力跟使用者手头问题的规模、目标大小和时间跨度成正比。普通人问一句今晚吃什么、写一段祝福语，这种几秒钟就能答的轻量问题，根本激不起大模型深层推理和规划的潜力。只有当你手里攥着一个自己真在乎、规模庞大又难度极高的工程项目，需要模型连续跑几个小时拆解子目标、自我纠错，它的威力才冒得出来。很多人觉得AI没用，常常是因为手头压根没有值得动用重型武器的硬骨头。

还有一道门槛更硬，就是资源和权限的分配。大语言模型的层级差距摆在那里，免费用户、付费用户和实验室团队之间，卡着算力配额、模型新旧和调用外部工具的资格。普通人打开网页免费用到的，多半是算力被压着的老版本，刷到的还常是AI连弱智吧问题都答错的翻车图。手里握着残缺的免费工具，眼里看着网上流传的失败案例，一般人顺理成章就会觉得，AI说到底就是个泡沫。

就算在专业领域，把一句模糊的想法变成机器能精准执行的指令，也要求极高的专业素养。中国互联网络信息中心发布的第57次统计报告显示，截至2025年12月，中国生成式AI的用户规模已经达到6.02亿人，普及率高达42.8%。跨过初次尝试那道门槛之后，绝大多数人卡在了怎么用好的阶段。普通人的需求往往是帮我做个年终汇报这样笼统的一句话，专业人士却懂得把复杂需求拆成机器擅长的逻辑步骤。

垂直曲线上的眩晕与隐忧

沿着卡帕蒂画的这个漏斗往下走，每一层的人都躲不开一种认知偏差：把眼前那点局部体验，当成了技术演进的全貌。站在宽处的人，笑话窄处的人小题大做、鼓吹泡沫；待在窄处的人，则想不通大众为什么对已经扑到眼前的海啸毫无反应。

但就算在最核心的第三层和第四层，技术狂飙带来的也不全是喜悦。媒体在报道这群前沿用户的状态时，频繁使用一个词：眩晕。模型能力迭代太快，哪怕每天都在高强度使用这种工具的顶尖程序员，也很难准确评估它的能力边界究竟在哪里。

与此同时，很多隐性成本被藏了起来。模型评估与威胁研究机构在2025年7月发布过一份出人意料的报告。研究人员跟踪测试了一批使用AI编程助手的资深软件开发人员，结果发现这些开发者的实际生产力非但没提升，反而下降了19%。更耐人寻味的是，参与测试的程序员普遍对工具抱有盲目自信，测试结束后依然主观认为AI帮自己把效率提高了20%。

一句提示词确实能在几分钟内生成上千行代码，可需求由谁定义？背景资料谁整理？模型生成过程中悄悄埋下的逻辑漏洞谁来排查？机器接管了写代码的过程，人类程序员被迫成了全职代码审查员和善后工。如果生成代码省下两个小时，却要花四个小时去读懂机器的思路、修补隐蔽缺陷、确保新代码能安全接入公司原有的庞大系统，那所谓的效率奇迹就要打上一个大大的问号。

到了漏斗最窄的科研端，这种难处更刺眼。卡帕蒂自己承认，机器产出的东西，人类想看懂、想审查，已经越来越吃力，而这是全球前沿科学界共同要面对的硬仗。设想一下，成千上万个智能体一口气吐出722篇前沿数学论文、堆成山的新材料分子结构，或者复杂的网络攻防代码，人类花几百年搭起来的同行评审和科学验证体系，也可能撑不住。说到底，做科学不光是拿出结论，还得理解并且复核推导的每一步。机器出活的速度要是把人类阅读、理解、验证的速度甩开太远，那越积越多的科研手稿和软件工程，会不会变成掺着致命错误和机器幻觉的数字垃圾？这些机器做出来的成果，可靠性又该由谁来签字负责？

卡帕蒂这套认知漏斗，把2026年AI行业最真切也最离奇的一面给剖开了。在这个被折叠的时间里，60亿人过着波澜不惊的日子，十几亿人只是浅尝辄止，2000万人在重构效率，5000人在极限狂飙，四者同一秒里各走各的路。技术最锐利的那一头，还在朝深不见底的未知加速钻探；被甩进漏斗的人类社会，却还在慌手慌脚地摸索这趟高速列车的踏板。