大家都在用 AI，怎麼像活在不同年代？

Andrej Karpathy。照片來源：個人網站。

最近 AI 圈有個很奇妙的現象：有人覺得 AI 頂多幫忙改改信，還常常一本正經地亂講；有人卻已經把一整個工作交給它，回過頭來還在煩惱，自己怎麼看得完它做出來的東西。

這兩群人如果坐下來討論「AI 到底有沒有用」，大概聊沒多久，就會開始懷疑對方是不是活在平行世界。

曾任特斯拉 AI 主管、也是 OpenAI 創始成員的 AI 研究者 Andrej Karpathy，在 10 月 11 日把這種落差畫成了一個「漏斗」。如果你不認識他，先知道這是一位長期開發、使用，也教人認識 AI 的研究者就夠了。他想說的是，人們實際接觸到的 AI 能力差異很大，而且差距還在擴大。²¹

不過，看完這個漏斗，除了驚訝 AI 到底進步了多少，我也覺得有幾個問題值得一起問。尤其是：一個人沒有被 AI 說服，真的能用「你用得還不夠深」來解釋嗎？

從兩群人，變成四種使用經驗

今年四月，Karpathy 就提過類似的觀察。一些人的印象停留在過去用過的免費聊天機器人；另一些人已經在用最新的付費工具，處理程式、數學等專業工作。兩邊看到的進步幅度差很多，討論起來自然很難對上。³

這也稍微修正了我們常聽到的簡化說法：當時的差別，已經包含工具版本、使用領域與任務大小。光是「會不會用 agent」，還不足以概括。

Agent 可以先理解成「會接著動手做的 AI 助理」。例如你請 AI 幫忙做一個報名網站，聊天機器人可能告訴你怎麼做；能使用工具的 agent，則可能接著建立檔案、寫程式、執行測試，再依錯誤訊息修改。它能做到多少，還是取決於工具、任務和你給的權限。

到了十月，Karpathy 把這種落差分成四層：幾乎沒接觸的人、偶爾用聊天工具的人、把強力 AI 用在專業工作的人，以及接觸實驗室內部最前沿系統的人。¹

先提醒一下，圖上的人數來自他的粗估。原文自己就用了「餐巾紙上算一算」的說法，沒有附上一份全球使用者調查。可以拿來理解他觀察到的落差，別把它當成精確的人口統計。

四層裡最容易讓人看出差異的，是第三層和第四層。依他的描述，前者已經把原本要花很久的數位工作交給 AI；後者看到的，則是大量 AI 助理分工、持續處理更長期的專案。這些內部系統的完整能力，外界並沒有相同的條件可以自行檢驗。

所以，這個漏斗同時放進了幾件事：你有沒有接觸工具、拿它做什麼、任務有多大，以及你到底拿不拿得到那套系統。它沒有告訴我們每個人都會沿著同一條路往下走。

為什麼寫程式的人，特別容易覺得世界變了？

把 AI 當搜尋工具，和讓它處理一整個專案，帶來的感受當然不同。但工作本身也很重要。

以寫程式為例，許多步驟可以直接在電腦裡完成，還能用測試檢查結果。改完程式就執行，出錯就再改，這種回饋可以很快來回。Karpathy 認為，目前的進步特別集中在這類可數位化、可驗證，而且有商業價值的領域。¹

要是你的工作是替人翻身、安撫一個正在哭的小孩，或處理客人現場突然冒出來的要求，情況就很不一樣。AI 可以幫忙做其中一些事，但從產生建議到真正把現場處理好，中間還有很多工作。

原帖下就有人直接反駁：多數一般人忙著照顧病人、教孩子、開車、清潔、蓋道路和建築，還有維持讓大家能上網發文的電力與網路。⁴

這個提醒很重要。整天寫程式的人，可能把一大段工作交給 AI 就能省下幾天；整天照顧人的人，可能省下了寫紀錄的時間，其他事情卻還是得自己來。兩個人對 AI 的評價不同，完全可能來自各自真實的工作經驗。

Karpathy 自己也有提到領域差異，甚至認為一些非科技業朋友覺得暫時用不上 AI，是合理的。因此，把漏斗轉述成「不覺得 AI 厲害的人就是沒跟上」，會比他原本的說法走得更遠。

沒有打開聊天視窗，就算沒在用 AI 嗎？

另一位回覆者問得更根本：如果一個人用的是由 AI 協助開發的 App，那算不算「使用 AI」？一般人接觸新技術，常常是透過做好的產品，不會直接操作底下那套技術。⁵

這讓漏斗裡的「接觸」需要分清楚。親自指揮 AI 做事，能讓你更直接地摸到它的能力；透過產品間接受惠，也是真實的使用情境。兩者帶來的理解不同，卻很難只靠有沒有訂閱聊天工具來判斷一個人受到多少影響。

同一串討論裡，也有一個方向比較樂觀的例子。有人說，他替沒有專業程式背景的父親訂閱工具，父親就替自己的生意做出了網站，還加上付款功能。他認為，更多人需要的是有人示範，讓他們看到這些工具和自己的需求有什麼關係。⁶

這是當事人分享的個案，我們沒有另外測試那個網站的安全性或完整度。但它提出了一個很實際的可能：有些人的距離，或許只差一個真正想解決的問題，加上一點帶著做的協助。

對開店的人來說，「最新模型推理能力提升」可能沒什麼感覺；「能不能幫我把客人的預約整理好」，就具體多了。看完一百則 AI 又突破了什麼的貼文，也未必比一次和自己有關的成功經驗更有說服力。

漏斗最裡面的人，也可能只看見一部分

有趣的是，質疑也指向了另一端。

研究 AI 應用的教授 Ethan Mollick 回應，就算是能接觸內部先進系統的人，也還沒有把它們的用途探索完；目前注意力仍集中在資安、數學和 AI 研發，而其他領域還有很多問題可以解。⁷

換句話說，拿到最強的工具，仍然會受自己熟悉的工作影響。每天在找程式漏洞的人，自然會先測試 AI 找漏洞有多厲害；真正知道別的領域有哪些難題的人，卻可能還沒有同樣的工具和使用條件。

另一個回覆則追問，這樣的能力集中，會不會也帶來權力集中？相對樂觀的看法是，價格會下降，更多人將有機會接觸並把能力帶到外界。這兩種反應分別來自 Clément Delangue 和 Garry Tan。⁸⁹

兩邊的差別在於，一邊擔心目前的取得門檻，另一邊期待未來普及。價格會降到什麼程度、哪些能力會開放、多久之後一般人才用得上，這些仍需要實際發展來回答。不能光靠「內部已經很厲害」，就把普及當成已完成的事情。

AI 做得太快，人反而看不完了

還有一種回應，來自已經用得很深的人。

一位使用者說，自己的系統產出已經多到無法全部讀完、理解，感覺撞上了自身認知能力的限制。另一位則直言，他無法放心接受完全沒有人類審查的程式專案。¹⁰¹¹

這兩個意見放在一起，很容易理解：原本你擔心 AI 做不出來，後來它做得出來了，甚至做得比你看得還快。接下來的問題就變成，誰來確認它做對了？如果要重做、維護或承擔錯誤的後果，又需要多少時間？

（AI 多請十個助理很容易，你的眼睛倒是還只有兩顆。）

這點 Karpathy 自己在原帖也提到了。他已經注意到，人類的審查和理解開始追不上產出速度。這是漏斗描述的一部分，不能把它說成他完全沒有想到的反駁。¹

多個 AI 助理合作，也不全是外界看不到的故事。開發 Claude 的公司 Anthropic，曾公開多個 AI 協作開發 C 語言編譯器的案例。編譯器可以先理解成把程式轉成電腦能執行形式的工具；公開文章附了程式碼、測試及限制，讀者至少有材料可以進一步檢查。¹²

不過，這是公司的公開工程報告，不能直接當成所有內部系統能力的獨立證明。一個大型專案做出來，和它在各種情境下都可靠，也還有距離。

對使用者來說，衡量進步時除了看 AI 產出了多少，也得把檢查、修改和接手後續工作的時間算進去。這樣才知道，省下來的究竟有多少。

我們可以多試一點，也可以保留不同意的理由

我認同這個漏斗的一個提醒：只憑很久以前試過一次聊天機器人的印象，很難判斷現在的 AI 能做什麼。拿一個自己真的在意、原本需要花時間處理的問題，認真試過之後，對它的能力和限制都會更有感。

但如果有人試過之後，仍然覺得幫助有限，也應該先聽聽他做的是什麼。可能是工具用錯了，可能還沒有找到合適的做法，也可能那份工作的難處，現在的 AI 確實還幫不上多少。

我會把 Karpathy 的漏斗拿來提醒自己，問別人「你覺得 AI 怎麼樣」之前，多問一句：你用哪個工具，拿它做什麼，最後又花了多少力氣檢查？

親自深入使用，能讓判斷更具體。至於有沒有被震撼到，實在不必變成另一場考試。