最近知乎上有个问题热度冲到了148万，讨论的是Andrej Karpathy提出的「AI能力认知漏斗」。说实话，这个话题能火，本身就说明了一件事——大家嘴上说着AI日新月异，心里其实越来越没底了。
先给不太了解背景的朋友补一下课。Karpathy是谁？特斯拉前AI总监、OpenAI创始成员之一，后来去做了教育，是那种既在一线摸过最前沿模型、又能把复杂东西讲明白的人。他提出的「AI能力认知漏斗」，大意是说：我们理解AI能力的方式，像一个倒过来的漏斗。
什么意思？漏斗口最宽的那一层，是公众看到的AI——写文案、画图、编代码片段，热热闹闹。往下收窄，是工程师日常用的AI——能跑通工作流、能替代部分重复劳动。再往下，是少数研究者真正摸到的边界——模型在哪些任务上已经悄悄越过了人类基准，哪些还差得远。而漏斗最底部那个最窄的口，才是真实的能力全貌。
问题就出在这儿：越靠近底部的人，越先感到眩晕。
为什么是「眩晕」，而不是「兴奋」
我特意去翻了原问题下的高赞回答，有个说法很戳人：眩晕感来自「认知时差」。
普通用户还在用去年的印象评估AI，觉得它偶尔胡说八道、不过是个高级玩具。但一线的人已经看到，某些能力曲线不是线性增长，而是突然抬头的。你今天觉得它做不到的事，可能三个月后就被顺手解决了。这种「预期和现实之间的落差」，才是眩晕的根源。
而且这种眩晕是有层次的。产品经理眩晕，是因为刚规划好的功能路线图，模型一升级就作废了。工程师眩晕，是因为自己花两周写的pipeline，新模型一个prompt就绕过去了。研究者眩晕，是因为连他们用来判断「AI还差什么」的评测集，都在被快速刷穿。
Karpathy这个漏斗模型的价值，不在于它多精确，而在于它给这种模糊的不安，提供了一个可以讨论的框架。
一个容易被忽略的细节
很多人把「认知漏斗」理解成「信息差」，我觉得不太准确。
信息差是你不知道，但查一下就知道。而漏斗底部的那种认知，是你只有亲自下场用、亲自踩坑、亲自被模型的能力边界撞一下，才能获得的手感。它没法通过看新闻、读论文完整传递。
这就解释了为什么专业人士的眩晕感，和大众的乐观或恐慌都不太一样。大众的情绪是二元的——要么「AI要取代人类了」，要么「就是个工具别吹了」。而漏斗底部的人，情绪是连续的、带灰度的：他们既知道模型有多强，也知道它在哪里会突然犯蠢。
这种灰度认知，恰恰是最难被传播的。
普通人该怎么看这件事
我的观点很直接：你不需要跟着眩晕，但你需要调整自己的「能力评估周期」。
以前我们评估一个工具，周期是按年算的。现在对AI，可能得按季度、甚至按月来重新校准。不是让你焦虑，而是避免你用旧的判断，做出已经过时的决策。
具体来说，有三个可操作的点：
第一，别用「它现在行不行」来判断，而用「它三个月后大概行不行」来判断。前者让你错过窗口，后者让你提前布局。
第二，亲自用，别只看评测。漏斗底部的认知，只能靠手感积累。哪怕你只是用AI处理自己工作里最烦的那件事，也比看十篇分析强。
第三，接受「部分眩晕」是正常的。当你发现自己对AI的判断开始频繁被推翻，说明你正在靠近那个漏斗的窄口，这不是坏事。
写在最后
Karpathy这个漏斗，真正让人不安的地方，不是AI有多强，而是我们评估AI的方式，本身正在失效。
过去那套「看参数、看榜单、看demo」的方法，越来越跟不上模型迭代的速度。专业人士的眩晕，本质上是一种「方法论眩晕」——旧地图不管用了，新地图还没画出来。
对普通人来说，这反而是个机会。因为当所有人都在重新找路的时候，谁先适应这种「持续校准」的状态，谁就少一点被动。
148万热度会过去，但这个问题不会。它只是提前把未来几年我们要反复面对的事，摆到了台面上。
微信扫码查看