今天看到大神Andrej Karpathy的一个帖子，提出了一个非常吸引人的观点：全球可能只有5000人见识过真正的AI ！ 第一层：几乎没接触过大模型的人。 粗略估算，大约有 60 亿人，占全球人口的 75%，几乎还没有接触过大语言模型。 第二层：偶尔使用免费版 AI 的普通用户。 大约有 10 亿到 20 亿人，占全球人口的 20%，偶尔使用免费版 ChatGPT 之类的产品。 在他们眼里，AI 可能就是一个有点笨拙的聊天机器人，更好用一点的 Google 搜索，或者一个写作助手之类的工具，有时候能帮你定个机票，规划个行程啥的。 第三层：在数学和编程领域，专业使用最前沿的大模型。 大约有 2000 万人，占全球人口的 0.2%。 这些人亲眼看到了 AI 在大型复杂项目上的惊人能力，AI 能开发新应用，复刻现有应用，把应用迁移到另外的技术栈..... 这些工作过去需要几周、甚至几个月才能完成。 更夸张的是，这种能力几乎是最近才发生的，距今还不到一年。 第四层：能够在内部使用最前沿系统的大约 5000 人。 外界没法用到，只能看到一些最前沿的预览，这些 AI 就像成千上万个智能体组成的大军，连续数周协同工作，共同推进超大型软件项目。 它们可以发现零日漏洞、发动网络攻击和进行防御、发现新的科学成果、推动数学研究的前沿发展，比如 Open AI 一口气发布了 722 份前沿数学研究手稿。 在过去，这些工作需要行业顶尖专家花费数年才能完成。 正是由于 AI 工作得超级快，人类审查和理解这些工作的能力，开始跟不上了...... Andrej Karpathy 的这个帖子，有两点让我颇有感触： 1. 人们眼中的 AI，根本不是同一种东西 2. AI 最容易替代的不是某个职业，而是这个职业中可以被验证的工作。 0 1 人们眼中的AI，根本不是同一种东西 我有个同学是个老师，他用 AI 很典型：就是把它当成一个更好的搜索引擎，问它一些问题，最多写写文章，生成 PPT。 所以我和他聊的时候，他就会说：AI 确实有点用，但也没什么神奇的。 但如果你是一名程序员，感受可能完全不同。 想象一下，你面前有一个运行了十年的企业系统，几百万行代码，业务逻辑错综复杂，牵一发而动全身。 公司要求迁移技术框架、修复一批历史 Bug，还要补齐测试，你把 AI 接入开发环境，让它读代码、分析依赖、修改实现、运行测试，再根据结果继续修复。 几个来回之后，它竟然真的把一大堆活儿干完了！ 这时候，你的脑子里肯定会冒出这么一个想法：我去，我以后还有活路吗？ 用 AI 回答问题 vs 组织 AI 完成工作，这两种方式的差距，可能比单纯换一个更强的模型还要大。 所以，一个人对 AI 能力的判断，很大程度上取决于他实际用 AI 做过什么。 0 2 AI 替代的不是职业，是“可验证的”工作 为什么 AI 在编程和数学领域进步这么快，在其他领域却不那么明显呢？ Andrej Karpathy 认为：数字化程度高、结果可以验证、经济价值又足够大的领域，往往更容易成为 AI 能力快速提升的突破口。 编程恰恰符合这个条件，代码运行在数字化世界中，让 AI 写一段代码，它可以运行测试，检查结果是否正确。 测试失败了？修改代码，重新运行，再修改，再测试，直到达到预期。 整个过程形成了一个完整的反馈循环。 数学也有类似的特点，很多问题有明确的答案，数学证明可以检查，部分结果甚至能通过形式化系统进行机器验证。 所以你看看，OpenAI 一口气拿出了 722 份前沿数学手稿，把陶哲轩这样的顶级数学家都逼成啥样了。 可验证性，正在成为 AI 能力快速提升的一个重要条件。 那么，对于结果难以验证的领域，AI 表现又如何呢？ 最典型的例子，就是写作。 一篇文章写得好不好，很难用一套客观标准来衡量。它没有明确的验收条件，也没有一个测试按钮，按下去就能知道文章合不合格。 以我熟悉的公众号写作为例，写文章时经常要琢磨：这个开头是不是太平淡了？这里是不是该转折了？这个故事有没有画面感？读者看到这里，会不会直接划走？ 写作不只是生成文字（预测下一个Token），更是在猜测另一个人的大脑会如何反应，这种能力AI是不容易学习的。 当然，这不意味着 AI 不会写作，实际上，AI 在一些目标明确的领域（如撰写产品说明、新闻摘要、商品描述、会议纪要和工作汇报），它的表现是相当不错的。 但是我觉得这些活儿不是创作，它更像“写作劳动”，就像单纯的把需求变成代码一样。 根据Andrej Karpathy的说法，其实可以推导出一个结论： AI 最容易替代的，不是职业，是“可验证的”工作。 就像软件开发，从来不只是把需求翻译成代码。 客户真正想解决什么问题？这个需求值得做吗？产品应该提供哪些功能？不同功能之间怎么取舍？如果客户提出的