1718M.CN · AI 神经枢纽

本文来自微信公众号： TOP创新区研究院，作者：AI研究组

今年2月，有一道小学题在网上刷屏。

“我想洗车，洗车店离我家50米，我该走路去，还是开车去？”

一家叫Opper的公司拿它测了53个大模型，42个劝你走路。理由都很体贴：50米很近，省油，环保。

可惜它们都忘了：车不去，洗什么？

朋友圈笑成一片：AI也就那样。

咱们先别急着下结论，我们先讲一个大神的故事。

这个大神叫Andrej Karpathy，

OpenAI联合创始人，特斯拉前AI总监。

大神说，他现在已经基本不亲手写代码了。

读博的时候，他怕GPU闲着；现在，他怕自己的token吞吐量没跑满——其实就是怕自己成了AI流水线上最慢的那一环。

他管这种状态叫“AI精神病”，今年5月他加入了Anthropic的预训练团队，回到离模型最近的地方。

10月11日，他画了一个金字塔模型：

最底下的60亿人，门槛是接触。

语言、网络、支付方式、应用商店，任何一样都能把人挡在门外。

第二层的10到20亿人，门槛是任务。

改邮件、查资料、写周报，这些活儿两年前的模型就能干个七七八八，模型再进步，你也感觉不到。

第三层的2000万人，门槛是领域加付费。

他们多半在写代码、做数学，每月掏20到200美元订阅，把一个终端交给Agent。

最顶上的5000人，门槛是工牌。

按Karpathy的描述，这些人能接触实验室内部的系统，多半因为他们就在那几家公司上班。

AI正在前所未有地，

拉大人与人之间的差距。

还有一个问题：

模型明明飞速变强，为什么多数人的体感没变？

Karpathy也开了三条病因，咱们一条条过。

第一条，任务太小。

你每天让AI写两段文案，模型能力翻三倍你也察觉不到——好比买了辆赛车，只拿它去楼下取快递。差别要在长任务里才显形，比如让它在复杂代码仓库里连续干几个小时。

第二条叫“锯齿”。

同一个模型，这一秒像资深博士，下一秒像十岁孩子，洗车题就是锯齿上的一个缺口。进步也是锯齿状的：代码和数学一路狂飙，写作和检索慢得多。

那为什么偏偏是代码和数学？这个道理是这样的：

这两样东西对错能自动检验——

代码跑没跑通，证明成不成立，机器自己就能判卷。能自动判分的科目，才能大规模刷题；一封邮件写得好不好，没有标准答案，模型想练都没处练。

第三条最现实：钱。

编程和企业自动化能直接换成收入，实验室自然往这里堆资源。谁在付钱，模型就往哪儿长。

a16z本月初发布第七版《Top 100 Gen AI Consumer Apps》，第一次用上了美国消费者的信用卡账单：付费用户每月花在AI上的中位数25美元；花得最多的1%，8月平均每月903美元，18个月涨了八成，钱流向编程、效率和创作工具；这1%贡献了全部可观测消费的19.5%，比垫底一半付费用户加起来的16.6%还多。

这其实就是个飞轮：

顶层付最多的钱，实验室照他们的需求优化，模型在他们的领域进步最快，于是他们更愿意付钱。

The Top 100 Gen AI Consumer Apps—7th Edition

Olivia MoorePosted October 5,2026

对地方政府，这里有个很具体的推论：

AI能力成熟的顺序，会沿“有人付钱”和“结果能检验”两条线排队——软件、芯片验证、药物筛选、金融风控靠前；公文、规划、谈判、招商靠后，除非先把它们变得可以检验。

说到这儿，“AI只会让强者更强”好像已经成立了。

但它有个绕不过去的反例，这个反例恰恰来自Karpathy本人。

2025年4月，他写过一篇博客，标题叫《权力归于人民》：

电力、计算机、互联网、GPS，几乎所有颠覆性技术都自上而下扩散——先军方政府，再大公司，最后轮到普通人。大模型头一次把这个顺序倒了过来：普通人受益最大，大公司和政府反而迟钝。

https://karpathy.bearblog.dev/power-to-the-people

18个月后，他也画出了越来越陡的漏斗。

这个矛盾吗？

斯坦福和MIT跟踪了一家公司的5179名客服：

用上AI助手后，新手和低技能客服效率提升约34%，老员工几乎没变；入职两个月、配了AI的新人，干得跟入职六个月、没配AI的老手差不多。秘密在于，助手拿公司历史记录训练过，学会了顶尖客服安抚情绪、提问顺序和结案节奏。

AI把老师傅几年攒下的手感，装进了新人的对话框。

哈佛和BCG对758名咨询顾问的“锯齿前沿”实验，结论类似：

AI擅长的任务上，原本偏弱的顾问提升更多。5月一项随机实验换成不同学历的普通人：没有AI时，高学历组领先0.548个标准差；有了AI，缩到0.139，抹平了约四分之三。

所以在单个任务的尺度上，AI是一台均衡器——像军训时给矮个子脚下垫的砖，把地板以下的人托了上来。

那为什么我们看的漏斗还在变陡？

今年3月，一篇经济学论文给了个名字：AI的不平等悖论。

任务层面，AI给每个人垫了块与能力无关的地板，同岗位内部的差距被压缩；

企业层面，价值流向集中的互补资产，企业之间反而越拉越大。

个人之间在靠拢，组织之间在分家。

OpenAI 8月的企业数据把每月人均产出token最多的前10%客户叫“前沿企业”：1月，人均产出是普通企业的2.6倍；6月，8.3倍——五个月翻了三倍多。

配套论文还发现，

用得深的企业，之前就在组织资本、研发和软件上投入更多。

https://openai.com/zh-Hans-CN/signals/enterprise-data/?trk=article-ssr-frontend-pulse_publishing-image-block&utm_source=chatgpt.com

这个剧本，经济史其实上演过一遍。

电动机19世纪80年代就进了工厂，美国制造业的生产率却到20世纪20年代才起跳。经济史学家Paul David解释过：早期工厂只把蒸汽机换成一台大电机，厂房还围着一根中央传动轴；直到每台机器配上独立小电机、多层厂房改成单层流水线，红利才兑现。

中间隔了四十年。

把漏斗平铺到地图上，画风又变了。

微软9月发布的全球AI普及报告显示，今年二季度，全球15到64岁人口里用过生成式AI的只有18.8%。

全球北方28.8%，全球南方16.2%，一年里差距从10.6个百分点拉大到12.6。

https://www.microsoft.com/en-us/corporate-responsibility/topics/ai-economy-institute/reports/global-ai-diffusion-report/

榜首有点意外，是，阿联酋73.3%，新加坡64.3%——这两地都没有像样的前沿实验室，靠的是政策、基础设施和数字技能把门槛压平。

微软还发现，全球南方用户更多拿AI自学、提升技能；Anthropic的数据也显示，人均收入最低的国家，拿AI做课业的比例最高。

在那些地方，AI最像个随叫随到的老师。

Anthropic今年1月的报告测算：按当时趋势，美国各州的人均使用量有望在2到5年内拉平，比20世纪那些重要技术快十倍左右。

聊天框像水，往低处流，流得很快。

但布鲁金斯学会去年有一个数据：

旧金山和圣何塞两个都市区拿走全美13%的AI岗位招聘，前30的都市区合计占67%。

再往上，那5000人的工位，

大概只能塞进旧金山、伦敦、北京、杭州的几十栋楼。

为什么下面两层像水，上面两层像矿？

Karpathy去年底说，这像有人扔进来一台威力巨大的机器，却没附说明书——没说明书的东西，只能靠看邻座怎么用。马歇尔1890年就说过：行业扎堆的地方，行业的秘密就不成其为秘密，仿佛飘在空气里。

第三层那些手艺——怎么给一队Agent拆任务、怎么写可复用的技能包、怎么设计验收标准——正是飘在空气里的东西，更新太快，等不及写成教材。

这就是我们常说的碰撞率：你每周能撞见多少个已经在第三层干活的人。就连Karpathy对差距的感知，也来自他的信息流——那是高密度圈子里才有的视角。

这对城市是个提醒：

很多地方在拼智算中心、拼电价和机柜数，

可算力能远程调用，用算力的人没法远程学会手艺。

智算中心可以建在戈壁，第三层的人却要住在北京原点的咖啡馆旁边。

再看中国。

9月底，中国互联网络信息中心（CNNIC）发布报告：截至今年上半年，我国生成式AI用户突破7亿，普及率超过50%，半年前还是6.02亿。

全球平均不到两成，我们过了一半——背后是豆包、DeepSeek、元宝、千问这些免费产品把门槛踩到了地板上。

可这7亿人在用AI干什么？

76%拿它回答问题，32.5%写总结、会议纪要和PPT——正是Karpathy说的“小任务”，模型进步最难被感知的那一块。

腰粗，脖子细。这是中国漏斗的第一个特征。

第二个发生在3月：

图标像红色龙虾的开源Agent框架OpenClaw突然爆火，“你养龙虾了吗”成了开年的社交暗号。

3月6日，深圳腾讯大厦门口排起领“龙虾”的长队；

第二天，深圳龙岗出台“龙虾十条”，离爆火只隔一个月左右。

无锡、常熟、合肥、杭州萧山、南京紧随其后：算力券、场景开放、一人公司扶持，层层加码。

这是一整个社会试图集体从第二层跳到第三层。

装上龙虾，相当于把蒸汽机换成电动机，但厂房还是原来的厂房——工信部漏洞共享平台很快预警，默认配置下的实例安全风险很高；装完只让它整理邮件、订酒店，人其实还站在第二层。

所以，政策里反复写进扶持“一个人调度多个智能体完成业务闭环”的一人公司，这恰好是第三层的工作方式；园区还把教育、医疗、制造、城市治理的场景开放给Agent优先接入。

这里说一个中美差异。

美国第三层那2000万人，主体是程序员和数学研究者，因为代码和数学最容易自动判对错；中国手里有另一类能自动判对错的任务，数量庞大——质检有没有漏掉缺陷，排产有没有压缩工期，物流有没有准点送达。CNNIC的报告说，规上制造业企业的AI应用普及率已经超过三成。

如果“能被检验的任务”是第三层的入场券，中国的第三层未必长得像硅谷，它可能长在工厂和园区里。

这还只是一个可能。

再看开头那道洗车题。

42个模型劝你走路，因为它们只算了那50米，没算“洗车”这件事本身。

人也一样：工具一代代换，门槛一层层降，真正的问题始终没变——