AI 热点综述 · 2026-10-12
今天毫无悬念的最高热，是 Andrej Karpathy 那条讲**”LLM 能力认知漏斗”**的长推（30115 赞、3852 转发）——他把全世界按”接触前沿模型的深度”切成四层：约 60 亿人（≈75%）几乎没碰过 LLM；10~20 亿（≈20%）只是把它当”更好的搜索”；约 2000 万（0.2%）在数学与代码上亲眼见到”几周的活被一个提示做完”；而真正能用上前沿系统的，只有约 5000 人（0.00006%）。 有意思的是，今天几乎所有人都在绕着这张漏斗说话：Aaron Levie 说 “agent swarm 是终极形态，但扩散才刚开始”（343 赞、46 转发），Garry Tan 直接喊 “今天就来当那 5000 人之一”（1113 赞、34 转发），Matt Turck 补了一句 “打孔卡操作员→agent 管理者，一切都会好起来”（54 赞）。而供给端的另一条主线来自 OpenAI 的 Thibault：GPT-6.1 Sol 默认上下文拉到 500k（10608 赞、454 转发），且订阅制下长上下文不再收费（2553 赞、55 转发）。把这些放在一起，今天的线索是：能力曲线还在垂直上冲，可”谁够得着它”的巨大落差，第一次被如此清晰地画了出来——于是最热的不是又一个新模型，而是”这道漏斗，到底还要张多久”。
一、Karpathy：一张”认知漏斗”图，解释了今天所有的错位感
Karpathy 把四月的旧推翻出来重发，原因是这个”认知鸿沟”正在变宽（30115 赞、3852 转发）：
It’s now less “two groups of people speaking past each other” and more a sharp funnel.
6B people (75%) have barely come in contact with LLMs at all.1-2B (20%) are casual… users of free-tier ChatGPT-like products. This group sees derpy chatbots…- ~20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt.
5,000 people (0.00006%) with access to frontier-grade systems internally… It looks like swarms of thousands of agents collaborating over weeks on software mega projects… Meanwhile, human review and comprehension are starting to fall behind.
“漏斗”这个词之所以精准，是因为它同时描述了技术和心理两件事。 技术上，能力只给”大而难、可验证、有价值”的问题兑现；心理上，没被真实问题”逼”过的人，看到的就是一个”花哨的聊天机器人”。他给了三层驱动力：① 影响随”野心/问题规模/时间跨度”放大；② 系统的”锯齿性”（capability peaks in domains that are digital, verifiable and economically valuable）；③ 访问权限（免费层 / 付费层 / 内部层）。
而最后那句才是真问题：“人类的审阅与理解，开始落后了。” 当那 5000 人已经在让 agent 蜂群跑”制造零日漏洞、攻防对抗、发现新科学”这种量级的活，执行和规模都跑在了”人还能看懂吗”前面——这恰好接上了今天另一条线（第四节 Terrence Tao 的”不透明超级智能”）。
二、Aaron Levie：agent swarm 是”终极形态”，但普及度还不到零头
Levie 顺着 Karpathy 的漏斗，把话说得更直白（343 赞、46 转发）：
The vast majority of people are using AI as a chatbot for simple interactions that approximate next-generation search… This is super useful but dramatically underrepresents the full capability of AI.
On the complete other end of the spectrum, agent swarms represent possibly the ultimate form factor of what agents will do inside of our workflows.
Less than a fraction of a fraction of the population uses AI in this way right now, due to a mix of… the capabilities of models relative to the user’s domain, the cost…, the harnesses available…, and the availability (or lack thereof) of frontier models.
“最普遍的用法，恰恰最不代表它的能力”——这是对”漏斗底层”最直白的一次定价。 他列出的四个卡点（模型相对领域的水平、成本、可用的 harness、前沿模型的可得性）其实是一份普及障碍清单：前两个是能力与价格，后两个是工具链与准入。他还补了企业侧的”变革管理”：“工作流要升级、数据要迁移到现代平台、还要过合规/治理/安全这一关”——这解释了为什么漏斗中层这么厚：不是模型不够强，而是组织还没准备好接住它。 需要说明的是，这里不是”agent 已经统治了一切”，而是”agent 的形态上限极高，而实际铺开度极低”——两句话同时为真，才是当下。
三、Thibault：把默认上下文拉到 500k，且”长上下文不再收费”
供给端今天给出了最实在的动作。Thibault 的 Day 7 更新（10608 赞、454 转发）：
We have increased default context length for GPT-6.1 Sol to 500k when used through Codex & Work, up from 272k or an ~80% increase… maximum context length… 1M.
It helps reduce occurrence of compactions and with tasks that require keeping a lot of context and nuance over periods of time.
紧接着还有一条（2553 赞、55 转发）：
With this change, we are not charging long context fees for GPT-6.1 Sol when drawing usage from the subscription.
以及一条把他”搞懵了”的用户投票（4625 赞、99 转发）：
The results of this poll has gotten me confused. I definitely thought it would sway much more favorably in the 2X direction across Pro 100/200/500 at the cost of bringing back 5h limits…
“默认 500k、上限 1M、长上下文不额外收费”——这三件事指向同一个产品判断：上下文正在从”稀缺资源”变成”默认空气”。 注意他给出的理由不是”能塞更多原文”，而是**”减少 compaction、保住跨时间的细节与微妙”**——这恰恰回应了 Karpathy 的漏斗：那 0.2% 的人之所以能”一个提示做完几周的活”，前提是系统能扛住长程上下文，而不是每几次交互就被压缩丢掉脉络。 而”投票结果让他意外”这一点也有意思：大家的偏好并不只是要更大数字，而是愿意为”少打断”付代价——又是”配额 vs 能力”的老命题换了个样子。
四、Thariq × Terrence Tao：不要一个”不透明”的超级智能
Thariq 把矛头对准了”能力”与”理解”的脱节（1219 赞、59 转发）：
I think Terrence Tao is directionally correct, we shouldn’t settle for a super intelligence that is opaque.
A key signal of intelligence is communication. We should strive to make products and models that build understanding with humans instead of disintermediating them.
“智能的一个关键信号是沟通”——这句话给第一节那句”人类审阅开始落后”提供了一个价值判断，而不只是风险提示。 它说的是：一个强到我们看不懂的系统，即便结果正确，也不算真正的智能——因为它把”人”从循环里挤了出去。这和上个月以来反复出现的”信任层”讨论是同一根线：Levie 说 AI 需要”零信任”时代，Madhu Guru 说”capability → trust → autonomy”，而 Thariq / Tao 补上了最后一格——autonomy 的前提不只是”可审计”，还包括”可理解”。 不能解释的东西，不该被交出去自己跑。
五、Garry Tan：来当”那 5000 人之一”，以及”用确定性代码替换 LLM 调用”
Garry Tan 今天两条都很”行动派”。一条直接对着漏斗喊话（1113 赞、34 转发）：
Be part of the 5000 today. It’s amazing.
The lucky thing is the price will come down and more people will see this… Greatest alpha fountain in the history of man.
另一条则是工程判断（1624 赞、71 转发）：
Replacing LLM calls with deterministic code is a no brainer and also results in better code that better matches what users want.
一边是”赶紧挤进金字塔尖”，一边是”该用确定性代码的地方就别用模型”——看似矛盾，其实是一件事的两面。 他承认前沿模型是”史上最大的 alpha 喷泉”，但也提醒：当价格下降、更多人涌入，真正稀缺的会变成”知道哪里不该用模型”的判断力。 这和 Matt Turck 下面那句”agent 管理者”是一对：能把 agent 用在刀刃上、又能把确定性逻辑留在该留的地方的人，才是新一轮分工里的赢家。
六、Matt Turck：从打孔卡操作员，到 agent 管理者
Matt Turck 用一条历史类比安抚”岗位焦虑”（54 赞）：
People were punch card operators, then they were Lotus Notes admins, then Flash developers and Dreamweaver webmasters, then DevOps and Tableau analysts, and now they’re becoming agent managers and harness engineers. It will work out just fine.
“harness engineers”这个词又出现了——把技术史串成一条”职位不断改名、工作不断上移”的线。它和 Karpathy 的漏斗叠在一起读，其实是同一种乐观：漏斗底层的人不是消失，而是被向上顶。 但注意这里有个前提——“顶上去”需要能被顶的人。Turck 的从容，和 Nan Yu 之前”瓶颈从工程师挪到 PM 的嘴上”一样，都在说：当机器接管了”怎么做”，人的价值就往”做什么、怎么判断”移动——这正是 harness engineer / agent manager 要干的活。
七、Peter Yang 与 Micky：信任来自”证据驱动的测试”
Peter Yang 带出来的这段 Micky（@Rasmic）访谈，是今天关于”人为什么还不敢放手”最实在的一段（24 赞、1 转发）：
“I’m not at a point where I trust the agent, especially with stuff that people are using.”
The manual review is like the final step… With evidence-driven testing, before and after, and even greploop, we’re trying to build trust.
For anyone who’s been a developer for any time, manual review is probably the worst part of your job. This sort of helps minimize the friction.
“信任不是产品承诺，是一份份证据堆出来的”——这是把抽象的”trust”落到了具体动作上：前后对比、greploop、把证据摆齐再让人审。 这正好回答了第三节 Thibault 拼命扩大上下文是为了什么——上下文越长，agent 越能自己扛住长程任务，人的位置就越往”审查证据”移动；而 Micky 那句”manual review 是工作里最难受的一环”，指出了下一步该被 agent 吃掉的具体东西。 从这里能看出 Levie 的”零信任”、Guru 的”可审计”在真实团队里长什么样：不是祈祷模型别出错，而是让每一步都留下可验证的痕迹。
八、Guillermo Rauch：一句”学习的未来”
Guillermo Rauch 今天只发了四个字（2659 赞、94 转发）：
So cool. The future of learning
在漏斗、算力、对齐这些宏大叙事之间，这条高赞其实值得单独记一句。 它没有论据，只有一个指向：当”接触前沿能力”的门槛极高，那么”如何学习、如何被教会使用它”，本身就成了决定漏斗张合速度的变量。 这也正是今天整组讨论留给普通人的唯一抓手——模型你造不出来，但”学会用它”这件事，人人可及。
九、播客精选：Fractile 的 Walter Goodwin——给前沿实验室造”前沿芯片”
今天播客最重的一段，来自 No Priors 请来的 Fractile 创始人 Walter Goodwin（2026-10-02）：
Right now, we’re trying to build a single chip. If you crack open an NVIDIA system, it has anywhere between six and nine custom chips all built by NVIDIA to come together… So there’s already a gap there.
…this idea of being able to have at any given moment a kind of rolling frontier of bets that you hope are deeply aligned in which you’re ready to trigger the ramp of, this is a huge advantage…
“一个芯片 vs 六到九颗定制芯片”——他讲的不是又一家做芯片的公司，而是”前沿能力”这条链条最上游的瓶颈。 有意思的是它和第一节 Karpathy 的漏斗形成了纵深：漏斗的两端（聊天机器人与 agent 蜂群）看起来天差地别，但底层吃的是同一条算力供给链；供给链上任何一环卡住，漏斗顶端那 5000 人的”垂直体验”就要被重新定价。 而 Walter 那句 “rolling frontier of bets”（一个持续滚动、随时准备放量的下注前沿），说的其实是硬件公司的战略节奏——在能力以月为单位跳变的赛道上，最难的不是做不做得到，而是”什么时候把它拉满”。
十、碎片：几条快照
- Thibault（4625 赞、99 转发）：用户投票结果让他意外——“I definitely thought it would sway much more favorably in the 2X direction…”，又一次证明用户更在意”少被打断”而非单纯的大数字。
- Zara Zhang（93 赞、1 转发）：“The only place where I use Gemini these days is in Chrome”——一句话点出”分发渠道”可能比”模型强弱”更决定日常使用。
- Dan Shipper（73 赞、4 转发）：做了个 feed 自动追踪自己读过的书（回溯到 2012 年）——“maybe we should have a feed for everybody”，agent 落进”个人数据流”的又一个小切口。
- Garry Tan（239 赞、22 转发）：对旧金山公共银行的吐槽，与技术主线无关，但提醒”AI 之外”的公共议题同样在抢注意力。
- Nikunj Kothari（20 赞）：“🔵👼”——只有两个 emoji，在满屏的漏斗与算力之间，像一次刻意留白。
一句话总结今天： 今天的最高热，是 Karpathy 那张 “LLM 认知漏斗”（30115 赞、3852 转发）——75% 的人几乎没碰过，0.2% 的人用它把几周的活压成一个提示，而够得着前沿系统的只有约 5000 人；把全天串起来的，是 Levie 的 “agent swarm 是终极形态、但扩散还不到零头”（343 赞）、Garry Tan 的 “来当那 5000 人之一”（1113 赞）与 “用确定性代码替换 LLM 调用”（1624 赞）、Matt Turck 的 “从打孔卡操作员到 agent 管理者”，以及 Thariq 借 Terrence Tao 之口提的那个要求——“不要一个不透明的超级智能”（1219 赞）。供给端则给出最实在的动作：Thibault 把 GPT-6.1 Sol 默认上下文拉到 500k、上限 1M，且订阅制下长上下文不再收费（10608 赞）。如果昨天的主题是”能力在冲、信任先卡”，今天可以写成：当能力被一张陡峭的漏斗重新分配，”谁够得着”和”谁看得懂”成了同一条防线上的两个问题——一边要降门槛（上下文、价格、harness），一边要保理解（证据、审计、可解释），而这两件事，今天都还远没做完。
由 Follow Builders 与 AI 热点综述流程生成 · 2026-10-12