一个人对自己效率的估计能错多少？这篇帖子给的答案是 39 个百分点。我核完之后发现，真实数字比这还难看一点：43 个百分点。
先把对的记下。Karpathy 10 月 11 日把自己 4 月的旧帖翻出来补了一句开场：认知差距还在变大，已经不是两群人各说各话，而是一座越来越陡的漏斗。四层数字（约 60 亿 / 10 到 20 亿 / 约 2000 万 / 约 5000 人）和它的支撑材料（ChatGPT 周活 12 亿、Gemini 月活超 10 亿、GitHub Copilot 5000 万用户、Codex 每周 500 万人）我核过，都对得上。Copilot 那个「2000 万是不是低估了」的疑问，帖子自己的解释也合理：补全用户和前沿模型用户不是一层人。【直引】
METR 那个实验是全文最值钱的一段，帖子讲得也基本准确：2025 年 7 月，16 位资深开源开发者，246 个真实任务，一半许用 AI 一半不许，屏幕录像逐秒计时，结果用 AI 的那组慢 19%。但我查了一下，有一处对不上：事前预测不是 20%，是 24%。开发者事前预计快 24%，实测慢 19%，一来一回 43 个百分点。帖子写 20% 和 39pp，两个数都小了一点，方向没错，力度说轻了。【判断】
这个实验常被读成「AI 编程没用」，读反了。它的真教训是手感不可信：连这批最专业的人，对自己效率的估计都错出了 43 个百分点。而整个行业的决策大量建立在「感觉快多了」这种手感上，包括买不买 Copilot 席位、要不要给团队配 agent。【判断】
为什么偏偏是代码和数学先被攻陷，帖子给的三条解释里，中间那条是钥匙：强化学习要能跑起来，得有个自动判分的裁判。代码有（测试跑得过就是跑得过），数学更极端（形式化系统逐行检查），于是模型每做一步，机器立刻告诉它对不对。聊天产品面对的任务大多没有裁判，帮你写封道歉信，写得好不好，没有测试集可以跑。没有判分器，强化学习就转不起来，进步只能靠预训练慢慢攒。同一个行业于是出现了时间流速差：代码数学几个月一个台阶，聊天场景变化慢得多。第 2 层的人觉得 AI 大概就这样了，第 3 层的人已经在跟会自己干活的工具共事，他们没有说谎，他们看到的就是两个物种。【直引】
价格线那段也画得清楚：免费、每月几十到几百美元、非卖品。分层不只是认知问题，它是物理的，顶层不是更贵的同一款产品，是另一种还没发布的东西。722 份手稿就是证据：全部由一个没有发布的模型生成，10 月 6 日挂上 GitHub，第二天撤回 3 份（一个符号错误），另修订 14 份。漏光的方式很朴素，就是没人审完。【直引】
尺度感放在这儿：漏斗顶层 5000 人，底层 60 亿，相差十二万倍；而这 5000 人最近漏下来的光，外面的人还在拼全貌。Karpathy 那句「人类的审阅和理解，开始跟不上了」，是这份帖子里唯一不需要数字支撑的判断。【直引】
帖子第四节那套「自己缩一小圈照着跑」的五步法，是全文最实用的部分：交替分组防熟练度污染、秒表从接任务计到「我愿意为它负责为止」、按任务类型分开算比值。它量不出论文级结论，能量出你自己的数字，这比任何榜单都贴近一个工程师的真实处境。【直引】
下一根钉子：METR 的边界条件是「资深开发者加最熟的仓库」，那在生疏代码库里 AI 的收益到底是正还是负，目前只有感觉没有秒表，这个洞开着，而它恰好是大多数团队换工具时的真实场景。 第 4 层的描述也值得原文对照：实验室内部跑的是成群的 agent，几周地做大型项目，外部的人只能从 722 份手稿这种「泄露的光」里猜那是什么样子。Karpathy 对这两次漏光的评语只有一句，人类的审阅和理解，开始跟不上了。这句话的分量在于说它的人不是评论员，是正在第 4 层里干活的人之一。【直引】
漏斗的坡度还可以换个算法感受：从 60 亿到 2000 万，是三百比一；从 2000 万到 5000，是四千比一。越往上越窄，而且窄得越来越快。这也解释了为什么每一层想象上一层时，脑子里那张图和实物之间的距离那么大，不是谁在撒谎，是图本来就只能靠想象画。【判断】 帖子结尾那句也值得原文对照：Karpathy 那座漏斗最陡的地方，不是 60 亿人和 5000 人之间，是每一层的人想象上一层时，脑子里那张图和实物之间的距离。这句话其实把整个漏斗的坡度问题从「人数差」挪到了「认知差」。人数差是静态的，认知差是动态的，而且后者会随能力涨速变陡，这正是他补那句开场的意思。【直引】
Codex 那个数也值得多看一眼：OpenAI 说 Codex 每周有 500 万人在用，其中还有上百万是程序员以外的人。2000 万这个量级站得住，但「前沿模型用户」这个定义本身在漂移，今天数的是写代码的人，明年可能一半是拿它干活不写代码的人。尺子在动，读数就别钉太死。【判断】