Andrej Karpathy 在 10 月 11 日的推文中重提他 4 月发布的观察：约 75% 的人口几乎没有接触过大型语言模型（LLM），而约 5000 人（占全球人口 0.00006%）可以访问的内部前沿级系统，已经能让数千个智能体在数周内协作完成软件大型项目。他强调能力认知差距正在扩大。
能力分层与认知鸿沟
这一分层显示公开可用的模型与内部前沿系统之间存在能力落差，大部分用户接触到的是较低能力层级的产品。
内部前沿系统的能力边界与公开模型形成对比。Karpathy 描述这些系统能够发现新科学、推进数学前沿、以机器速度运行网络攻击和防御，并生成零日漏洞（zero days，即尚未被发现或修复的软件漏洞）。基于数千智能体协作数周完成大型项目的描述推测，这些系统可能具备长时间自主协调和执行复杂任务的能力，但推文未提供验证细节或具体案例。
能力来源与适用边界
Karpathy 认为大型语言模型的能力来自对可验证奖励的强化学习（reinforcement learning on verifiable rewards），在数字化、可验证且经济价值高的领域达到峰值。这一判断将编程、数学和网络安全等领域的突出表现归因于奖励信号的可验证性，但推文未说明该机制是否已在前沿系统中得到实证验证。
能力认知差距正在扩大意味着少数掌握前沿系统的群体与大多数未接触或仅使用基础版本的用户之间，对 LLM 能力的理解正在分化。这一差距可能影响公众对 AI 风险的判断，使风险评估依赖于公开模型的能力边界，而实际前沿系统的能力可能已超出这一边界。差距扩大也可能加剧技术获取的不平等，使少数机构和个人率先受益于前沿能力，而多数用户停留在基础应用层。
推文未提及具体的前沿系统名称、所属机构或技术实现细节，也未说明这些能力是否已在真实场景中部署。Karpathy 曾在 OpenAI 和特斯拉担任要职，他的观察可能基于对行业内部进展的了解，但推文本身未提供可独立验证的数据来源或第三方评估。