第一群体：“AI 是玩具”

这个群体去年某时试用了 ChatGPT — 通常是免费版。他们看到了幻觉，嘲笑了病毒视频中语音模式回答简单问题的失误，并得出 AI 被过度炒作的结论。

他们对自己经历的描述没有错。2025 年的免费版模型确实有限制。但问题在于：他们在那个时间点冻结了对 AI 的心理模型，再也没有更新。

正如 Karpathy 所说，那些旧的、已弃用的模型并不能反映当前前沿模型的能力。

第二群体：“AI 精神病”

这个群体在技术领域专业地使用最先进的代理模型 — Claude Code、OpenAI Codex。他们每月付 200 美元。他们给这些模型一个计算机终端，然后看着它们解决通常需要数天或数周工作的问题。

Karpathy 说这个群体正在经历他所称的”AI 精神病” — 不是因为他们在妄想，而是因为进步如此惊人，以至于很难向任何没有亲身体验过的人传达他们所看到的东西。

Karpathy 指出了 AI 能力不均匀进步的两个结构性原因：

1. 强化学习在可验证奖励下效果最好。

编码、数学和研究等任务有明确的成功标准 — 代码能编译吗？测试通过了吗？证明是正确的吗？这些领域天然适合强化学习训练，模型能获得关于是否成功的具体反馈。

写作、建议和对话等任务很难客观评估，所以它们进步更慢。

2. B2B 价值驱动资源分配。

最大的商业机会在技术/专业领域。这就是 AI 公司集中最优秀团队的地方。相比于产生最多收入的 B2B 产品，消费者功能如语音模式获得的投资相对较少。

结果是一种奇怪的脱节。以下事情同时为真：

这两件事都在 2026 年发生。但第一群体只看到前者，第二群体只看到后者。当他们试图讨论”AI”时，他们描述的是完全不同的技术。

如果你在第一群体，通往第二群体的路径不是在不同聊天机器人上花 200 美元/月。而是改变你使用 AI 的方式 — 从随意问答到结构化知识工作。

以下是两个群体在实践中的区别：

核心洞见：AI 输出的质量与你给它的上下文质量成正比。

这是大多数人卡住的地方。他们听到”给 AI 更好的上下文”，以为这意味着写更长的提示词或花更多时间解释事情。那是蛮力方法。更聪明的方法是构建一个 AI 可以自动访问的持久知识层。

以下是实践中的样子：

将网络研究捕获为结构化 Markdown — 不要收藏页面或将片段复制到文档中，而是将完整内容转换为干净的 Markdown。这将信息保存为任何 AI 工具都能摄取的格式。
整理成可搜索的知识库 — 按项目、主题或研究领域分组你保存的内容。这让 AI 能够找到相关上下文，而不需要你记住你保存了什么。
将 AI 连接到你的知识 — MCP（模型上下文协议）等工具让 Claude 直接搜索和引用你保存的内容。当你提问时，Claude 首先检查你的知识库，将答案建立在你精心整理的研究上，而非通用训练数据。

这就是 Save 支持的工作流程。你保存的每个网页都成为本地知识库中的 Markdown 文件。Save Vault 的内置 MCP 服务器将其连接到 Claude。你的 AI 助手现在可以访问你阅读和研究过的一切。

第一群体和第二群体之间的差距不仅在于你使用哪个模型，而在于你随时间积累的上下文。

一个保存了六个月文档、Stack Overflow 答案和架构文章的开发者，拥有一个了解他们代码库、技术栈和具体问题的 AI 助手。每次新开 ChatGPT 的随意用户，拥有的是一个对他们的工作一无所知的通用工具。

这就是为什么 Karpathy 的观察超越了 AI 炒作周期的重要性。能力差距没有缩小 — 它在扩大。而分界线不是技术技能或预算，而是你是否在构建围绕 AI 的结构化知识实践，还是将其视为美化的搜索引擎。

你不需要每月花 200 美元就能开始跨越鸿沟。你需要开始捕获和整理你每天已经遇到的知识：

一个月内，你将拥有一个使每次 AI 交互都从根本上更好的个人知识层。这就是第一群体和第二群体的区别 — 它从你如何捕获知识开始，而不是你付哪个模型的费用。

Save 一键将任何网页转换为干净的 Markdown 并存储在你的本地知识库中。通过 Save Vault 的 MCP 服务器，Claude 在回答之前先搜索你保存的内容。免费试用 Save。