第一群體：「AI 是玩具」

這個群體去年某時試用了 ChatGPT — 通常是免費版。他們看到了幻覺，嘲笑了病毒影片中語音模式回答簡單問題的失誤，並得出 AI 被過度炒作的結論。

他們對自己經歷的描述沒有錯。2025 年的免費版模型確實有限制。但問題在於：他們在那個時間點凍結了對 AI 的心理模型，再也沒有更新。

正如 Karpathy 所說，那些舊的、已棄用的模型並不能反映當前前沿模型的能力。

第二群體：「AI 精神病」

這個群體在技術領域專業地使用最先進的代理模型 — Claude Code、OpenAI Codex。他們每月付 200 美元。他們給這些模型一個電腦終端，然後看著它們解決通常需要數天或數週工作的問題。

Karpathy 說這個群體正在經歷他所稱的「AI 精神病」— 不是因為他們在妄想，而是因為進步如此驚人，以至於很難向任何沒有親身體驗過的人傳達他們所看到的東西。

Karpathy 指出了 AI 能力不均勻進步的兩個結構性原因：

1. 強化學習在可驗證獎勵下效果最好。

編程、數學和研究等任務有明確的成功標準 — 程式碼能編譯嗎？測試通過了嗎？證明是正確的嗎？這些領域天然適合強化學習訓練，模型能獲得關於是否成功的具體回饋。

寫作、建議和對話等任務很難客觀評估，所以它們進步更慢。

2. B2B 價值驅動資源分配。

最大的商業機會在技術/專業領域。這就是 AI 公司集中最優秀團隊的地方。相比於產生最多收入的 B2B 產品，消費者功能如語音模式獲得的投資相對較少。

結果是一種奇怪的脫節。以下事情同時為真：

這兩件事都在 2026 年發生。但第一群體只看到前者，第二群體只看到後者。當他們試圖討論「AI」時，他們描述的是完全不同的技術。

如果你在第一群體，通往第二群體的路徑不是在不同聊天機器人上花 200 美元/月。而是改變你使用 AI 的方式 — 從隨意問答到結構化知識工作。

以下是兩個群體在實踐中的區別：

核心洞見：AI 輸出的品質與你給它的上下文品質成正比。

這是大多數人卡住的地方。他們聽到「給 AI 更好的上下文」，以為這意味著寫更長的提示詞或花更多時間解釋事情。那是蠻力方法。更聰明的方法是建構一個 AI 可以自動存取的持久知識層。

以下是實踐中的樣子：

將網路研究擷取為結構化 Markdown — 不要收藏頁面或將片段複製到文件中，而是將完整內容轉換為乾淨的 Markdown。這將資訊保存為任何 AI 工具都能摄取的格式。
整理成可搜尋的知識庫 — 按專案、主題或研究領域分組你儲存的內容。這讓 AI 能夠找到相關上下文，而不需要你記住你儲存了什麼。
將 AI 連接到你的知識 — MCP（模型上下文協定）等工具讓 Claude 直接搜尋和引用你儲存的內容。當你提問時，Claude 首先檢查你的知識庫，將答案建立在你精心整理的研究上，而非通用訓練資料。

這就是 Save 支援的工作流程。你儲存的每個網頁都成為本地知識庫中的 Markdown 檔案。Save Vault 的內建 MCP 伺服器將其連接到 Claude。你的 AI 助手現在可以存取你閱讀和研究過的一切。

第一群體和第二群體之間的差距不僅在於你使用哪個模型，而在於你隨時間積累的上下文。

一個儲存了六個月文件、Stack Overflow 答案和架構文章的開發者，擁有一個了解他們程式碼庫、技術堆疊和具體問題的 AI 助手。每次新開 ChatGPT 的隨意使用者，擁有的是一個對他們的工作一無所知的通用工具。

這就是為什麼 Karpathy 的觀察超越了 AI 炒作週期的重要性。能力差距沒有縮小 — 它在擴大。而分界線不是技術技能或預算，而是你是否在建構圍繞 AI 的結構化知識實踐，還是將其視為美化的搜尋引擎。

你不需要每月花 200 美元就能開始跨越鴻溝。你需要開始擷取和整理你每天已經遇到的知識：

一個月內，你將擁有一個使每次 AI 互動都從根本上更好的個人知識層。這就是第一群體和第二群體的區別 — 它從你如何擷取知識開始，而不是你付哪個模型的費用。

Save 一鍵將任何網頁轉換為乾淨的 Markdown 並儲存在你的本地知識庫中。透過 Save Vault 的 MCP 伺服器，Claude 在回答之前先搜尋你儲存的內容。免費試用 Save。