斯坦福AI课程：吴恩达de“职业建议与市场展望”The AI Frontier

这是斯坦福大学的一堂CS230 Deep Learning课程中的一节课，AI领域的泰斗吴恩达（Andrew Ng）和资深行业专家劳伦斯·莫罗尼（Lawrence Moroni）分享了他们对当前行业格局的深刻见解，并就AI 职业发展建议与市场展望给出了大佬的观点。

以下为AI领域的泰斗吴恩达（Andrew Ng）和资深行业专家劳伦斯·莫罗尼（Lawrence Moroni）在斯坦福大学课程《AI 职业发展建议与市场展望》逐字逐句稿。

Andrew Ng（吴恩达）:

今天我想做的是和大家聊聊关于 AI 领域的职业建议。往年这部分讲座大多由我自己来完成。但今天我的想法是，我先分享几点简短的看法，然后把讲台交给我的好朋友 Lawrence Moroney。我邀请了他作为演讲嘉宾，他非常友善地同意从他居住的西雅图远道而来，来到旧金山。他将与大家分享他在就业市场上看到的非常广阔的图景，以及在 AI 领域发展职业生涯的建议。

在把话筒交给 Lawrence 之前，我有两张幻灯片和另一个想法想分享。现在的感觉真的是构建 AI 应用和在 AI 领域建立职业生涯的最佳时机。几个月前，我知道在社交媒体和传统媒体上，有一些关于“AI 发展是否正在放缓”的疑问。有人说，“GPT-5 真的有那么好吗？”我认为它其实相当不错，但关于 AI 进步是否放缓的问题确实存在。我认为这个问题被提出的部分原因在于，如果 AI 的基准是 100% 的完美答案，那么如果你进步神速，在某个时间点你也无法超过 100% 的准确率。

但对我思考影响最大的一项研究是 MER meter 这个组织所做的工作。他们研究了随着时间推移，AI 所能完成的任务的复杂性，衡量标准是“人类完成该任务所需的时间”。几年前，也许 GPT-2 可以完成人类几秒钟就能做完的任务；然后它们能做人类需要 4 秒的任务，然后是 8 秒，然后是 1 分钟、2 分钟、4 分钟，以此类推。这项研究估计，AI 所能完成的任务长度（复杂性）每 7 个月就会翻一番。基于这个指标，我对 AI 将继续取得进步感到乐观，这意味着以人类完成任务所需时间衡量的任务复杂性正在迅速翻倍。同一项研究用较小的数据集论证，AI 编程能力的翻倍时间甚至更短，可能只有70 天左右。所以，那些以前我要花 10 分钟、20 分钟、40 分钟写的代码，现在 AI 能做得越来越多。

我认为这是构建的黄金时代，是我们所见过的最好的时机，原因可能有这在大主题：更强大和更快速。你们在这个房间里的所有人，现在都能编写出比一年前地球上任何人——即使是最资深的用户——所能构建的软件都更强大的软件。这是通过使用 AI 构件（Building Blocks）实现的。AI 构件包括大语言模型（LLMs）、RAG（检索增强生成）、智能体工作流、语音 AI，当然还有深度学习。事实证明，许多 LLM 对深度学习有着相当不错、至少是基础的理解。如果你提示一个前沿模型为你实现一个尖端的神经网络——比如试着提示它为你实现一个 Transformer 网络——它实际上能很不错地帮你使用这些构件快速构建软件。所以我们拥有了非常强大的构件，而这些构件在一两年前是非常难以获得或者根本不存在的。

同时也因为 AI 编程，你能编写软件的速度比以往任何时候都快。我个人发现，紧跟工具的前沿同样重要，因为 AI 编程工具的变化真的非常快。几个月前，我个人最喜欢的工具变成了 Cloud Code，这比早期的几代工具进步了很多；然后我认为自从 GPT-5 发布后，OpenAI Codex 实际上取得了巨大的进步；而就在今天早上，Gemini 3 发布了——我还没时间玩它，因为它只是今天早上刚发布——但看起来又是巨大的飞跃。所以如果你每三个月问我一次我最喜欢的编程工具是什么，答案实际上可能都会变，肯定每六个月会变，甚至可能每三个月就变。我发现，在这些工具上落后半代意味着生产力会大打折扣。我知道每个人都说 AI 发展太快了，但在 AI 的所有领域中，有些东西也许并不像炒作说的那样快，但 AI 编程工具确实是我看到进步速度惊人的一个领域。保持使用最新一代的工具，而不是落后半代，会让你更高效。

鉴于我们能够构建更强大的软件，并且构建速度比以往任何时候都快，我现在比一年前或两年前更强烈地给出一条建议：去构建东西。除了在斯坦福上课、修网课之外，去构建并向他人展示你的成果的机会比以往任何时候都大。

但这带来了一个奇怪的暗示，也许现在还没被广泛认知，那就是产品管理（PM）的瓶颈。当从清晰编写的软件规范转变为代码变得越来越容易时，瓶颈就日益转移到了“决定构建什么”，或者日益转移到“为你真正想构建的东西编写清晰的规范”上。当我构建软件时，我通常会设想一个循环：我们写一些软件，写一些代码，展示给用户以获取用户反馈。我认为这是 PM 或产品管理的工作。然后根据用户反馈，我会修正我对用户喜好的看法——比如这个 UI 太难用，他们想要这个功能，不想要那个功能——并改变我要构建什么的构想，然后多次通过这个循环，希望能迭代出一个用户喜爱的产品。因为 AI 编程，构建软件的过程变得比以前便宜得多，也快得多，但这讽刺地将瓶颈转移到了决定构建什么上。

我在硅谷和许多科技公司看到了一些奇怪的趋势。人们经常谈论工程师与产品经理（Engineer-to-PM）的比例。你要对这些比例持保留态度，因为它们到处都是，但你听到公司谈论的比例大约是 4:1，7:1 或 8:1。这种观念是一个写产品规范的产品经理可以让 4 到 8 个工程师忙碌起来。但因为工程速度在加快，而产品管理并没有被 AI 像工程那样加速那么多，我看到工程师与 PM 的比例正在下降，甚至可能到了 2:1 或 1:1。我合作的一些团队，提议的人员配置甚至是 1 个 PM 对应 1 个工程师，这与几乎所有传统的硅谷公司都不一样。

我看到的另一件事是，既能做工程又能塑造产品的工程师行动速度极快。你可以更进一步，把工程师和 PM 的角色融合在一个人身上。我发现确实有些工程师喜欢做工程工作，不喜欢和用户交谈，不喜欢工作更人性化、同理心的一面。但我发现，越来越多的那部分学会与用户交谈、获取反馈、对用户产生深刻同理心以便决定构建什么的工程师，是目前我在硅谷看到行动最快的人。在我职业生涯的最早期，有一件事我后悔了很多年。在我担任的一个职位中，我试图去说服一群工程师去做更多的产品工作。我实际上让一群非常优秀的工程师因为不擅长做产品经理而感到难过。那是我的一个错误，我为此后悔了很多年，我不应该那样做。现在我的一部分感觉是，我又要回去重复那个一模一样的错误了。话虽如此，我发现既然我可以写代码，也可以与用户交谈来塑造要做什么，这让我和能做到这一点的工程师走得更快。所以我觉得值得重新审视工程师是否可以多做一点这类工作。因为如果你不等待别人把产品需求带给客户，而是自己写代码，对下一步做什么有直觉并快速迭代，那种执行速度是快得多的。

在把话筒交给 Lawrence 之前，我想分享的最后一件事是关于职业导航的。我认为预测你学习速度和成功水平的最强指标之一，是你周围的人。我认为我们都是社会性动物，我们都向周围的人学习。事实证明，社会学研究表明，如果你的五个密友都是吸烟者，你成为吸烟者的概率就很高。请不要吸烟，这只是个例子。我不知道是否有研究表明，如果你的 5 到 10 个密友是非常勤奋、坚定、学习迅速、试图用 AI 让世界变得更美好的人，你也更有可能这样做。但我认为这几乎可以肯定是真的。如果你能找到一群好的人一起工作，这会推动你前进。

在斯坦福，我很幸运，这里有很棒的学生群体和教职员工。我认为我们在斯坦福很幸运拥有的另一件事是**“结缔组织”（Connective Tissue）**。坦率地说，许多在前沿 AI 实验室工作的人都是斯坦福不同教授以前的学生。这种丰富的结缔组织意味着，在斯坦福我们经常能听到很多并未被广泛知晓的事情，因为有这些关系和友谊。当某家公司做了什么事，我的教授朋友可能会打电话给公司里的某个人说：“嘿，这很奇怪，这真的管用吗？”这种丰富的结缔组织意味着，就像我们试图拉着朋友前进一样，我们的朋友也用知识、结缔组织和前沿诀窍拉着我们前进，而不幸的是，这些并不是目前都在互联网上公开的。所以，当你在斯坦福的时候，去交朋友，形成那种丰富的结缔组织。对我自己来说，有很多次我想往某个技术方向走，我会和真正接近研究的人——要么是斯坦福的研究员，要么是前沿实验室的人——打一两个电话。他们会分享一些我以前不知道的东西，这改变了我选择项目的技术架构的方式。所以，你周围的那群朋友，那些小块的信息——“试试这个，别做那个，那是炒作，忽略公关，别真的去试那个东西”——这些事情对你把握项目方向的能力有巨大影响。斯坦福的这种结缔组织真的很独特。我不希望听起来像是在给斯坦福做公关，但我真的认为在这个时间点，世界上没有任何一所大学像斯坦福这样享有特权，拥有与所有领先 AI 团队如此丰富的连接。

对你们来说，如果你申请工作，对你职业成功更重要的是你去一家公司时，你每天与之共事的人。我要讲一个我在以前的课上讲过的故事。几年前有个我认识的斯坦福学生，他在斯坦福做得很好，我认为他是明日之星。他申请了一家公司的工作，并拿到了 Offer。这是一家拥有热门 AI 品牌的公司。这家公司拒绝告诉他会加入哪个团队。他们说：“哦，先签 Offer 吧，我们有轮岗系统、匹配系统，吧啦吧啦。先在虚线上签字，然后我们再看哪个项目适合你。”部分因为这是一家好公司，他的父母也为他在那儿找到工作而自豪，这个学生加入了这家公司，希望能做一个令人兴奋的 AI 项目。在他签字之后，他被分配去维护公司的后端 Java 支付处理系统。我对那些想做后端 Java 支付处理系统的人没有任何意见，我觉得那很棒，但这是一个没有被匹配到 AI 项目的 AI 学生。大约有一年时间，他非常沮丧，一年后他真的离开了那家公司。不幸的是，我在 CS230 课上讲过这个故事，几年后，CS230 的另一个学生在同一家公司经历了完全相同的遭遇——不是 Java 支付处理，而是另一个项目。我认为这种试图弄清楚你每天实际与谁一起工作，确保你周围的人能激励你并做令人兴奋的项目的效应很重要。坦率地说，如果一家公司拒绝告诉你会被分配到哪个团队，这确实会在我心中引发疑问。