吴恩达：好消息是，岗位其实就在那里

在生成式 AI 狂飙突进的第三年，科技行业陷入了一种奇特的撕裂：一边是模型能力日新月异带来的兴奋，另一边却是铺天盖地的恐慌叙事——AI 要抢走一半的工作、要耗尽整个城市的电与水、甚至被比作新的核武器。

可如果仔细追问这些恐惧的来源，会发现一个反直觉的事实：最卖力渲染威胁的，往往不是置身事外的评论家，而是那些投入了数百亿美元、最不希望开源模型免费出现的头部 AI 公司。恐惧，在商业世界里自有它的买家，也有它的用途。

本文整理自硅谷播客《Silicon Valley Girl》对话吴恩达（Andrew Ng）的最新长篇访谈。主持人玛琳娜·莫吉尔科（Marina Mogilko）是深耕科技与创投领域的资深创作者，这场 37 分钟的对谈聚焦一个核心命题：AI 的恐惧被夸大了，真正的机会藏在大多数人没看的地方。

嘉宾吴恩达是人工智能领域的奠基性人物：他一手创办了 Coursera，主导创立了 Google Brain，并自 2012 年起在斯坦福讲授机器学习课程，迄今已有数百万学习者修读过他的课。而就在上月，Coursera 刚宣布向他新创立的 AI 教育公司 LearnVector 注资 1 亿美元。

正因为站在 AI 行业最核心的位置，吴恩达这次却给出了几乎全盘「反叙事」的判断：恐惧是被卖出来的，工作不会整份消失，而 AI 对「学习」这件事其实糟糕透顶。真正的机会，从来不在你害怕看到的头条里。以下为精选对话实录。

本期精彩观点

所谓的「AI 恐慌」是被制造出来的。少数头部 AI 公司为了抬高开源社区和小公司的准入门槛，借「AI 像核武器」「数据中心耗尽水电」等夸大叙事推动监管，本质上是一场监管俘获。

AI 取代的不是「人」，而是「任务」。经济学家的任务级拆解显示，AI 大约能自动化一份工作里 30% 到 40% 的任务，而剩下那 60% 由人完成的部分，反而会因「经济互补」变得更值钱。

人类的护城河是「上下文优势」。你见过的客户微表情、踩过的坑、老板话里的弦外之音，这些从未写进文档的经验，AI 没有管道获取。

反直觉的是，AI 对「学习」极其糟糕。把答案外包给大模型，短期分数会变高，长期的知识留存和理解却会崩掉——这正是吴恩达赌上 1 亿美元重做教育的原因。

软件工程的变化预示了所有行业的未来：单人全流程的「全周期人才」正在取代单一环节的螺丝钉，而最被看重的招聘标准，是「能用 AI 构建东西」而非「会用 AI」。

当「造东西」的成本趋近于零，瓶颈已经从「会写代码」转移到「判断该造什么」。产品定义、客户洞察与行业经验，才是构建成本暴跌后唯一值钱的东西。

破除「AI 恐慌」的神话：一场被制造出来的恐惧

问：你是全球最早把深度学习推向产业的人之一，向来是 AI 界少有的积极声音。但最近，尤其这个夏天，社会对 AI 的态度变得极度两极化，我每次发 AI 相关内容，都有人跟我谈数据中心、谈失业。你为什么会觉得这股浪潮是最近才起来的？根源在哪？

吴恩达：坦白说，关于 AI 有大量误导信息，而这背后，是一场两三年前就开始的、令人遗憾的公关与「监管俘获」的企图。

如今 AI 行业里最值钱的资产，就是那些公司耗资数十亿美元训练的巨型大模型。但如果你砸了这么多钱训出一个模型，最「不方便」的事情莫过于——别人也训了一个相当水平的模型，却打算免费分发给全世界的任何人使用。

于是，极少数头部 AI 公司这些年来一直是散布恐惧的最响亮的声音，试图推动监管通过，好制造一个有利于在位者的、不公平的竞争环境，让所有人都要为使用 AI 付出高昂的「通行费」，同时扼杀那些只想把开源模型免费交出来的研究者和小公司。

而恐惧叙事之所以奏效，是因为它有具体的套路：说「AI 就像核武器」——这个类比毫无事实依据，两者到底有什么关系？再挑出几个 AI 翻车的个例，把它无限放大；甚至散布关于 AI 数据中心耗水耗电远超现实的谣言。

这套恐惧驱动的信息轰炸，把社会对 AI 的认知扭曲得极度负面。这很遗憾，因为它正在拖慢美国在 AI 普及上的脚步，让美国变得更不具竞争力。除非我们把关于 AI 的真相讲清楚——它带来巨大收益，也有一些问题，但远没有被炒作得那么严重——否则最终受害的是每一个人。

「工作末日」不存在，但岗位正在被重新拆分

问：我把人们最担心的那些点列出来读给你听，第一个就是失业和不平等，你怎么看？

吴恩达：所谓的「工作末日」，那种「AI 抢走 50% 的工作、人们失业上街暴动」的画面，根本不会发生。

每一轮技术浪潮，包括 AI，改变的从来不是「要不要工作」，而是「做好工作需要哪些技能」。说实话，我倒真希望 AI 有那么强——可惜它还不够好，我们还没本事让 AI 做完一个人能做的一切。

我的经济学家朋友，把人的工作拆解到单个「任务」的粒度去分析。结论是，AI 大约能自动化掉很多岗位上 30% 到 40% 的任务。

注意，是任务的 30% 到 40%，不是人的 30% 到 40%。这意味着剩下那 60% 由人完成的部分，反而会变得更值钱——因为它在经济学上成了那 30% 到 40% 的「互补品」。被自动化的任务变便宜了，能跟它互补的人类工作就变贵了。

所以会发生的是：会用 AI 的人取代不会用 AI 的人，但 AI 远没有能力取代绝大多数岗位上的「人」。

在所有职业里，如今受 AI 冲击最大的是软件工程，因为 AI 实在很擅长写代码。但现实是，软件工程的招聘岗位数量不降反升，与那些末日论者说的恰恰相反。AI 其实替换不了软件工程师，我认识的优秀工程师个个都比以前更忙。

真正危险的，是那些还在用 2022 年、也就是 ChatGPT 出现之前的方式写代码的人，他们麻烦了。别再做那 30% 到 40% 会被 AI 自动化的事，让 AI 去做，然后把技能升级到剩下那 60% 到 70% 上。

问：那对刚毕业的应届生，你有什么建议？我跟埃里克也聊过，他说就业市场整体冲击不大，除了 18 到 25 岁刚毕业的这批人。那些还没积累起足够专业判断力、只能做 AI 也能做的基础工作的人，该怎么办？

吴恩达：应届生面临的一个真正挑战是，大学系统的适应速度太慢。

我很爱学术圈，也认为我们都该支持高校。但问题是，当 AI 改变了软件被编写的方式，大学往往要花一两年让老师掌握新技能、开新课、走完课程委员会审批、院系投票，整个过程就是好几年。而学术界的这种变化速度，和 AI 的变化速度严重不匹配。

可悲的是，很多大学还在教学生怎么应对 2022 年的工作——而我们不但不该教 2026 年，甚至应该教 2028 年及以后的工作。

好消息是，岗位其实就在那里。我认识的一大批雇主，无论在哪个资历层级，都招不到足够多合格的人。我现在办公室里就有很多实习生，有在校生、应届生，还有一个高中生——他们都很棒、很高效。关键是他们都「AI 原生」：既会用 AI 工具做那些我当年能做的事，又会主动去做那些 AI 长时间做不了的事。

所以我的建议是：课当然要好好上、拿好成绩、跟老师学。但凡是大学还没跟上教的那些技能，就去 Coursera、DeepLearning.AI、Udemy 这些地方，把更前沿的、尤其是 AI 的技能补上。

问：我特别想问的是，你会怎么衡量 AI 部署之后的生产力提升？你们公司有对应的 KPI 吗？

吴恩达：这件事没有简单的答案。我发现，AI 带来的商业结果，更多是「业务的函数」，而不是「AI 的函数」——有的公司看客户增长和留存，有的看服务速度，有的看任务准确率。所以 KPI 往往绑定在业务上，而不是 AI 上。你没法直接、单独地去量化「AI 本身」贡献了多少。

那我反过来，能说说你们公司具体是怎么用 AI 的吗？

主持人：天哪，太多了。首先我们全员在用 Claude，而且为每一个运营的社交媒体都建了专门的项目。比如这个播客，我们有一个叫「Guests」的项目，它知道过往所有嘉宾的分析数据，并设定了一套标准来给每个上节目的人打分——他/她有没有被引用、对 AI 有没有明确观点、公司里是否积极用 AI、是不是新晋的 AI 创始人，然后加权算出一个 40 分制的分数，40 分是第一梯队，30 分是第三梯队，以此类推。

我们还有另一个工具，会分析每一期播客，给我提示该问什么问题。Instagram、LinkedIn 同理，它掌握我的语气、个人档案、商业策略，所以每次写东西都了解我的事实和腔调。

我现在正在做的，是「闭环」。有时候它会发一段文案给我，我说这里要改、那里要改，但这段反馈发生在 Telegram 聊天里，散落各处。我们有个机器人会扫描所有聊天，但我真正想要的，是让 AI 能持续从这些反馈里学习，越来越懂我的品味。

人类的护城河：上下文优势

问：你刚才提到「判断」和「品味」——这两个词听起来有点玄乎。它到底是什么？

吴恩达：我在 AI 里观察到一个很常见的现象：当你把 AI 当成数据科学家的头脑风暴伙伴，它常常会给出 1 到 2 个好点子、2 到 3 个平庸的点子，还有 4 个烂得离谱的点子。有时你会纳闷，我的 AI 怎么会觉得这个也能算个可行的想法？

我认为，这恰恰回应了前面的「工作末日」命题——在未来相当长的时间里，你、我、屏幕前的每一个人，都会对 AI 保持一种显著的「上下文优势」。

也就是说，你知道某件事「显然是个烂主意」，是因为有些东西对你是显而易见的，而 AI 没有。你从多年的经验里积累了大量知识：你跟客户聊过，看到过对方脸上那个微妙的表情，知道「他不喜欢这个」；你听老板说过「我其实真正在乎的是这个」。几乎所有人，甚至可以说所有人，都掌握着一大堆 AI 永远拿不到的东西——这样的「管道」如今不存在，可预见的未来也不会存在。

有时人们谈「人类判断」或「人类品味」，会觉得这是件很模糊的事。但在我看来，支撑起人类比 AI 更好的判断力和品味的，那个真正的技术性底层，就是这个「上下文优势」。

而正因为这是一个「没人能在几年内解决」的长期优势，我们才需要更多拥有这种判断和品味的人，去持续「互补」AI。

反直觉：AI 对「学习」糟糕透顶

问：这会不会让教育反而更重要？因为教育给我们「上下文」。可我也听到另一种声音——有了 AI，你就不需要教育了，信息都在指尖，直接问 ChatGPT 就行。你怎么看？

吴恩达：我要说一句可能有点争议的话，我不知道自己有没有公开讲过——但坦白讲，我认为「AI 模型是糟糕的学习工具」。

我知道很多人觉得 AI 在做事情上很了不起，我自己也天天用、很爱用。但所有正在出来的数据都在告诉我们：大学生用 AI，作业分数确实更高了——哇，作业分很高。可他们的知识留存、长期表现却更差，因为 AI 替他们做了功课。现在越来越多的研究在佐证这一点。

你看，维基百科是个好工具，海量事实；网络搜索也是好工具，海量事实。但问题在于，当你让 AI 替你做工作时，你是在对 AI「认知卸载」——这对推进社会、完成工作固然很好，但人的留存率却更差了。