AI恐惧与任务拆解
大飞: 大家好，这里是《最佳拍档》，我是大飞。如果只看过去一年关于AI的标题，你很容易得出一个悲观结论：模型越来越强，年轻人的第一份工作越来越难找，程序员首当其冲，大学课程还没教完就已经过时。于是有一个问题开始反复出现：当机器能够接手越来越多知识工作，人还剩下什么？
吴恩达（Andrew Ng）在最近与 Silicon Valley Girl 主持人玛丽娜·莫吉尔科（Marina Mogilko）的长谈里给出的答案，并不是AI不会影响就业；相反，他承认AI正在快速改变岗位内部的任务结构，软件工程尤其明显，但他反对把这种变化直接推演成就业末日。吴恩达一路从就业谈到大学，从学习谈到招聘，再谈到创业和AGI，背后其实贯穿着同一个判断：AI正在降低执行的价格，却同时抬高了判断、主动性、跨领域能力以及对真实问题的理解。
访谈一开始，主持人先提到今年夏天出现的一个越来越明显的AI悲观情绪：数据中心、就业、失控风险，几乎每一个话题都能迅速滑向恐惧。吴恩达对此并不认同。他的观点很鲜明：过去两三年AI领域存在大量误导性信息，一些领先AI公司不断强化风险叙事，并且试图借助监管建立一个更有利于既有巨头的竞争环境。
他的逻辑是这样的：如果你花了数十亿美元训练模型，另一支团队却训练出模型并免费提供给全世界使用，这对你会非常不利。所以少数头部AI公司一直高声渲染恐惧，希望推动监管，制造一个偏袒既有公司的竞争环境。有人说AI像核武器，还有人声称AI数据中心的用水量远高于实际水平。这种不断重复的恐惧信息正在拖慢美国采用AI的步伐，让美国的竞争力下降。这个判断带有吴恩达明确的个人立场，但是它解释了为什么他对AI就业末日的言论尤其警惕。
当主持人问到失业和不平等时，吴恩达没有否认自动化，而是换了一个分析单位。他说，不要问AI能不能取代一个职业，而是要把职业拆成任务。也许AI可以完成很多工作中30%到40%的任务，那意味着人类完成的那60%会变得更加有价值。这是他整场访谈最重要的逻辑之一。因为当30%到40%的任务被自动化、成本下降，它们与剩余的人类工作形成了经济上的互补关系，岗位内部的价值分配也会随之改变。过去大量时间消耗在执行环节，现在执行更便宜了，真正稀缺的部分会被放大。
斯坦福的经济学家**埃里克·布林约尔松（Erik Brynjolfsson）和MIT的安迪·麦卡菲（Andy McAfee）**等人做过类似的研究，把岗位拆成单项任务来分析。吴恩达说了一句很关键的话：使用AI的人可能会取代不使用AI的人，但是对绝大多数岗位来说，AI还无法取代人。
软件工程是他拿来说明这一点的第一个例子。他承认AI写代码已经非常强，也是目前受AI影响最明显的职业之一。但他观察到的并不是优秀软件工程师突然无事可做，而是他们比过去更忙，软件工程职位的空缺数量反而在上升。真正陷入危险的，是仍然按照 ChatGPT 出现之前的方式工作的程序员。吴恩达说得很直接：不要再做那30%到40%可以被AI自动化的事情，让AI去做，然后提升自己的技能，去做AI做不了的另外60%到70%。
这句话比学会使用AI更加具体，它要求每个人重新拆解自己的工作：哪些部分已经迅速商品化，哪些部分仍然需要专业知识、业务理解、沟通、取舍和责任承担。在当前能力边界下，人的工作重心必须跟着机器能力一起移动。
教育滞后与情境优势
大飞: 主持人随后把问题推向最焦虑的一群人——刚毕业的年轻人。她提到此前与埃里克·布林约尔松的对话：AI对总体就业的冲击也许还没有想象中那么大，但是年轻劳动者已经显得更加脆弱。原因很直观，新人最先承担的往往正是那些标准化、可重复、容易被AI接手的基础任务。
吴恩达没有把答案归结为年轻人经验不足，而是把矛头指向教育体系的更新速度。他仍然强调自己支持大学和学术体系，但是大学课程的迭代机制天然缓慢：一个新技能出现，教师要先掌握，再设计课程，再经过课程委员会和院系程序，等它真正进入课堂，AI工具可能已经迭代了好几轮。他说，很多大学仍然在让学生为2022年的工作做准备，我们甚至应该让他们为2028年及以后的工作做准备。
这不是一句大学没用的判断，恰恰相反，吴恩达建议学生继续认真上课、拿好成绩、向老师学习，区别只在于不能再假设学校提供的课程就是你进入就业市场所需要的全部能力。他建议通过 Coursera、DeepLearning.AI、Udemy 等平台掌握大学课程还没纳入的前沿技能，尤其是AI技能。
他拿自己办公室里的实习生举例：团队里既有在校大学生、刚毕业的年轻人，也曾经有高中生实习生。他们可以非常高效，关键是已经很AI原生，让AI承担AI能做的部分，同时主动投入到AI还做不了的部分。这改变了年轻人的竞争逻辑。过去初级岗位的价值往往来自于“我愿意做繁琐的基础工作”，而现在这些工作恰恰最容易被机器压价。年轻人需要更早进入理解问题、调用工具、跨越职能边界的环节，并且对结果负责。
紧接着这个话题，吴恩达做了一个很重要的延伸。他说，技能版图里最大的变化之一是用AI进行构建比过去容易得多。当一件事变得容易了，更多人就应该去做。不仅专业软件工程师应该借助AI构建软件，每个人用AI构建东西都会变得更容易，愿意拥抱它的人会更有生产力、完成更多事情。所以他明确提到，营销人员、招聘人员、HR和运营人员如果学会用AI构建工具，无论原本承担什么岗位都能完成更多工作。
主持人顺着这个话题问了一个很实际的问题：部署AI后怎么衡量生产力的提升呢？公司有统一的KPI吗？吴恩达的回答也很务实。他说AI带来的业务结果更多取决于业务本身而不是AI。对有些企业，指标可能是客户增长和留存；对另一些企业，可能是服务客户的速度提高或者某项任务的准确率提升。KPI通常与业务相关，而不是与AI本身相关。
主持人随后分享了她自己团队的做法：她为每个社交媒体平台建立了单独的AI项目，系统能够掌握历期嘉宾的全部分析数据，按照若干标准给每位候选嘉宾评分，包括是否被广泛引用、是否对AI持有明确观点等等。不同条件有不同权重，最终满分40分，40分代表第一档，30分代表第三档。还有一个项目会分析每一期播客，建议她应该怎样提问，系统了解她的表达语气、个人档案和商业战略。每个平台仍由一位员工负责，由人作出战略决定。团队还有一个机器人扫描所有的聊天记录来收集反馈，她正在努力闭合反馈循环，让AI持续从反馈中学习，越来越了解她的品味。
吴恩达对此做了一个很精妙的补充。他说，AI作为数据科学家或者头脑风暴伙伴时，通常会提出一两个好点子、两三个平庸点子以及四个糟糕透顶的点子。你有时会想，AI怎么可能认为那是一个合理方案呢？但这恰恰跟就业末日问题是直接相关的：在很长时间内，每一个人都会比AI拥有巨大的情境优势。
许多事情对你而言显而易见，你一眼就知道某个点子很糟，但是AI并不知道。因为多年经验让你积累了大量知识：与客户交谈时看到一个细微表情就知道对方不喜欢，经理说过自己特别在意某件事你也会记住。人类知道大量的信息，但是把这些信息完整输送给AI的基础设施并不存在，而且在可预见的未来也不会存在。人们常说人类判断力或品味很重要，对吴恩达而言，人类判断和品味优于AI的底层技术原因就是这种情境优势。它是一项长期优势，几年内不会被解决。
认知卸载与岗位重塑
大飞: 聊完情境优势，主持人把话题引向一个看似顺理成章的方向：这是否意味着教育反而更加重要呢？因为教育和多年的知识积累才是情境优势的来源。她提到另一种常见说法：有了AI就不再需要教育，所有信息都唾手可得，直接问ChatGPT就行。
吴恩达的回答出乎很多人意料。一个长期做AI教育、创办了Coursera和DeepLearning.AI的人，却公开说以今天最常见的使用方式来看，大语言模型并不是好的学习工具。他的理由不是AI会给错答案，而是AI太擅长替人把任务完成了。越来越多的研究显示，学生使用AI后作业表现会提高，但是长期保持和后续表现反而更差。因为在完成任务的同时，一部分本该由学习者自己承担的认知过程被外包了，他把这种现象称为认知卸载（cognitive offloading）。
对工作来说，认知卸载往往正是生产力提升的来源；但是对学习来说，问题恰好相反。你真正需要的不是把答案交出去，而是让自己的大脑经历那段困难的推理。他说维基百科和网络搜索都是很好的工具，提供了大量的事实，但是当你让AI代替自己工作时，你是在把认知任务外包出去。
吴恩达也承认自己会掉进同样的陷阱。他做项目时遇到前后端组件问题会直接让AI给出答案，项目很快推进，但六个月后再次碰到类似问题，他发现自己没有记住，只能重新问一次。他说，至少以今天绝大多数人使用AI模型的方式来看，它对学习非常糟糕。他随即补上了边界：这并不是说AI不存在好的教育用法，而是直接替学习者完成任务并不是一种好的学习机制。
这也是他现在领导新教育机构 LearnVector 的背景。这个项目获得了Coursera 1亿美元投入。吴恩达希望下一代在线教育从过去一对多的统一课程转向更个性化的一对一体验。十五年前他参与在线课程运动，改变了很多人学习方式，但是那种体验仍主要是一对多，所有人观看同样的视频。如今技术已经能创造更加个性化的一对一体验。真正困难的地方不是让AI回答更多问题，而是设计一种机制，让AI知道什么时候应该给答案，什么时候应该逼学习者自己想。团队预计明年年初会展示更多的成果。
从教育回到职场，吴恩达提出了另一个容易被忽略的变化：AI不仅让人做得更快，也在重新划分岗位边界。软件工程已经给出了一个预演：前端和后端过去可以是相对独立的专业分工，而AI辅助编程降低了跨栈工作的门槛，越来越多人可以覆盖更完整的软件开发流程。
吴恩达认为这种变化会扩散到营销、招聘、HR和运营。一个过去只负责营销流程协调的人，未来可能覆盖更完整的营销周期；过去只负责寻找候选人的寻访人员，也可能承担端到端招聘。承担这些更宽广的岗位需要学AI技能，但又不能只学AI，还要掌握营销、招聘或其他专业技能。这会产生强烈的再学习需求，不过掌握之后，人就能完成更多事情，承担更有趣的项目，也可能获得更高收入。
吴恩达还提到一封让他印象很深的来信：一个即将上大学的学生正在学习在线课程，却很难决定大学专业，因为担心四年后AI会完成所有的工作，自己所学的一切都会过时。吴恩达说，答案当然是否定的，不会所有知识都过时。但他担心的是，如果持续传播恐惧，就会让人怀疑自己未来是否仍然有价值，也让人不愿主动学习那些能够改善自身处境的技能。他说，在这个愿意投入的人将蓬勃发展的时代，让人们放弃是我们能做的最糟糕的事情之一。
主持人也问到在AI时代最值得学习的专业是什么。吴恩达说他不知道哪个专业最好，优秀的专业有很多，就像问世界上最好的工作是什么。他的女儿想成为宇航员，他甚至不知道大学是否有成为宇航员这个专业。但他说，一定要学习AI，也一定要学习用AI构建东西。
主动性与混合型角色
大飞: 吴恩达团队最近在做一份AI工程技能地图，让他有些意外的是，数据里越来越频繁出现的招聘要求并不是某个模型、某种编程语言，而是 agency。这个英文很难用一个中文词完全覆盖，它既包括主动性，也包括自驱力和把事情真正推进下去的能力。他说，我们正在加速离开那个“人们坐在那里等老板告诉自己该做什么”的时代。
为什么AI反而会提高对主动性的要求呢？因为过去一个普通员工即使发现问题，也可能缺预算、缺工程资源、缺跨部门支持，只能等待组织安排；现在，AI把第一次尝试的成本压低了。
主持人说，她越来越希望员工像自己领域里的创业者，可以调用工具，可以找外部资源，可以判断一个选题值不值得继续。吴恩达认同这种方向，并且谈到大公司里常见的“待在泳道里”的文化，指的是管理者要求员工只做自己职责范围内的事。坦率讲，这往往是因为经理自己的职业发展过于依赖那件事。在他看来，AI让人第一次更容易越过这条边界，你看到一个问题，可以先负责任地探索、做出东西，再证明它有没有价值。他说，未来那些鼓励人们学习AI、快速构建、负责任地行动并与客户交流的公司，会比更等级化、更孤立的组织创造更多价值。
这就引出一个很实际的问题：怎样才算真正熟练使用AI？吴恩达给出的招聘标准比会不会写提示词高得多。他说，他所有的营销人员都会写代码。面试营销岗位时，团队会直接问候选人做过什么；如果一个人从来没有构建过任何软件，这会成为非常明显的能力差异。
他举了几个具体的例子：在他的财务团队里，首席财务官发现团队每周要花好几个小时在文档之间点击、打开文件、把数字复制粘贴到其他地方，于是她开始构建定期运行的自动化脚本，自动打开文件、检查内容和一致性，如果出现异常或新增文档，系统就会主动提醒团队。团队不再等待工程师替他们完成，而是能够自行构建仪表盘和数据管理基础设施。
还有一位营销同事为文章选题开发了一套工具，它会抓取网络、寻找相关研究，并在电脑上运行一个定制桌面应用，突出显示相关文章。他还可以与整个系统对话，在自己正在撰写的内容和相关资料之间导航。招聘团队则拥有招聘工程师，也就是真正坐在招聘团队里的专业工程师，专门开发复杂的招聘工具。
吴恩达由此推演，未来还会出现更多营销工程师、HR工程师等混合型角色。这也是他为什么不担心工程工作会做完：AI让写代码更便宜，并不意味着世界对软件的需求已经满足；相反，过去因为太小、太碎而不值得开发的软件需求，现在第一次有可能被大量满足。技术能力因此开始从独立部门向业务一线渗透，真正发生的不所有人都变成工程师，而是越来越多岗位开始拥有一点过去只有工程师才具备的杠杆。
数据隐私与失控风险
大飞: 访谈还触及了一个很多人关心的话题：数据隐私。主持人提到自己授权 Perplexity 扫描投资账户，让AI跟踪投资组合并提醒再平衡。
吴恩达的回答很谨慎，说这很大程度取决于你把数据交给哪家公司。他相信大型云服务商会完全遵守服务条款，违背承诺不符合它们的文化，也会严重破坏长期商业模式。但至少有一家AI公司似乎会不时修改服务条款，突然弹出提示说可以保留你的数据或用它训练模型，没仔细阅读就点错按钮就等于授权对方以你不舒服的方式访问数据。
他提到自己的团队 AI Aspire 与大型企业合作，其中包括拥有高度敏感金融数据的银行。他们绝不会把重大非公开信息交给前沿模型实验室，必须先认真设计护栏和隐私保护。许多银行会把模型部署在虚拟私有云或本地环境，数据从不离开自己的控制范围。对个人而言，遇到高度敏感信息时他有时也会运行本地模型。他提到 Meta 最近的模型不错，最新版本的千问也很好，但模型几乎每隔一周就会变化，最佳实践是持续尝试新模型。
主持人还问到AI失控风险。她提到曾采访过约书亚·本吉奥（Yoshua Bengio），后者反对在没有监管的情况下自由开放AI，描绘了一些可怕场景，基本逻辑是我们无法控制比自己更聪明的东西。
吴恩达用了飞机的类比。他说没有人能造出一架可以被完美控制的飞机，风会使它颠簸。早期开发飞机时确实有飞机坠毁并造成人员死亡的案例，那非常悲惨；但我们从早期教训中不断学习，越来越好地控制飞机，今天大多数人登上飞机时不必过度担心生命安全。AI也是如此，运行过程中已出现过少量事故，其中一些也造成了真实损害。但无论飞机、电路还是AI，工程方法都是谨慎提高系统能力，在受控环境中测量哪里出了问题，再不断调整。我们永远无法完美控制AI，但已能把它控制到足够好的程度。
他还谈到了深度伪造和儿童。他说未经本人同意制作的私密深度伪造影像，是他见过最令人厌恶的事情之一，美国国会正在采取行动立法禁止并施以严厉处罚。
关于孩子，主持人说她五岁的女儿每当答不上来就会说“问ChatGPT”。吴恩达自己也有一个五岁和一个七岁的孩子，他说孩子们拥有光明的未来，在这个时代长大令人兴奋，但AI损害学习的问题令他担忧。教孩子数学时，他可以不让他们用计算器，而是要求亲自计算乘法；但等孩子再大一些，他很担心认知外包损害长期学习和知识留存。他自己还因为不喜欢现有的打字学习工具，给孩子构建了一个应用帮助女儿学打字，七岁的孩子已经可以输入所有小写字母，只是大写字母还不太熟练。他说成人在监督下使用数字工具对孩子很有价值，但设计正确的激励机制非常重要。
构建机会与AGI现实
大飞: 到访谈最后几分钟，主持人才问出那个核心问题：2026年，一个普通人如果想围绕AI做产品，最大的机会在哪里？
吴恩达没有报出热门赛道，也没说Agent、机器人或者医疗，他的答案反而非常朴素。他说，因为构建成本已经大幅下降，“我鼓励大家学习AI、快速构建，并和客户交流”。
他说自己现在几乎每周、每个周末都在做东西。前一个周末，他需要分析大量脱敏后的关键业务指标，没有时间自己处理，也没有时间先找数据科学家排期，于是在确认数据保留政策符合要求后，直接调用前沿模型做分析。这类例子真正重要的不是吴恩达也在用AI写代码，而是它揭示了软件经济学正在发生的变化。当构建成本大幅下降，过去最昂贵的环节不再是把第一版做出来，挑战正在转移到决定要构建什么，吴恩达把它称为产品管理瓶颈。创始人、工程师和产品经理如果能够与客户交谈，形成判断该构建什么的品味，再借助AI快速构建和迭代，就会拥有大量令人兴奋的机会。
但吴恩达紧接着给这股“人人都能创业”的乐观降了温：周末做一个简单应用已经很容易，建立一家真正有意义的公司仍然非常难。真正的公司往往需要两类东西中的至少一种：足够深的技术能力，或者足够深的客户洞察与客户集成。复杂软件仍然可能需要数月甚至数年，理解客户同样需要长期交流、观察反馈、反复验证。他还提到，虽然可以同时尝试多个想法，但单线程领导（也就是一个人全身心专注一件事）仍然很有价值。所以AI没有让深度失去价值，它只是把浅层执行变便宜之后，让深度变得更醒目。
访谈最后，主持人问到AGI。她提到**黄仁勋（Jensen Huang）**曾说我们已经实现了AGI，而吴恩达认为还需要数十年。
吴恩达首先强调，不同人宣布AGI已经到来或者AGI还很远，很多时候只是因为定义不同。他最熟悉的定义是：AI能够完成任何人类能够完成的智力任务。他给了两个尺度完全不同的例子：一个人可以用五年时间学习并完成博士论文；另一方面，一个人也可以经过几十分钟练习，就学会在陌生而复杂的环境里驾驶卡车穿过茂密雨林。AI什么时候既能完成前一种长期原创研究，又能像人一样快速适应后一种全新环境？在他看来，类似尚未解决的能力还有很长一张清单，所以他判断时间尺度仍可能是几十年，希望只需要数十年，也可能更久。
但他同时提醒，AGI的门槛可以被人为调整。标准降得足够低，人们甚至可以声称几十年前就已经实现某种AGI；而企业的经济激励也可能影响它们何时愿意宣布某个里程碑。比如 OpenAI 和微软过去曾有一项协议，虽然目前似乎已经重新谈判，但OpenAI曾经存在较早宣布达到AGI的经济动机。
吴恩达在这场访谈里反复说一个词：build——去学，去做，去和真实的客户交流，发现问题之后先动手试一试。这个词背后的意味不是在要求每一个普通人都变成AI专家，也不是告诉我们必须拼命追上每一次技术更新；恰恰相反，它是在提醒我们不要因为未来变化得太快，就提前放弃对自己生活的主动权。
你可以不会训练模型，可以看不懂最新的论文，甚至不需要知道AGI究竟会在五年、二十年还是五十年后到来；但你可以从今天开始，少做一点机器已经很擅长的事情，多花一点时间去理解自己的行业、身边的人和真正的问题；可以试着用AI解决一个以前解决不了的小麻烦，也可以认真学会一件你不愿意永远交给AI替你完成的事情。AI越强，那些机器做不了的东西反而越容易被看见。
感谢收看，我们下期再见。