本文观点出自吴恩达（Andrew Ng）2026 年 8 月接受 Silicon Valley Girl 频道访谈时的谈话。

吴恩达收到过一封邮件。写信的人马上要上大学，正在上他的在线课程，却拿不定主意选什么专业："再过四年，AI 不是把这些都做了吗？我学的东西不会全都过时吗？"

他的回答是不会。但比答案更要紧的，是这个问题为什么会被问出来。一个还没进大学的年轻人，已经开始怀疑自己将来会不会被社会需要。这种念头不是凭空长出来的。

先把他的核心判断放在前面：眼下的 AI 恐慌，主要不是技术现状的自然反映，而是少数公司争夺监管与"过路费"的副产品；被它吓退的人，放弃的恰恰是接下来几年最值钱的位置。

这句话有几层。恐惧从哪里来，岗位的账怎么算，AI 对学习为什么反而有害，机会具体落在哪，AGI 到底还有多远。下面按他的思路一层层拆。

01 恐惧从哪来：一场关于"过路费"的争夺

吴恩达是 Google Brain 与 Coursera 的联合创始人。以他的位置，他看到的恐惧叙事是这样成形的。

眼下 AI 领域最值钱的资产之一，是少数公司花数十亿美元训练出来的巨型语言模型。如果别人也训练出一个，还免费开放给全世界，对原公司就非常不利。于是几家头部公司不断高声散布对 AI 的恐惧，推动监管立法，营造对在位者有利的竞争环境。

目标很具体：让所有人用 AI 时都得向它们交高昂的"过路费"，同时堵死研究人员和其他公司开源模型、让 AI 更便宜的路。他把这场争夺的起点追溯到两三年前，称之为一场不幸的公关与监管争夺战（regulatory capture，通过影响监管为自己筑护城河）。

访谈开头几分钟：吴恩达在解释恐惧叙事是怎么被少数公司推起来的

手段有三种，都见过。宣称"AI 就像核武器"，而二者在事实上毫无可比性；刻意挑出 AI 犯错的案例放大；散布数据中心耗水量的虚假信息，远超真实水平。

恐吓宣传确实有效。人们跟他聊得最多的，就是数据中心和失业。整个社会对 AI 的看法被引向极度负面，美国采用 AI 的进程被拖慢，在竞争中处于不利位置。

需要划清一条线：吴恩达并没有说 AI 没有问题。他的说法是，AI 是一项能带来巨大收益的技术，问题存在，但远没有媒体渲染的那么严重。

02 岗位的算术：AI 接得住 30%–40%，剩下的 60% 反而更值钱

"AI 将取代一半岗位，人们流落街头"，这种"工作大灾难"论，吴恩达认为根本不会发生。

有意思的是，他坦言自己倒希望 AI 能做到一切。少数企业为了炒作，宣称已经实现"超级智能"或"通用人工智能"，能完成人类所有工作。如果真到那一步，他求之不得。现实是，技术离那里还很远。

能把这笔账算清的是任务拆解。斯坦福的 Erik Brynjolfsson 和 MIT 的 Andrew McAfee 等经济学家分析了大量职业，把每份工作拆成一个个具体任务。结果是：AI 大概能胜任其中 30% 到 40%。

讲到经济学家把工作拆成任务、AI 大约接得住 30%–40% 的那一段

关键在剩下的部分。那 60% 由人完成的工作，与成本骤降的 30%–40% 形成经济互补关系（一种东西变便宜，与它配套的东西需求反而上升），所以变得比以往更值钱。AI 让律师更快、更便宜，结果是市场需要更多律师。

所以未来的形态是：善于用 AI 的人可能取代不善于用 AI 的人，但对绝大多数职业而言，AI 还取代不了人。

软件工程是最好的检验，因为它是眼下受 AI 冲击最深的职业。他看到的事实与末日论相反：软件工程的职位空缺在上升，他认识的优秀工程师比以往任何时候都忙。

有麻烦的是另一类人：还在用 2022 年 ChatGPT 出现之前的方式写代码的人。对策只有一条。不要再做那 30%–40% AI 能自动完成的工作，把它交给 AI，自己去提升能力，承担那 60%–70% AI 做不了的部分。

03 大学慢半拍，但岗位没有消失

对刚毕业的人，真实的困难在于大学体制适应变化太慢。

吴恩达说他热爱学术界。但当 AI 改变了写软件的方式，大学要先让教师掌握新技能，再开新课，经课程委员会审批，最后由教职员工评议会投票。整个流程动辄一两年。学术界的变化速度和 AI 的变化速度严重错配。结果是很多大学仍在按 2022 年的岗位培养学生，而目标本应是 2028 年甚至更远的岗位。

岗位本身并不缺。他认识的许多雇主招不到足够多具备相应技能的人，不论资历深浅。他自己的办公室里有大量实习生，有在校生，也有应届毕业生，还接收过一名高中实习生，表现都很好，产出很高。

说到办公室里那批表现出色的实习生时，镜头切成了双人画面

这些实习生的共同点是"AI 原住民"：用 AI 完成 AI 能做的事，同时主动去做人能做、AI 很长时间内做不了的事。

他给毕业生和在校生的建议分两半。课堂上努力学、拿好成绩、向老师学；大学还没纳入教学的技能，尤其是 AI 方面更前沿的技能，去 Coursera、DeepLearning.AI、Udemy 这些平台在线学。

至于选什么专业，他的答案比想象中简单：没有"最好的专业"，正如没有"最好的工作"。他的女儿想当宇航员，他不确定有没有"宇航员"这个专业，等她长大想法也许还会变。但有一条不变：无论选什么方向，一定要学 AI，一定要学会用 AI 去创造东西。

04 一个反直觉的事实：AI 对学习几乎是有害的

这是他自认可能引起争议、也不确定以前是否公开说过的观点：坦白讲，AI 模型用于学习的效果极差。

机制叫认知卸载（cognitive offloading，把本该由自己脑子完成的加工交给外部工具）。所有相关数据都指向同一件事：大学生用 AI 做作业，分数更高，但知识留存率和长期表现糟糕得多。原因是 AI 替他们完成了需要内化的那一步。越来越多研究在印证这一点。

他拿自己做例子。过去半年，他搭项目时搞不清某个前后端组件怎么工作，就直接让 AI 给答案，体验顺畅。六个月后需要这些知识时，他完全想不起来，只能再问一次。

吴恩达讲自己那个"六个月后完全想不起来"的亲身例子

结论是硬的：至少在当下绝大多数人的用法里，应该停止把 AI 当学习帮手。他也补了一句边界：不是说完全没有能促进学习的用法，只是那不是多数人现在的用法。

这条判断向下延伸到孩子。主持人说她五岁的女儿一遇到答不上来的问题就说"去问 ChatGPT"。吴恩达家里一个五岁、一个七岁，他教数学时还能规定不许用计算器，反复手算乘法。他担心的是等孩子再大一些，用 AI 做认知卸载，损害长期的学习记忆。

他也给了另一面。市面上免费的在线打字工具他都不满意，于是自己做了一个，七岁的女儿现在小写字母都会打了，只是 shift 切换大小写还不熟。他认为突破口在于成年人负责任地监督下使用数字工具。难处是很多家长没时间监管，而社交媒体的动机又是博眼球。这一点对 AI 同样成立：得把激励机制建对。

顺带说一下他在做的事。他宣布领导一家新公司 LearnVector，由 Coursera 投资 1 亿美元，专注一对一学习体验。十五年前他参与了在线课程运动，但那种模式至今仍是一对多，每个人看同样的视频；如今的技术已经能做更个性化的一对一，预计明年初会有更多成果展示。

05 人类的上下文优势：判断力不是玄学

为什么 AI 短期内取代不了大多数人的工作？吴恩达给了一个可以观察的机制，而不是一句"人有判断力"。

先看现象。无论当数据科学工具还是头脑风暴伙伴，AI 往往给出一两个不错的想法、两三个中规中矩的想法，再加上一堆糟糕透顶的想法。有时你会怀疑，它怎么会觉得某个想法合理。

有些事对你显而易见，一看就知道是个糟糕的念头，AI 看不到。

原因是人类相对 AI 拥有巨大的"上下文优势"：和客户交谈时捕捉到的一个微妙表情，告诉你他其实不喜欢这个方案；老板说"我真的非常看重这一点"，这类只有身处真实工作场景才能拿到的信号。几乎所有人都掌握着一大堆 AI 在可预见的未来都拿不到的数据。

解释"上下文优势"那一段：人一眼能看出的糟糕念头，AI 看不出来

所以"人类判断力""人类品味"不是玄学，它背后的技术实质就是这个上下文差距。而这是一个长期的、几年内谁也解决不了的问题，因此需要更多具备判断力与品味的人去和 AI 互补，而不是更少。

由此推出一个反直觉的结论：教育变得更重要，而不是更不重要。有人说信息都在指尖，问聊天机器人就够了。但上下文和品味需要花很多年积累知识、向最优秀的人学习、观察他们怎么做事，打开一个聊天窗口得不到。

06 岗位会变宽：从全栈到全周期

软件工程领域现在发生的事，是其他领域未来的预兆。

在软件工程里，人们需要学新技能，学了的人往往发展得更好，创造更多价值，拿到加薪，进入更令人兴奋的项目。具体的变化是：原本只做前端或后端的开发者，借助 AI 变成了全栈开发者，承担更宽的工作范围。

同样的苗头已经出现在别处。原本只做营销协调的人，现在可以承担完整的全周期营销；招聘人员正在变成端到端完成全流程的全周期招聘者。

代价也明确。想承担更宽的角色，既要学 AI，也要学本专业里其他环节怎么做，不管是营销、招聘、软件工程还是 AI 工程本身。这对学新技能产生了非常迫切的需求。回报是做得更多、项目更有意思、报酬更高。

另一个变化来自数据。他的团队最近在梳理一张 AI 工程技能图谱。有一项发现原本只是直觉，却被数据印证：越来越多岗位描述明确要求候选人展现强烈的主观能动性（agency）。原因是 AI 普及后，个人更容易发现身边的问题并主动搭方案解决。过去的组织氛围是坐在工位上等上级布置任务，这个阶段正在加速结束。

这里有一个组织层面的障碍。他接触过许多大公司的工程师和员工，都提到经理要求他们"待在自己的泳道里"：有个很有创意的想法，经理说不行，你只管这一件事。原因往往很简单，经理的晋升和业绩系于让下属守好自己这一摊。

吴恩达的判断是，能跳出泳道发现机会、并以负责任的方式推动落地，这类机会未来会越来越多。未来能跑出来的企业，是那些形成了鼓励员工学 AI、快速而负责任地试错、直接与客户沟通这种文化的公司。它们的价值创造能力会远超层级森严、各自为政的组织。

07 什么叫"AI 进阶"：吴恩达团队的面试标准

主持人问：一名市场专员或知识型员工，怎样才算"AI 高阶"，面试看什么？

吴恩达的团队有一条硬标准：每一位市场人员都会写代码。面试市场岗位时，他直接问对方做过什么东西。主持人追问，只做过一个 Dashboard 算不算？他的回答是 Dashboard 也要看具体内容，他团队的标准大概还是超前于行业，每位市场人员都搭建过非常具体的工具或项目。

他举了两个团队里的例子。

营销团队有人写文章时用一组自建工具。先让程序爬取全网找相关资料，再用一款自制的 Mac 桌面应用把相关文章高亮出来。然后他可以对话式地跟整个系统交流，让它同时调用正在写的内容和全部资料来回答问题。他还做了一个大型仪表盘，不断在互联网上巡游，把正在冒头的新东西挑出来。

介绍营销同事自建的写作工具链时，吴恩达的手势

财务团队的一位 CFO 注意到，她的团队每周要花好几个小时在各种文档之间切换、把数字从一处复制粘贴到另一处。于是她自己写了自动脚本，按固定节奏运行：打开文件、检查内容、核对数据一致性。发现问题就把需要关注的事项高亮出来，新文档一来立刻触发提醒。

吴恩达认为这才是值得借鉴的做法：与其坐等工程师来帮忙，不如让团队自己具备能力。不只是搭仪表盘，而是搭一整套能接入数据、异常时主动报警的数据管理基础设施。

招聘团队走得更远，专门设了"招聘工程师"这个角色，也就是编在招聘团队里、有工程背景的人，为招聘搭了相当复杂的工具。他的做法是两步：团队先从简单的东西自己搭起，撞到天花板了再请工程师接手往前推。把一位工程师嵌进业务团队，团队的产出会被进一步放大。

由此他一点不担心工程岗位会消失。应该有招聘工程师、营销工程师、HR 工程师，当工程能力这样铺开，有太多有价值的工程工作等着被做出来。

顺带回答一个常见问题：部署 AI 之后怎么衡量生产力，有没有 KPI？他希望有简单答案，但发现 AI 带来的业务结果更多取决于业务本身，而不是 AI 技术本身。

对一些公司是客户增长与留存，对另一些是服务速度或某些任务的准确率。KPI 通常与业务挂钩，无法单独、孤立地衡量 AI 的贡献。主持人的媒体公司衡量的就是播放量。

08 数据交给谁：三档做法

主持人自己给 Perplexity 开了权限扫描她的 Fidelity 账户，让它跟踪投资组合、提示再平衡。它不执行操作，但确实在读数据。这样做有问题吗？

吴恩达说这件事比较复杂，很大程度取决于把数据交给的是哪家公司。他的做法可以分成三档。

第一档，超大规模云厂商。他个人倾向于相信它们会百分之百按自己的服务条款和公开承诺行事，并特意声明这只是个人看法，不是法律或商业建议。理由是机制性的：如果发布了条款和隐私声明却违约，对长期商业模式的打击是毁灭性的，那种文化也是它们承担不起的。

AI 公司那一端不一样。至少有一家他不点名的公司，似乎时不时就修改服务条款。访问网站时弹出一条"我们修改了条款，将保留你的数据或用于训练"，一不留神点错按钮，它们就拿到了在你不舒服的范围内使用数据的权限。

对确实不想泄露的敏感信息，他会非常谨慎地选服务商。文化、DNA 和长期商业模式与用户隐私绑定不够紧的公司，他不交。企业侧同理。他的团队 AI Aspire 与银行等大型机构合作，这些机构掌握极敏感的金融数据。它们绝不会随意把非公开信息（NPI）交给前沿模型实验室，除非围绕防护机制做过非常审慎的考量。

第二档，本地运行开源模型，数据始终留在自己设备上。不少银行把模型部署在虚拟私有云或完全本地的环境里。个人处理极敏感内容时，他有时也在本地跑模型。

聊到在本地运行开源模型时的全景：吴恩达与主持人 Marina Mogilko

最新的开源模型，比如 Meta 的 Llama、Qwen 的最新版本，能力已接近前沿，体积又小到能在本地流畅运行。它们迭代极快，几乎每隔一两周就变，所以最佳实践是不锁定某一个模型，持续试新的。

第三档，真正不愿发到云端的非公开材料：要么完全不用 AI，自己手动处理；确实需要 AI 帮助，就极为审慎地只用本地模型。

09 失控与深伪：一个类比和一条底线

主持人提到 Yoshua Bengio 对不受监管的开放 AI 持相当负面的态度，担心 AI 比人聪明之后无法控制。

吴恩达换了一个类比：飞机。没有人能造出一架完美飞行的飞机，气流总会让它颠簸。早期航空史里坠机和遇难屡见不鲜，正是那些教训推动人们学会更好地驾驭飞机，今天登机基本不再为生命担忧。

AI 类似。它的输出带随机性，没有人能完美控制它，也确实出过故障、造成过实际损害。

但路径与其他系统别无二致，从飞机到电网再到 AI，都是在受控环境中逐步扩大能力范围，衡量哪里会出问题，据此不断塑造系统。

我们永远无法完美控制任何一架飞机，也永远无法完美控制 AI，但已经驾驭到足够好的程度。"失控"的担忧，在他看来更像科学幻想。

深伪是另一回事。他见过或听说过的最令人厌恶的事之一，是未经同意的亲密深伪图像。他很高兴美国国会一直在朝正确方向推动，通过立法禁止并施以处罚。确实存在一些极其不当的 AI 用途，应当定为非法、严厉惩罚、彻底铲除。

10 2026 年的机会：瓶颈从"做出来"移到了"做什么"

想在 2026 年投身 AI 创业，最大的机会在哪？吴恩达不认为存在放之四海皆准的答案，但有一个前提变了：构建的成本已经大幅下降。所以他鼓励三件事，学 AI、快速动手搭建、去和客户交流。

他自己就是这么做的。几乎每周、每个周末都在动手，因为自己或团队里某个人遇到了问题，就冒出用 AI 自动化的念头。上周末他用前沿模型分析了大量关键业务指标，因为自己抽不出时间，也没空找数据科学家配合，于是直接用多个前沿模型来做。同时他仔细审视了它们的数据保留政策，让他不满意的一概不用。

构建成本暴跌之后，挑战转向决定"该做什么"。他称之为"产品管理瓶颈"（product management bottleneck）。创始人、工程师、产品经理需要走进客户群体，对该打造什么形成品味与判断上的直觉，再用 AI 快速构建、反复迭代。

讲"产品管理瓶颈"时的特写：难点从做出来变成了决定做什么

主持人问了一个初学者常有的念头：既然一个周末能做出原型，能不能同时在好几个方向试水？

答案偏冷。创办一家公司仍然非常、非常难，"单线程领导力"，也就是全身心聚焦一件事，价值依然很大。一个周末足够搭一个简单的 Web 应用或小程序，但搭一家真正的大公司没这么轻松。

有意义的产品往往需要两样东西中的一样：要么足够的技术深度，要么对客户的深刻洞察并与之深度融合。AI 几小时写出的代码只是整道难题里很小的一块。耗时的是构建那种要几个月甚至几年的复杂软件，或者花大量时间与客户交谈、观察表情、做调研、反复迭代，直到想清楚该做哪个方向。

他的建议是先广泛采样，再在少数几个领域钻得很深。

11 AGI 还远：答案取决于定义

主持人问：黄仁勋说我们已经实现 AGI，你说还有几十年，凭哪条标准算"到达"？

吴恩达的解释是，不同人在不同时间宣称实现 AGI，是因为定义不同。他最熟悉的定义是：AI 能完成任何一项人类能完成的智力任务。按这个标准，问题很具体。

人的大脑可以花五年做研究、写出一篇博士论文，AI 什么时候能写出同等水平的博士论文？人只要几分钟练习，就能在茂密的热带雨林里学会开卡车穿行，AI 什么时候能用几分钟练习在全新环境里做到？

这样的任务清单还很长，以他的观察都还需要几十年。他希望只是"几十年"，实际可能更久。

分歧的另一个来源是经济激励。OpenAI 与微软之间的协议后来被重新谈判掉了，但在那之前，OpenAI 有动机更早宣布达到 AGI。换一种定义、把门槛调低，你完全可以宣布今天已经达到，甚至三十年前就达到了。答案完全取决于怎么定义。

这些判断适用于什么

三条边界值得读者自己掂量。

第一，立场。吴恩达办 AI 教育公司、投 AI 创业公司，他说 AI 不利于学习的同时押注了 AI 一对一学习。两件事并不矛盾，前者说的是"当下多数人的用法"，但读者应当知道说话的人站在哪里。评论区也有人提醒，这类访谈本身是 AI 公司市场推广的一环，听的时候保持独立判断。

第二，时效。数据保留政策、开源模型的能力、岗位描述的要求，都是 2026 年中的观察。他自己反复强调模型一两周一变，这些结论也该按同样的节奏复查。

第三，样本。他看到的实习生、雇主和团队，是一个 AI 研究者身边的样本。"岗位没有消失"在他的圈子里成立，某个具体行业、具体地区是否成立，需要各自核对。

结尾：别把恐惧当成事实

回到开头那封邮件。吴恩达之所以担心恐吓宣传，正是因为它让一个还没进大学的人怀疑自己会不会被需要。这种怀疑会让人不愿去学那些本可以让他处在更有利位置的技能。他说，让人放弃是这个时代我们所能做的最糟糕的事之一，因为迎头而上的人终将蓬勃发展。

收尾时的双人画面：主持人希望观众去对照别人怎么用 AI，吴恩达希望观众去学、去用、去做

判断只有一句：恐慌是被制造出来的，机会在被吓退的人放弃的地方。

要动手，他给的清单只有三项：学 AI，快速搭建，跟客户聊。压缩成本周能做的动作，就是挑一件你每周都在重复的琐事，用 AI 把它自动化一次，然后看结果。

这正是他每个周末在做的事。