编者按
过去两年，整个科技界都在谈论 AI 带来的效率革命。然而，全球人工智能领域的奠基人、Google Brain 联合创始人、向全球 800 多万人教授过机器学习的吴恩达，却在近期的一次长谈中抛出了一个极其反直觉的警告：现阶段的主流大模型，本质上正在破坏人类真正的深度学习。
在他看来，将思考过程直接“外包”给大模型，正在导致年轻一代的知识留存率和深度认知能力急剧退化。但与此同时，吴恩达坚决反对舆论场上铺天盖地的“AI 抢走所有饭碗”的恐慌叙事。他用严谨的经济学逻辑指出：当 AI 把 30% 到 40% 的基础任务打成白菜价时，人类凭借多年现实经历所积累的“上下文优势”——对微表情的体察、对复杂业务潜规则的理解以及审美与判断力——反而成了最稀缺、最值钱的互补资产。
面对高校课程滞后前沿两年的现实，无论是刚毕业的学生，还是市场、财务等非技术人员，究竟该如何建立自己的护城河？吴恩达用自己团队的招聘法则与一线实操，给出了一套务实、甚至有些硬核的解题思路。
本期精彩观点
主流大语言模型在帮人“跑腿干活”上很出色，但对于真正的“学习”来说非常糟糕。把思考过程彻底“认知外包”给 AI，会导致长期的知识留存率和深度理解能力严重退化。
人类不会被 AI 取代的核心壁垒在于“上下文优势”——我们在现实世界中沉淀的常识、对客户微表情的洞察和业务潜规则，在底层架构上是 AI 在可预见的未来都无法获取的。
市场上甚嚣尘上的“AI 威胁论”，本质上是少数大模型巨头为了推动有利于自身的严苛法规、打压开源生态而发起的一场公关战与“监管俘获”。
当 AI 把岗位中 30% 到 40% 的重复任务自动化后，人类负责的其余 60% 会作为关键的“经济互补品”，变得更加值钱、更有价值。
软件工程的需求不降反升，但分水岭在于：墨守成规、按 2022 年以前习惯写代码的人会被淘汰，而借助 AI 拓展到端到端业务闭环的人正变得越来越抢手。
大学课程的迭代周期天然滞后技术前沿两年以上。学生绝对不能只盯着课本，必须主动通过线上渠道掌握面向 2028 年以后的 AI 原生开发能力。
未来的企业不需要按部就班的“螺丝钉”，而是渴求具备极高自驱力（Agency）的超级个体。在我的团队里，所有市场和财务人员都必须能独立写代码、搭自动化工具。
软件制造的成本被彻底击穿后，行业真正的瓶颈已经转移到了“产品定义”——难点不再是写出程序，而是深入一线搞清楚客户到底需要什么。
按照“能胜任人类所能完成的任何智力任务”这一严谨标准，通用人工智能（AGI）离我们依然有数十年之遥，过早宣布实现 AGI 大多只是出于商业利益和融资诉求。
大模型的认知陷阱：为什么说 LLM 正在毁掉深度学习？
问：现在很多人觉得有了大模型之后，系统性学习变得不再重要了，遇到不懂的直接问 ChatGPT 就行。作为全球教过最多人 AI 的老师，你怎么看这种现象？
吴恩达：我接下来要说的这句话可能有些争议，但我认为这是事实：坦白讲，现阶段的大语言模型对于真正的“深度学习”来说是极其糟糕的工具。
AI 在帮你快速交付工作、把事情办成方面确实非常出色，我也天天用它。但最新的一系列认知科学研究数据非常明确：学生在写作业时频繁使用 AI，作业得分确实大幅提升；但长期的知识留存率和实际理解能力却出现了严重下滑，因为他们让 AI 代替自己完成了本该由大脑进行的深度思考。
维基百科和搜索引擎提供的是事实线索，但当你直接让大模型把最终答案生成出来时，你实际上是把大脑的认知过程直接“外包”给了机器。短期内活是干完了，但人类大脑根本没有建立起深层的神经连接。
我自己也是如此。过去半年在开发项目时，遇到前后端组件调用的问题，直接让大模型把代码甩给我，确实能快速搞定；但六个月后我需要重新修改那个组件时，脑子里依然一片空白，只能再去问一次 AI。如果大家继续像现在这样把大模型当作跳过思考的捷径，它对人类的深度学习将带来破坏性的打击。
这也是为什么我目前正在主导一家名为 LearnVector 的新机构，并获得了 Coursera 的 1 亿美元投资支持。我们想做的是彻底重构学习体验，打造真正基于 AI 的一对一深度启发式辅导。十五年前我有幸参与了大规模在线公开课浪潮，但那主要是“一对多”看录播视频的模式；而现在的技术终于让我们有能力打造高度个性化的一对一教学，去解决浅层认知与学习退化的现状。
问：我们在实际业务中也深度使用了 AI，比如用大模型给播客候选嘉宾打分，根据历史表现打出从 1 到 40 的等级，还会用机器人复盘提问技巧。但我们发现，AI 当头脑风暴伙伴时，经常给出两个好点子、三个平庸点子，外加四个烂得离谱的馊主意。为什么大模型总会犯一些常识性错误？
吴恩达：这恰好印证了人类最根本的护城河——在相当长的一段时间内，人类相比于 AI 都握有巨大的“上下文优势”（Context Advantage）。
很多商业常识对你来说是不言而喻的，你一眼就能看出某个点子蠢得无可救药，但 AI 却觉得完全可行。人类拥有极其庞大的隐性上下文储备：我们生活在这个真实世界里，积累了多年的行业与人际经验；我们跟客户当面聊过天，能从对方嘴角抽搐的一瞬间察觉出不对劲；我们理解老板话里的弦外之音。人类脑海中掌握的海量微妙背景信息，在底层架构上根本没有数据管道能够完整喂给 AI。
大家平时常说的“人类判断力”或“品味”，其背后的技术实质正是这种上下文优势。这种优势是长期的，绝不可能在三五年内被技术轻易抹平。因此，市场才更加需要具备优秀品味与判断力的人才，来与 AI 形成深度互补。
巨头恐慌营销的真相与被夸大的“失业潮”
问：过去几个月，社交媒体上关于 AI 的讨论变得非常负面，大家都在焦虑数据中心耗电耗水、海量岗位被取代。你一直对 AI 的发展持务实且积极的态度，在你看来，这股恐慌浪潮为什么会突然爆发？
吴恩达：这背后充斥着大量的误导性信息。追根溯源，这是两三年前少数几家头部 AI 大模型公司发起的一场精心设计的公关战，本质上是试图搞“监管俘获”。
现在 AI 领域最昂贵的资产，就是耗资几十亿美元训练出来的超大语言模型。但如果你砸了几十亿训出一个模型，转头却发现开源社区也做出了同等水平的模型，并且免费分享给全世界使用，这对闭源商业巨头来说是极其不利的。
所以，少数头部公司开始大肆兜售恐惧，试图游说政府出台严苛的准入与监管法规，人为抬高行业门槛，以此建立一个有利于既得利益者的不公平竞争环境。这样一来，所有人都得向他们缴纳高昂的模型调用“过路费”，而那些想通过开源让技术普惠的研究机构和小公司则会被直接掐死。
贩卖恐惧在公关上向来很管用。比如把 AI 类比成“核武器”——这种类比没有任何事实依据，两者根本风马牛不相及；或者刻意抓着 AI 偶尔犯错的案例无限放大，甚至散布关于数据中心耗水量的虚假数据。这种持续不断的恐慌叙事严重扭曲了公众认知，不仅拖慢了技术的实际落地，更损害了正常的产业创新。
问：现在外界最焦虑的就是“就业末日论”，很多人认为 AI 会抢走 50% 以上的工作，导致大批人失业。从实际经济规律来看，这种情况真的会发生吗？
吴恩达：所谓的“就业末日”根本不会发生。技术浪潮每一次席卷而来，都会改变做好一份工作所需的技能组合，AI 确实正在重构各行各业的技能要求。
有时候我甚至希望 AI 能变得更好用一些，但现实是现在的技术根本没被吹得那么神。虽然少数企业为了商业利益不断炒作所谓的超级智能或 AGI，声称 AI 已经无所不能，但目前的底层技术根本做不到。
斯坦福大学的埃里克·布林约尔松和麻省理工学院的安迪·麦卡菲等经济学家对各行各业的岗位做了细致的任务拆解。结论很清晰：AI 大概能处理许多岗位中 30% 到 40% 的工作任务。
在经济学规律中，当这 30% 到 40% 的任务因自动化而大幅降本时，由人类承担的剩余 60% 就变成了关键的“经济互补品”，其价值反而被大幅放大了。最终的职场结局绝不是 AI 大规模替代人类，而是“善用 AI 的人淘汰不用 AI 的人”。
大学教育滞后两年，年轻毕业生该如何破局？
问：在所有行业中，软件工程是受 AI 冲击最直接的。现在的应届生很尴尬：高阶的战略决策做不了，低阶的基础编码 AI 又能做。对于这批年轻人，你有什么切实可行的建议？
吴恩达：软件工程确实是目前受影响最深的领域，因为 AI 极其擅长辅助编写代码。但与末日论者的预测相反，现在的软件工程岗位需求不仅没有崩盘，反而在持续增长，我认识的优秀软件工程师比以往任何时候都要忙碌。
当然，分水岭在于：如果你今天写代码的方式还停留在 2022 年 ChatGPT 出现之前，那你确实会有大麻烦。你必须果断放弃那 30% 到 40% 机械式的编码工作，交给 AI 处理，转而去攻克 AI 无法涉足的其余 60% 到 70% 的高阶能力。
年轻应届生面临的一个真正痛点是：高校体系的迭代速度太慢了。我很尊重学术界，但一门新技术彻底颠覆开发流程后，大学往往需要一到两年让教师掌握技能，再编写新教案、提交课程委员会审核、等待教授评议会投票……这一套流程动辄按年计算，与 AI 领域以周为单位的技术演进完全脱节。
许多高校至今还在教学生如何胜任 2022 年的工作，而我们现在甚至不该只教 2026 年的技能，而是要培养面向 2028 年及以后的视野与手艺。其实产业端的需求一直非常旺盛，大量雇主根本招不到具备现代技能的人才。
在我的团队里有许多年轻的实习生和应届生，甚至还有高中生，他们表现出了极高的生产力。原因无他：他们是“AI 原生代”（AI-native），天然懂得用 AI 工具扫清基础工作，自己则专注于解决人类更擅长的问题。我对大学生的建议是：校内的功课要认真学、拿好成绩，但对于高校课程尚未覆盖的前沿 AI 技能，必须主动通过线上平台去自学补齐。
终结“螺丝钉思维”：非技术岗位也要学会用 AI 写代码
问：随着 AI 工具融入日常工作，各行业的职业边界在发生什么变化？对于非技术岗位来说，什么样的人才最具竞争力？
吴恩达：软件工程领域的演进往往是其他行业的风向标。由于 AI 工具的大量普及，软件行业原先壁垒分明的前端和后端工程师，现在正普遍进化为能够独立搞定全流程的“全栈开发者”。
这种趋势正在向所有行业迅速蔓延。在市场营销领域，以前只负责某个环节物料对接的人，借助 AI 可以独立操盘整套营销战役的策划与执行；在招聘领域，原先只负责捞简历的寻访员（Sourcer），现在借助自动化工具也能承担起端到端的全流程招聘。
这意味着社会对“复合型全周期人才”的需求正在爆发。你既要懂 AI 工具，也要补齐业务链条上的其他专业短板。虽然这逼着大家必须去学更多的新技能，但一旦迈过这个门槛，你的业务范围会被大幅拓宽，不仅能创造更大的商业价值、拿到更高的报酬，工作本身也会变得有趣得多。
那些充斥在外的恐慌叙事最恶劣的地方，就在于它打击了年轻人的学习积极性。有准备上大学的学生写信问我：“既然四年后 AI 会把所有事情都干了，那我大学学的东西不都作废了吗？”这种误导让很多人产生习得性无助，放弃了主动进化的机会。
问：在实际招聘中，你会如何考察一个非技术岗位（比如市场或运营人员）的 AI 实战水平？
吴恩达：在我们的岗位技能图谱研究中，有一个非常明显的信号：越来越多的岗位描述开始极其看重候选人是否具备强大的“高自驱力与主动性”（High Sense of Agency）。因为有了 AI，个人发现痛点并独立动手造工具去解决问题的门槛被彻底打穿了，“坐在工位上干等领导派活”的螺丝钉时代正在加速终结。
在我的团队里，所有的市场人员都必须掌握编程能力。面试时，我们会直接考察他们用 AI 独立构建过什么具体的软件或工具。
比如前几天，我们市场团队的一位同事展示了他自己开发的一套工具：每当他打算针对某个选题写深度行业文章时，这个工具会自动抓取全网最新动态并整理竞品研究。他自己动手做了一个在 Mac 本地运行的桌面应用，不仅能帮他标出关联文章，还能通过对话界面实时检索专属知识库，并且自带一个全网热点监控面板。
我们的财务团队也是如此。CFO 发现大家每周都要花大量时间在各种报表间机械地翻查、核对和搬运数字，于是她自己写了一套自动化脚本，定时自动跑批，调取文件、提取数据、核验前后一致性，并在发现异常数据或新文档入库时主动向团队报警。
他们没有被动等待软件工程师来排期支持，而是自己利用 AI 搭出了数据管理和自动化流水线。我们甚至还在招聘部门里专门配置了“招聘工程师”，专门负责用技术手段重构招聘流程。当业务人员懂技术，或者技术深度下沉到业务一线时，组织的整体生产力会产生质的飞跃。
敏感数据安全底线与大模型的“飞机控制论”
问：现在很多用户会把自己的个人投资账户或敏感财务信息授权给 AI 工具（比如让 AI 追踪持仓并给出调仓建议）。把这种核心数据交给 AI 真的安全吗？
吴恩达：这是一个非常复杂的隐私博弈问题，很大程度上取决于你把数据托付给了什么样的机构。
对于顶级的超大规模云服务商，我个人非常信任他们会 100% 严格执行隐私条款与安全规范。因为如果这些底层云巨头敢违背公开发布的隐私声明，对其核心商业信誉的打击将是毁灭性的，这与他们的根本商业利益相违背。
但对于某些初创 AI 公司，情况就微妙得多。有些平台会频繁变动服务协议，冷不丁弹出一个小窗口，告知用户他们修改了隐私政策以保留数据用于模型训练。如果你不加细看随手点了同意，就等于直接把数据控制权拱手相让了。在处理核心敏感信息时，我对这类公司会保持高度警惕。
我们的企业服务团队在与大型银行等金融机构合作时，经常涉及极其敏感的重大未公开信息。对于这种级别的数据，我们绝不会随意抛给公网的前沿闭源大模型，而是有着极其严密的合规隔离机制。
问：对于普通用户而言，在个人电脑上本地部署开源模型是保护隐私的最优解吗？
吴恩达：是的。许多大型银行也是在虚拟私有云或完全本地化的物理机房中运行开源模型，确保数据在物理层面绝对不出域。对于个人而言，如果你处理的是极度涉密的数据，在本地运行开源模型是极佳的方案。
现在开源社区的发展非常迅猛，比如 Meta 开源的模型以及阿里巴巴的通义千问系列，许多轻量级模型的推理能力已经逼近顶级闭源模型，并且完全可以在个人的消费级电脑上流畅运行。技术几乎每周都在迭代，最好的策略是保持敏捷尝试，不要死磕在某一个特定模型上。
问：图灵奖得主约书亚·本吉奥（Yoshua Bengio）对无监管的开源 AI 持极其悲观的态度，他认为人类不可能长期掌控比自己更聪明的系统。关于 AI 的失控风险，你怎么看？
吴恩达：我们可以换个视角，看看人类同样无法“绝对掌控”的另一项技术——飞机。
世界上没有任何一位工程师能造出一架可以被 100% 完美操控的飞机，因为高空风切变和复杂气流始终存在不可预测的随机扰动。在航空业发展的早期，确实发生过飞机坠毁、人员遇难的惨痛事故。但人类并没有因此放弃航空，而是通过在工程实践中不断吸取教训、建立多重冗余与控制系统，最终把民航变成了今天极其安全的出行方式。
大语言模型基于概率生成 Token 的底层机制，决定了它的输出同样具有固有的随机性，我们无法在数学上绝对预知它的每一次生成结果。但工程学科的核心法则，就是在受控环境中逐步演进系统、测量缺陷、施加安全边界，使其行为收敛在安全、可靠的轨道之内。
人类至今无法完美掌控任何一架飞机，未来也永远无法绝对掌控 AI，但这并不意味着系统会走向科幻电影式的毁灭性失控。
相比于虚无缥缈的失控论，当前真正紧迫且必须重拳治理的，是现实中的恶意滥用——比如未经本人许可利用 AI 生成具有侵犯性的深度伪造影像。这类行为必须在法律层面予以严厉打击和重罚。
软件降本时代的创业逻辑，以及 AGI 的真实距离
问：如果要在 2026 到 2027 年基于 AI 进行创新或创业，真正的商业机会在哪里？
吴恩达：由于大模型能力的普及，软件的构建成本已经断崖式下跌。我自己现在几乎每个周末都会动手写一些 AI 工具来解决实际问题。比如上个周末，为了分析一批复杂的业务运营指标，我没有时间去协调数据科学家排期，就直接调用多个前沿大模型完成了深度的业务数据洞察。
当写代码的成本大幅降低后，整个行业的瓶颈已经彻底转移到了“产品定义瓶颈”——即“你究竟该做什么”。
把软件敲出来已经不再值钱，真正的壁垒在于深入一线与客户沟通，凭借敏锐的品味与判断力搞清楚用户真正的痛点，然后利用 AI 极速迭代产品。
但大家千万不要把创业想得太轻巧。花一个周末套壳大模型做个小 Demo 很容易，但要打造一家真正有护城河的企业依然极其艰难。它要么需要极深的底层技术积累，要么需要对垂直产业客户有着极深厚的业务理解与系统集成能力。写一个简易原型只是一张入场券，真正的护城河依然来自于你在特定产业中的深耕。
问：最后一个问题，关于大家都在讨论的通用人工智能（AGI）。黄仁勋等人曾表示 AGI 已经近在眼前，而你一直坚持认为它还需要数十年。你判断 AGI 到来的核心标准究竟是什么？
吴恩达：不同的人给出截然不同的时间线，根源在于大家对 AGI 的定义千差万别。如果把评判标准降得足够低，甚至可以说三十年前就已经实现了某种程度的 AGI。有些商业机构出于自身的融资协议或估值诉求，有着强烈的动机去尽早对外宣布“实现了 AGI”。
但在我看来，最严谨且公认的定义是：AI 系统能够胜任人类所能完成的任何智力任务。
一个人类博士生需要花费五年时间才能完成一篇具备原创突破的博士论文；一个普通人只需在热带雨林中练习几十分钟，就能学会如何在极端泥泞的复杂环境中驾驶卡车。
AI 何时能够在只经过几十分钟适应性训练的前提下，自主应对全新的极端物理环境？何时能够独立完成高水平的原创科学研究？
这类人类大脑能轻松搞定、而 AI 毫无头绪的高阶智力任务还有一长串。要逐一攻克这些领域，我认为至少还需要数十年的扎实演进。AGI 远没有媒体炒作得那么临近，面对即将到来的技术红利，当下最明智的做法是脚踏实地学习 AI、运用 AI，深入真实世界去构建真正有价值的东西。
资料来源：吴恩达在 Silicon Valley Girl 播客的访谈。
本文由 AGI 2050 编辑部综合多方公开资讯整理编撰，事实信息均以原始信源为准。文中观点仅作行业交流与知识参考，AI 行业发展存在诸多不确定性，相关数据、技术解读与行业研判仅供参阅。
—— 全文完 ——