吴恩达最新访谈：AI拿走一部分工作后，人真正值钱的是什么？

根据Silicon Valley Girl × Andrew Ng访谈编译，YouTube 原始访谈：Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，头图来自：AI生成

如果只看过去一年关于AI的标题，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？

吴恩达在最近与 Silicon Valley Girl 主持人 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”。在他看来，一份工作不是一个不可拆分的整体。当AI把其中一部分任务变便宜，人的价值不会自动归零，而会向机器暂时做不了的部分重新集中。

这场访谈真正有意思的地方，也不只是那句“AI能做30%到40%的任务”。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。

一、AI真正改变的，不是“岗位”，而是岗位里面的任务

访谈一开始，主持人先提到今年夏天越来越明显的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。他认为过去两三年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，并试图借监管建立更有利于既有巨头的竞争环境。这个判断带有吴恩达非常明确的个人立场，不能简单当作行业共识；但它解释了为什么他对“AI就业末日”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：不要问“AI能不能取代一个职业”，而要把职业拆成任务。

“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%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随之改变：过去大量时间耗在执行环节，现在执行更便宜，真正稀缺的部分会被放大。

软件工程是他拿来说明这一点的第一个例子。吴恩达承认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。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。

“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。

吴恩达并没有在这场访谈里给那60%发明一个统一的名字，也没有说它永远不会被AI触及。他的意思更务实：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。

二、年轻人不是没有工作，而是学校训练的技能开始错位

主持人随后把问题推向最焦虑的一群人：刚毕业的年轻人。她提到此前与斯坦福经济学家 Erik Brynjolfsson 的对话——AI对总体就业的冲击也许还没有想象中那么大，但年轻劳动者已经显得更脆弱。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更新速度。他仍然强调自己支持大学和学术体系，但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几轮。

“很多大学仍然在让学生为2022年的工作做准备，而我们应该让他们为2028年以及更远的工作做准备。”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，也曾有高中生实习生。他说这些年轻人可以非常高效，关键是他们已经很“AI native”：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。

这实际上改变了年轻人的竞争逻辑。过去，初级岗位的价值往往来自“我愿意做繁琐的基础工作”；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过去通常要工作几年才接触到的环节——理解问题、调用工具、跨越职能边界，并对结果负责。

三、AI越能帮你把事做完，越要警惕自己其实没有学会

整场访谈里最反直觉的一段，出现在主持人问“既然信息随手可得，教育是不是反而没那么重要”之后。吴恩达的回答非常直接。一个长期做AI教育、创办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。

“坦率地说，AI模型很不适合学习。”——他的理由不是AI给错答案，而是AI太擅长替人把任务完成。吴恩达提到，越来越多研究显示，学生使用AI后，作业表现会提高，但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 cognitive offloading——认知卸载。对工作来说，认知卸载往往正是生产力提升的来源；但对学习来说，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。

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。

“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”并不是好的学习机制。

这也是他现在领导新教育机构 LearnVector 的背景。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。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。

四、AI正在把岗位做“宽”

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 sourcer，也可能承担端到端招聘。

这意味着职业升级不再只是“把自己原来的技能练得更深”，还要主动补齐上下游。

“当一件事情变得容易很多，就应该有更多人去做它。”——这句话是吴恩达解释“为什么非程序员也应该学会构建”的核心。软件过去昂贵，是因为构建门槛高；AI让构建变便宜之后，软件能力就不应该继续只属于软件工程师。

他明确提到，营销人员、招聘人员、HR和运营人员，如果能学会用AI构建东西，会完成更多工作，也会拥有更多创造空间。

这里的“构建”不是要求所有人转行成为传统程序员，而是能够把业务中的一个具体问题变成工具、自动化流程或小型应用。AI降低的是从“我发现问题”到“我能做出解决方案”之间的距离。

五、怎样才算真正熟练使用AI？

当主持人追问“怎样才算真正熟练使用AI”时，吴恩达给出的招聘标准，比会不会写Prompt高得多。

“我所有的营销人员都会写代码。”

他说，在面试营销岗位时，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。

他的团队已经在做各种自动化：程序定期读取文件、检查内容、验证一致性，发现新文件或异常后通知团队。财务、营销等职能都可以通过类似方式减少机械操作。

更值得注意的是，他们甚至已经配置 recruiting engineers——招聘工程师，让真正的工程能力直接进入招聘团队。吴恩达由此推演，未来还会出现更多 marketing engineers、HR engineers 等混合型角色。

这也是他为什么不担心“工程工作会不会做完”。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、回报太低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一个独立部门，向业务一线渗透。真正发生的不是“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。

六、比“会用AI”更难替代的，是主动发现问题并把它做出来

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。

这个词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。

“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？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，并谈到大公司里常见的“stay in your swim lane”——管理者要求员工只做自己职责范围内的事。

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。

“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。”

这句话也为整场访谈后半段埋下了伏笔：当执行越来越便宜，主动选择“做什么”本身会成为新的生产力。

到访谈最后几分钟，主持人才问出标题里的核心问题：2026年，一个普通人如果想围绕AI做产品，最大的机会在哪里？吴恩达没有报出一个热门赛道，也没有说“Agent”“机器人”或者“医疗”。他的答案反而非常朴素。

“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。”

吴恩达说，自己现在几乎每周、每个周末都会做东西。团队遇到一个问题，他想到AI也许能把它自动化，就直接尝试。前一个周末，他需要分析大量关键业务指标，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Vibe Coding”，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——我一直把它称为‘产品管理瓶颈’。”于是，产品经理、工程师和创业者的价值开始重新集中到另一端：能不能和客户交谈，能不能形成对“什么值得做”的判断，能不能快速做出来再迭代。

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面对面交流、观察反馈、反复验证。

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。这个问题在今天很容易陷入语义争论，吴恩达也首先强调：不同人宣布“AGI已经到来”或“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。“按这个定义，我认为AGI仍然非常遥远。”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车辆。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？

在吴恩达看来，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，甚至更久。

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。

结语

这两年，关于AI最常见的问题几乎都是：我的工作还安全吗？这种焦虑其实很容易理解。过去我们相信，只要学会一门技能、进入一个行业、积累足够多的经验，生活大致会沿着一条可以预期的轨道向前。但AI出现之后，这种确定感突然松动了。

你昨天花几年练熟的东西，今天可能一个模型几秒钟就能完成；你刚刚适应一种工具，几个月后又有新的工具出现。甚至连“努力”这件事，都开始变得有些让人困惑——如果机器一直在变强，我今天学的东西，还有没有意义？

所以我觉得，吴恩达这场访谈真正让人稍微安心的地方，不是他说“AI不会抢走所有工作”。而是他换了一个角度看这件事：人的价值，从来不等于我们现在手里掌握的那几个技能。有些技能会贬值，有些任务会消失，有些我们曾经引以为傲的熟练度，也可能突然变得不再稀缺。这件事大概没有办法阻止。

但工作从来不只是把一件事情“做出来”——我们还要决定什么值得做，理解一个没有被说出口的需求，在一堆看起来都正确的答案里判断哪个真正可行；我们要和人沟通，要承担结果，要在事情搞砸的时候重新想办法，也要在没有人告诉我们下一步该干什么的时候，自己往前走一步。

AI越强，这些东西反而越容易被看见。

吴恩达在访谈里反复说“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。

我很喜欢这个词背后的意味。因为它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。