吴恩达：AI 最大的机会不在取代人，而在重塑任务

导语

这场访谈从社会对 AI 的恐惧谈起，沿着就业、教育、企业实践、隐私、安全与 AGI 一路追问。下面保留采访者与吴恩达（Andrew Ng）的主要问答推进，并删去广告、寒暄和机械重复；重点不是替他们归纳答案，而是让观点怎样被问出、限定和修正的过程保持可见。

1. AI 恐慌从哪里来

• 采访者： 你有深厚的机器学习与教学背景，却一直是 AI 领域更积极的声音。这个夏天，社交媒体上对数据中心、失业等问题的负面情绪明显加剧。你认为这股浪潮为什么会在最近出现？
• 吴恩达： 关于 AI 有大量错误信息。根源之一，是两三年前开始的一场公关和监管俘获行动。现在最有价值的 AI 资产是耗资数十亿美元训练的大模型；如果别的研究团队或公司训练出模型，再以开放权重的方式低价甚至免费提供，既有巨头当然会感到不便。于是少数领先公司不断放大恐惧，试图推动偏向在位者的监管，让所有人都必须支付高额“过路费”，同时压制更便宜的开放模型。
• 吴恩达： 恐惧营销确实有效。有人把 AI 类比为核武器，但两者没有事实基础上的对应；也有人挑出模型失误个案无限放大，或夸张数据中心的用水量。这种持续的恐惧叙事让社会对 AI 形成过度负面的印象，也拖慢美国采用 AI、削弱竞争力。AI 有巨大益处，也有真实问题，但问题远没有电视叙事吹得那么可怕。

2. “工作末日”忽略了工作由许多任务组成

• 采访者： 人们首先担心的是失业和不平等，你怎么看？
• 吴恩达： 所谓 AI 会接管一半工作、让人们失业上街的“工作末日”不会发生。每一轮技术浪潮都会改变做好一份工作所需的技能，AI 也会改变职业，但它目前远没有好到可以做人类做的一切。少数公司愿意宣称自己已有超级智能或 AGI，我倒希望技术真有那么好，可现实并非如此。
• 吴恩达： 斯坦福的 Erik Brynjolfsson、麻省理工学院的 Andrew McAfee 等经济学家，会把职业拆成具体任务分析。AI 也许能完成许多工作中约 30%—40% 的任务；这反而让人类承担的另外 60%—70% 更有价值，因为它们成为那部分廉价自动化任务的“经济互补品”。更可能发生的是，会使用 AI 的人取代不会使用 AI 的人，而不是 AI 直接取代绝大多数职业。
• 吴恩达： 眼下受影响最深的是软件工程，因为 AI 很会写代码，但软件工程职位空缺并没有按末日论预言的方式消失，我认识的优秀工程师反而比以往更忙。危险的是仍按 2022 年的方式写代码：应把可自动化的 30%—40% 交给 AI，再提升自己完成剩余任务的能力。

3. 应届生面对的是教育更新速度，而非没有工作

• 采访者： 刚毕业的年轻人还没有足够经验去做战略判断，可能只能做 AI 也能做的基础工作。你会给他们什么建议？
• 吴恩达： 真正的问题是大学系统适应太慢。AI 已经改变软件开发，教师可能要一两年掌握新技能，再设计课程、通过课程委员会和教授会审批；等课程上线，学生仍可能在为 2022 年的岗位受训。我们不该只为 2026 年准备，更应为 2028 年以后准备。
• 吴恩达： 岗位仍然很多，企业甚至很难找到足够熟练的人。我办公室里的大学实习生、应届毕业生，甚至一名高中实习生都非常高效，关键是他们“原生地”使用 AI：让工具做擅长的事，再把精力放到人类仍有长期优势的部分。
• 吴恩达： 学生当然应认真上课、取得好成绩、向老师学习；但对大学尚未纳入课程的新技能，要主动通过 Coursera、DeepLearning.AI、Udemy 等在线渠道补足，尤其是前沿 AI 技能。

4. 构建成本下降后，各职业都可以把聊天窗口变成工作流

• 吴恩达： 当一件事变得容易得多，就应该有更多人去做。现在不只是软件工程师，营销、招聘、人力资源和运营人员也可以用 AI 构建工具。学会“用 AI 来造东西”的人，会更高效、完成更多事情，也可能工作得更有趣。
• 采访者： 企业部署 AI 后，怎样衡量生产力提升？你们有没有统一 KPI？
• 吴恩达： 没有一个简单的 AI 指标。AI 的商业结果更多取决于具体业务：可能是客户增长和留存、服务速度，或某项任务的准确率。因此 KPI 应与业务结果绑定，而不是因为用了 AI 就单独测一个 AI 数字。
• 采访者： 我们为不同社交平台建立 Claude 项目。播客嘉宾项目掌握过往数据，按被引用情况、AI 观点、创业经历等条件给候选人加权并以 40 分制评级；另一个项目会分析每期播客，给我提问建议。Instagram、LinkedIn 也各有了解我语气、个人资料和商业策略的项目。现在我想把 Telegram 里的修改反馈闭环回系统，让 AI 持续学会我的品味。
• 吴恩达： AI 作为数据科学家或头脑风暴伙伴，常给出一两个好点子、两三个平庸点子和四个糟糕透顶的点子。人会立刻知道某个点子为什么不可行，模型却不知道。人类判断与品味背后的技术基础，是相对 AI 的巨大“上下文优势”。 多年经验、客户反应、管理者的偏好和大量没有进入系统的信息，短期内没有完整的“管道”输送给 AI。因此企业仍需要有判断力和品味的人与 AI 互补。

5. AI 擅长完成任务，却可能让学习变差

• 采访者： 这是否反而让教育更重要？教育带来上下文与品味，它来自多年积累，而不只是随时向聊天机器人提问。
• 吴恩达： 我要说一个可能有争议的判断：按大多数人目前的用法，AI 模型非常不利于学习。 AI 很适合把事情做完，我自己也一直用；但研究显示，大学生用 AI 后作业分数更高，长期保持和后续表现却更差，因为工作由 AI 代劳了。
• 吴恩达： 这是一种认知卸载。它能提高社会产出，却会削弱人的记忆。我自己遇到前后端问题时，会让模型直接给答案，项目当下完成得很好；六个月后再遇到同类问题，我仍记不得，只能再问一次。当然可以设计有利于学习的 AI 用法，但不能把“AI 能帮助完成作业”等同于“AI 帮人学会了”。
• 采访者： 你正在领导一个得到 Coursera 1 亿美元投入的新组织，用一对一 AI 辅导解决这个问题吗？
• 吴恩达： 是的，新组织叫 Learn Vector。十五年前的在线课程运动改变了很多人的学习方式，但它仍主要是一对多：大家看同一段视频。现在技术允许更个性化的一对一体验，我们正在开发，预计明年初会展示更多成果。

6. AI 把专业岗位推向更宽的职责范围

• 吴恩达： 软件工程是其他行业的先行指标。前后端开发者借 AI 变成全栈开发者；营销协调人员开始承担更完整的营销周期；招聘寻访人员也能向端到端招聘扩展。好消息是人可以创造更多价值、做更有趣的项目并争取更高报酬；代价是既要学习 AI，也要补齐本专业相邻环节的技能。
• 吴恩达： 恐惧叙事会让年轻人误以为四年后所学都将作废，从而放弃投入。事实不是所有知识都会过时。在最需要人主动学习的时期，让人觉得努力已经没有意义，是恐慌叙事最有害的后果之一。
• 采访者： 那么 AI 时代最好的专业是什么？应深入一个细分领域，还是学更宽泛的计算机科学？
• 吴恩达： 不存在唯一最好的专业，就像不存在唯一最好的工作。选择你真正热爱的方向，但一定要学习 AI、学习用 AI 构建。我们的 AI 工程技能地图还发现，越来越多岗位描述要求候选人有很强的主动性，因为个人现在更容易发现问题并直接做出解决方案。
• 采访者： 我也希望每个人都像自己领域里的创业者，能自主配置承包商、工具并做战略判断。我们是否正进入一个人人在组织内更独立的就业市场？
• 吴恩达： 人会获得更多自主性和创造空间。许多大公司的员工明明发现了跨出职责边界的机会，却被经理要求“待在自己的泳道里”。未来更有价值的组织文化，应鼓励员工学习 AI、负责任地快速构建并直接接触客户，而不是维持层级森严的孤岛。

7. 什么叫“熟练使用 AI”：看他实际构建过什么

• 采访者： 招聘营销人员或知识工作者时，你怎样判断他已经熟练使用 AI？
• 吴恩达： 我的团队可能走得比较靠前：所有营销人员都会写代码。面试时我们会问候选人构建过什么软件。有人做了运行在 Mac 上的定制桌面应用：写文章前自动抓取网络上的相关材料、突出相关文章，让人能同时与草稿和资料对话；他还有一套监测互联网新动向的仪表盘。
• 吴恩达： 财务团队过去每周花数小时打开文件、复制数字。CFO 开始编写定时运行的自动化脚本，自动打开文件、检查内容与一致性，新文件或异常出现时提醒团队。这已经不只是做仪表盘，而是在建设能摄取数据和主动报警的数据管理基础设施。
• 吴恩达： 招聘团队里还有真正的“招聘工程师”开发复杂工具。趋势是双向的：营销、招聘、HR 和运营人员学习 AI；同时把专业工程师嵌入这些团队，突破业务人员自己构建到一定程度后的技术上限。因此我不担心工程工作枯竭，反而看见大量新的营销工程、招聘工程和 HR 工程任务。

8. 隐私风险要按数据敏感度和服务商分别判断

• 采访者： 我允许 Perplexity 查看 Fidelity 账户，用来跟踪投资组合和提醒再平衡，但不让它代我操作。把这么多金融信息交给 AI 有问题吗？
• 吴恩达： 这很复杂，取决于你把数据交给谁。我个人相信大型云服务商会遵守公开的服务条款和隐私承诺，因为违约会严重损害其文化与长期商业模式。但有些 AI 公司会不时修改条款，在弹窗里要求保留数据或用于训练；用户没留意就可能授予自己并不接受的权限。处理敏感信息时，我会避开那些文化、制度和商业模式没有牢牢绑定隐私保护的公司。
• 吴恩达： AI Aspire 与银行等大型企业合作，面对高度敏感的非公开信息，不会随意把数据交给前沿模型实验室，而要认真设计护栏和隐私控制。
• 采访者： 如果下载开放模型在自己的电脑上运行，数据就能留在本地，对吗？
• 吴恩达： 是。许多银行会放在虚拟私有云或本地环境中运行。个人面对特别敏感的数据，我也会用本地模型。开放权重模型正在接近前沿能力，而且已有足够小、足够好的版本；模型每隔几周就会变化，最佳做法不是锁定一个，而是持续试用新的选择。真正不能上云的非公开重要信息，我要么不用 AI 手工处理，要么极其谨慎地只用本地模型。

9. “无法完美控制”不等于注定失控

• 采访者： Yoshua Bengio 对缺乏监管的开放 AI 非常担忧。他描绘的场景是：我们无法控制比自己更聪明的东西。随着 AI 越来越聪明，人类会走向哪里？
• 吴恩达： 我会想到飞机。没有人能造出一架完全不受风影响、百分之百可控的飞机；航空早期也发生过造成死亡的悲剧。但我们从事故中学习，在受控环境中逐步扩大能力、测量故障并改进系统，今天大多数人可以安心乘机。AI 输出也带有随机性，我们永远不会知道它下一次精确生成什么，更不会做到绝对控制；但工程系统的标准本来就不是绝对控制，而是控制到足以负责任、安全运行。“永远无法完美控制 AI”与“AI 必然以科幻方式失控”不是同一个判断。
• 采访者： 深度伪造呢？
• 吴恩达： 非自愿亲密影像是我见过最令人厌恶的用途之一。美国国会推动相关法律是对的；某些 AI 用途确实应该直接取缔并严厉处罚。

10. 儿童既需要 AI 工具，也需要防止认知卸载

• 采访者： 社交媒体已让很多人无休止刷屏。我的五岁女儿一遇到我答不上来的问题，就说“问 ChatGPT”。孩子与 AI 的未来会怎样？
• 吴恩达： 孩子的未来很光明，他们会拥有我们从未拥有的工具。社交媒体可能被指责得略多，但确实也伤害了儿童。我更担心 AI 损害学习。我的孩子五岁和七岁；教数学时我可以不让他们用计算器，要求亲自练习。但随着年龄增长，我担心他们把思考卸载给 AI，损害长期记忆。
• 吴恩达： 同时，我不满意现有的免费打字学习工具，就自己做了一个应用帮助女儿练习。她现在已经能打全部小写字母。在成年人监督下使用数字工具可以很好，难点是许多成年人没有时间持续监督，而平台激励未必与孩子的学习目标一致。

11. 2026 年最大的机会，是决定该构建什么

• 采访者： 对想动手构建的个人来说，2026 年最大的 AI 机会是什么？
• 吴恩达： 没有一刀切答案。构建成本已经暴跌，所以我鼓励人们学习 AI、快速构建、与客户交谈。我几乎每周、每个周末都在做新工具：团队遇到问题，我就尝试做一个 AI 方案。上周末我还用多个前沿模型分析一批去标识化的关键业务指标，同时严格筛选数据保留政策。
• 吴恩达： 当构建越来越便宜，瓶颈就从“能不能做”转向“该做什么”，我把它称为产品管理瓶颈。创始人、工程师和产品经理需要与客户交谈，形成选择方向的品味和判断，再借 AI 快速构建、快速迭代。
• 采访者： AI 让你一个周末就能做出东西。初学者可以同时追逐多个想法吗？
• 吴恩达： 建公司仍然非常难。周末可以做出简单应用，但有意义的公司需要单线程、全身心的领导，需要技术深度，也需要长期积累的客户洞察。几小时写出代码只是拼图的一小块；复杂软件仍可能花几个月甚至几年，理解客户也要反复交谈、读懂表情、做调查。广泛试探有价值，但个人最终仍应在少数领域深入。

12. AGI 争论首先是一场定义之争

• 采访者： 有人说 AGI 已经实现，你说还要几十年。你会用什么标准判断我们到达了 AGI？
• 吴恩达： 不同人给出不同时间，是因为定义不同。我最熟悉的定义是：AI 能完成人类能够完成的任何智力任务。人脑可以花五年学习并写出博士论文；人也能在几十分钟练习后，学会把卡车开过陌生的茂密雨林。AI 什么时候能做到这些？目前还有很长一张它做不到的任务清单，在我看来至少要几十年，也可能更久。
• 吴恩达： 另一方面，企业协议和经济利益可能激励公司更早宣布“达到 AGI”。只要不断降低门槛，当然可以说今天已经达到，甚至三十年前就达到。因此讨论 AGI 前，必须先问对方究竟采用哪一种定义。
• 采访者： 谢谢你把团队的实际做法展示出来，让观众能回头衡量并扩展自己的 AI 工作流程。
• 吴恩达： AI 将带来巨大益处。我希望观众愿意真正去学习、应用，并亲手构建。

思想框架

访谈先追溯恐惧叙事背后的产业与监管利益，再把“AI 抢工作”拆成职业内部的任务替代与能力互补；随后从应届生、企业 KPI 和真实工作流进入人类的上下文优势，并把“用 AI 完成任务”与“借 AI 学会知识”区分开来。对话再由岗位扩展、主动性和跨职能工程案例落到组织变革，继而用数据敏感度讨论隐私，用飞机工程类比回应失控风险，并补上深度伪造和儿童学习的明确边界。最后，吴恩达把机会定义为在构建成本下降后做出正确产品判断，同时以严格的人类通用智力标准说明 AGI 仍很遥远。