吴恩达斯坦福讲座：AI 时代的职业建议，写给每一个想入行的人

编者按

2025 年秋季，吴恩达（Andrew Ng）在斯坦福 CS230 课程上做了一次特别的职业建议讲座，并邀请了好友劳伦斯·莫罗尼（Laurence Moroney）——前 Google AI 首席布道师、ARM AI 负责人——来分享 AI 就业市场的一线观察。这堂课没有公式推导，也没有模型架构，而是两位在 AI 领域深耕数十年的从业者，对着一群即将毕业的斯坦福学生掏心窝子。

吴恩达讲了三件事：为什么现在是构建 AI 产品的黄金时代、工程师为什么要学会做产品、以及你身边的人如何决定你的上限。莫罗尼则从招聘端切入，讲述了 AI 行业从疯狂扩招到大规模裁员的周期，以及在泡沫中如何让自己成为”泡沫破了也不会被淘汰”的人。

两个人的建议汇成一句话：别等了，去做东西。

AI 能做的事正在指数级增长

吴恩达开场就给出了一个让他深受影响的研究：组织 METR 的研究表明，AI 能胜任的任务复杂度——以人类完成同等任务所需时间衡量——每七个月翻一番。几年前 GPT-2 只能做人类两三秒就能完成的事，现在 AI 已经能处理需要人类花几十分钟的任务。而在编程领域，这个翻倍周期更短，大约只有 70 天。

“The length of tasks AI can do is doubling every seven months… AI coding, the doubling time is even shorter, maybe like 70 days.”

这意味着什么？AI 不是在”放缓”，只是旧的基准测试已经接近天花板。真正的进步在于 AI 能处理的任务越来越复杂、越来越长。

吴恩达由此引出他的核心判断：我们正处于用 AI 构建产品的黄金时代。 今天你能用 AI 积木（大语言模型、RAG、语音 AI、深度学习）构建的软件，比一年前地球上任何人能做的都要强大。加上 AI 编程工具的极速进化——他坦言自己每三到六个月最爱用的编程工具就会换一次，从 Claude Code 到 OpenAI Codex 再到刚发布的 Gemini 3——构建软件的速度也前所未有地快。

产品管理瓶颈：工程师要学会决定”做什么”

当写代码变得越来越便宜，瓶颈转移到了一个意想不到的地方：决定做什么。

吴恩达描述了一个在硅谷正在发生的结构性变化。传统上，一个产品经理（PM）对应四到八个工程师。但 AI 编程大幅加速了工程效率，PM 的效率却没有同等提升，结果工程师与 PM 的比例正在急剧下降——有些团队甚至到了 1:1。

更快的做法是把工程师和 PM 合并成一个人。

“The subset of engineers that learn to talk to users, get feedback, develop deep empathy for users so that they can make decisions about what to build — those engineers are the fastest moving people I’m seeing in Silicon Valley today.”

他坦言自己曾犯过一个错误：在早期职业生涯中，他试图说服一群工程师去做产品工作，结果让优秀的工程师因为不擅长做 PM 而感到沮丧。多年后他依然后悔。但他现在更强烈地相信：能写代码、又能跟用户对话、有产品直觉的工程师，执行速度远超传统分工团队。

关键不是要求每个工程师变成 PM，而是说如果你恰好对用户有好奇心，不要浪费这个优势。

你身边的人决定你的上限

吴恩达分享的第三个建议更偏”人生哲学”：你的学习速度和成就水平，很大程度上取决于你周围的人。

社会学研究表明，如果你最亲近的五个朋友都是吸烟者，你吸烟的概率极高。吴恩达认为同样的道理适用于职业发展——如果你身边的人都在努力学习、快速迭代、尝试用 AI 改变世界，你大概率也会被带动。

他特别强调了斯坦福的”关系网络”优势：很多前沿 AI 实验室的核心人员都是斯坦福校友，这种”结缔组织”意味着许多尚未公开发表的技术洞察会在朋友间流通。他自己就经常通过一两个电话——打给斯坦福同事或前沿实验室的朋友——获得改变项目技术方向的关键信息。

然后他讲了一个警示故事。一个他很看好的斯坦福学生，拿到了一家知名 AI 公司的 offer，但公司拒绝告诉他会被分到哪个团队。结果签约后，这个 AI 方向的学生被分去做后端 Java 支付系统。一年后愤然离职。更讽刺的是，吴恩达在课上讲完这个故事几年后，又一个 CS230 的学生在同一家公司遭遇了几乎相同的经历。

“Instead of working for the company with the hottest brand, sometimes if you find a really good team with really hardworking, knowledgeable, smart people… the company logo just isn’t as hot — I think that often means you actually learn faster and progress your career better.”

选团队，不选 logo。

莫罗尼：AI 就业市场的残酷真相

莫罗尼接棒后，先讲了一个让人心酸的求职故事。一个经验丰富、技术一流的年轻工程师，四月被裁，此前女友分手、爱犬去世。他追踪了 300 多个职位，在 Meta、微软、蓝色起源（Blue Origin）等公司的面试都进入了深轮，每次都自信满满，但每次都被拒。

莫罗尼做模拟面试后发现了问题：这个年轻人严格执行了招聘手册上”坚守立场、展示骨气”的建议，结果在面试中遇到挑战时表现得近乎对抗。从面试官角度看，这是一个”10x 工程师但我不想让他靠近我的团队”的人。

矫正态度后，他在下一次面试中拿到了 offer，薪水翻倍。

教训：公司在选择你的同时，你也在被审视是否是一个好的合作者。

AI 行业的周期：从疯狂扩招到大幅裁员

莫罗尼用一条时间线梳理了 AI 就业市场的剧变：

2020-2021：疫情导致全行业招聘冻结
2022-2023：疫情结束 + AI 爆发，所有公司疯狂抢人，大量”简历上写了 AI”就能被高薪录用的情况出现
2024-2025：大清醒时代。公司发现过度招聘带来了大量能力不匹配的员工，开始大规模裁员和谨慎招聘

他的判断是：机会依然巨大，但需要战略性地去争取。 仅仅在简历上写”AI”已经不够了，你必须能展示出来。

成功的三根支柱

莫罗尼总结了在 AI 行业立足的三个核心能力：

1. 深度理解（Understanding in Depth）

两层含义：一是学术上深入理解机器学习和模型架构，能读懂论文并付诸实践；二是对行业趋势有敏锐嗅觉，能在信噪比极低的信息洪流中分辨出真正重要的信号。

2. 商业聚焦（Business Focus）

AI 行业已经从”做酷的东西”转向”做有用的东西”。每次面试、每个项目，核心问题都是：这对业务有什么价值？ 能回答这个问题的人，在当下市场中极具竞争力。

他用自己的经历说明：两次面试 Google PM 岗位失败，第三次改面工程师，面试前用 Java 在 Google Cloud 上写了一个股价预测应用并放在简历上。整个面试变成了讨论他的代码，主导权完全在他手里。

“Don’t let your output be for the job you have, let your output be for the job you want.”

3. 交付偏执（Bias Towards Delivery）

想法廉价，执行才是一切。面试中，带着半成品但有扎实落地的候选人，永远比带着漂亮 PPT 但无法落地的人更有竞争力。

技术债：AI 编程时代的核心思维框架

莫罗尼花了相当篇幅讲”技术债”（Technical Debt），这是他给所有使用 AI 编程的人的核心建议。

技术债的类比很直白：买房贷款是好债，因为房子升值、省了房租；冲动刷信用卡买鞋是坏债，因为利息远超鞋的价值。写代码同理——每行代码都会带来维护、文档、bug 修复等后续成本。AI 编程让写代码变得极其廉价，但完成的、工程化的代码并不廉价。

如何避免坏的技术债？

目标清晰：不要打开 ChatGPT 就开始生成代码，先想清楚要做什么
交付业务价值：酷不等于有用
代码可理解：最糟糕的技术债是只有你能看懂的代码——然后你离职了
避免”拿着锤子找钉子”：不要因为有了 AI 编程工具就什么都想用它解决

他还分享了自己在用 Swift UI 开发 macOS 应用时的痛点：因为训练数据中 iOS 代码远多于 macOS 代码，AI 生成的代码经常给出 iOS API，反复修改后陷入意大利面条代码的泥潭。

负责任的 AI：从”正确”到”不搞砸”

莫罗尼用 Google Gemini 图像生成的一个真实案例说明了 AI 责任的演变。

他测试 Gemini 时，要求生成不同族裔的女性照片。亚裔、印度裔、黑人、拉丁裔都成功了，但输入”白人”（Caucasian 或 white）时，模型拒绝生成，声称”可能导致有害刻板印象”。他用”爱尔兰人”绕过了过滤器——结果四张图中女性全是红发，而实际上爱尔兰红发比例仅约 8%。

这个案例揭示了一个粗暴的安全过滤器如何损害产品信誉。负责任的 AI 已经从抽象的社会正义议题，转向了”不要搞砸业务声誉”的务实方向。 理解这个转变，在面试和工作中都极有价值。

穿越炒作：成为”可信赖的顾问”

莫罗尼反复强调的一个定位是”可信赖的顾问”（Trusted Advisor）。他用一个具体案例说明。

一家欧洲公司找他”帮我们实现一个 Agent”。他的第一个问题不是”什么样的 Agent”，而是”为什么？“层层追问后发现，CEO 只是想让销售团队更高效。最终的解决方案是一个帮销售人员自动做客户调研的 Agent——销售人员原本 80% 的时间花在研究客户背景上，只有 20% 的时间真正在卖东西。Agent 帮他们节省了 10-15% 的调研时间，销售额上升，收入增加，士气提振。

“If you go in being hyped up — ‘build an agent for the thing’ — without really peeling apart the business requirements, the why, the what, the how… the company would have been lost in hype.”

麦肯锡的数据显示约 85% 的企业 AI 项目失败，主要原因就是范围界定不清、被炒作裹挟。

大模型 vs 小模型：AI 的分叉未来

莫罗尼对 AI 行业未来五年做了一个判断：大分叉。

大模型路线：Gemini、Claude、OpenAI 等继续追求更大、更通用、趋向 AGI
小模型路线：开源/开放权重的自托管模型正在爆发，Y Combinator 80% 的公司在使用来自中国的小模型

他认为小模型路线目前被严重低估。核心逻辑是隐私和成本：好莱坞电影公司不会把剧本 IP 交给第三方大模型；律所和医疗机构同样如此。而今天 7B 参数的模型已经接近去年 50B 模型的水平，一年后可能接近 300B。

对个人而言，微调（Fine-tuning）小模型是未来两到三年最有价值的技能之一。

他还提到 ARM 正在推进的 SME（可扩展矩阵扩展）技术，让 AI 工作负载直接跑在 CPU 上而非依赖 GPU——中国的 Vivo 和 OPPO 已经发布了搭载 SME 芯片的手机，支付宝用它在端上完成了照片搜索和相册功能，不再需要云端服务。

泡沫一定会来，但做对的人会穿越泡沫

莫罗尼直言 AI 泡沫正在形成：顶层是炒作，下面是大量 VC 投资（已开始收缩）、不合理的估值、跟风产品，底部是真正的价值。他用互联网泡沫做类比——2000 年泡沫破裂后，Amazon 和 Google 不仅活了下来，还成了巨头。而 Pets.com 这样”建了就有人来”的公司则灰飞烟灭。

穿越泡沫的人有三个共同特征：专注基本面、构建真正的解决方案、技能多元化。 不要做只会一个框架或一个 API 的人——行业会变，而你需要跟上。

核心观点速览

AI 能处理的任务复杂度每七个月翻一番，编程领域翻倍更快（~70 天），现在是构建 AI 产品的最佳时机
产品管理正在成为瓶颈：能同时写代码和做产品决策的工程师是硅谷最快的人
选团队而非选公司 logo：日常与你共事的人决定你的学习速度
AI 就业市场经历了扩招→裁员的完整周期，现在需要能”展示”而非仅”说出”能力的人
成功三支柱：深度理解、商业聚焦、交付偏执
技术债思维：AI 让写代码变便宜了，但维护代码的成本没变——每次生成代码前先问”值不值”
负责任的 AI 已从社会议题转向商业风险管控
成为”可信赖的顾问”：先问”为什么”，再讨论用什么技术
小模型是下一个大机会：微调、端侧推理、自托管是未来两三年的关键技能
泡沫一定会来，但专注基本面、技能多元化的人会穿越周期

快问快答

Q：应该专精一个方向还是多元化技能？ 莫罗尼：在某个领域深入是好事，但只会一件事很危险。他所说的”多元化”不只是”LLM vs 计算机视觉”这种模型层面的选择，更包括应用开发、系统扩展、用户体验等工程全链路能力。

Q：如何看待 AI 用于科学研究？ 莫罗尼：永远值得使用，但要验证结果。他讲了一个威尔士大学脑癌研究者的故事——10 个研究员共用一块 GPU，每人每周只有半天使用时间。当莫罗尼给他展示 Google Colab 的免费 GPU 时，这位研究者的”大脑融化了”。工具的可及性本身就能改变研究的格局。

Q：AI 会加剧还是减少社会不平等？ 莫罗尼：两者都有可能。他的原则是”假设善意，但为恶意做准备”。他讲了一个前职业冰球运动员的故事——13 岁辍学、自称”世界上最笨的人”，却用 ChatGPT 替代了每年 15 万美元的咨询费，把省下的钱全部用于资助贫困儿童的冰球训练。AI 赋予的”超能力”不分学历和背景。

Q：AI 行业最让你意外的是什么？ 莫罗尼：两件事。一是炒作的力量远超预期，很多关键决策者无法分辨信号与噪声；二是企业对短期利润的执着——Google 曾有一个 TensorFlow 认证项目，帮助叙利亚难民改变命运，但因每年亏损 10-15 万美元而被砍掉。