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；