吴恩达：AI 最大的机会不在你以为的地方
2026-09-11
原文
Silicon Valley Girl（Marina Mogilko）访谈吴恩达，视频标题 Andrew Ng: The Biggest Opportunities in AI Aren’t Where You Think（约 2026-08 末上线）。他从 Google Brain、Coursera、DeepLearning.AI 一路走到 2026 年新公司 LearnVector；这期不是讲模型参数，而是拆恐惧叙事、就业、教育和「谁该学会构建」。
下面按判断骨架摘要，不逐字照录访谈。
人物语料骨架（本次只钉这一期）
| 节点 | 信号 |
|---|---|
| 2011–2012 | 线上机器学习课 / 联合创办 Coursera：一对多规模化教学 |
| Google Brain / 百度 | 研究与产业落地 |
| DeepLearning.AI | 把前沿技能补到大学课程还没来得及覆盖的地方 |
| 2026-07 | 创办 LearnVector；Coursera 战略投资 1 亿美元（约三分之一股权），押一对一个性化学习 |
| 本期访谈 | 恐惧叙事、就业互补、上下文优势、AI 伤学习、人人用 AI 构建、隐私、AGI 时间表 |
1、恐惧叙事：PR 与监管俘获
过去两三年大量 AI 恐惧信息，根源是少数头部公司试图用监管俘获建立不公平的竞争格局：花了几十亿美元训练模型，就不希望别人再训一个、然后免费开放给全世界。于是放大危险性、把 AI 比作核武器（他认为毫无事实基础）、选择性放大出错案例，甚至散布数据中心用水量等不实信息。这套叙事起了作用——社会认知偏向负面，正在拖慢美国的 AI 采用，削弱竞争力。
2、就业：技能在变，工作没有消失
「AI 将取代 50% 的工作」不会发生。他引用斯坦福 Erik Brynjolfsson 与 MIT Andrew McAfee：把一份工作拆成任务，AI 大概能做 30%–40%；剩下 60% 因经济学上的互补，反而更值钱。用 AI 的人可能取代不用 AI 的人，但 AI 本身取代不了人。
最硬的反例是软件工程：所有职业里受 AI 影响最大，写代码确实很强，但职位需求在上升，好工程师比以前更忙。仍按 2022 年之前的方式写代码才会有麻烦——必须把那 30%–40% 交给 AI，把自己升级到它做不了的 60%–70%。
3、人类的上下文优势
他认为「为什么 AI 不会取代人类」有一个技术性原因：人类拥有巨大的上下文优势。AI 当数据分析师或头脑风暴伙伴时，通常给出一两个好主意、两三个平庸的、以及若干一眼荒谬但模型自己不知道的烂主意。隐性知识——客户表情的微妙变化、老板真正在意什么——目前没有管道输送给 AI，可预见的未来也不会有。
很多人把「判断力」和「品味」说得很模糊。他的落点是：这些概念背后的技术本质就是上下文优势。这不是几年内能解决的问题，所以人要持续用判断力和品味去补 AI。
4、AI 对学习很糟糕
他认为可能有争议的一点：AI 模型对学习来说很糟糕。越来越多数据表明，学生用 AI 后作业分数更高，但长期记忆和表现更差——认知工作被代劳了。他自己过去半年用 AI 解决过很多前后端问题，当时很高效，六个月后完全不记得，需要再问一次。
不是说 AI 完全不能用于学习，而是「绝大多数人目前使用 AI 的方式」有害。这也是他办 LearnVector 的原因：用 AI 做更个性化的一对一，而不是现有的一对多。
5、大学跟不上；恐惧正在劝退年轻人
大学适应太慢：教授先掌握新技能，再开发课程，再过课程委员会、教授委员会——要好几年。很多学校还在为 2022 年的工作做准备，实际上该为 2028 年以后做准备。建议：认真上课拿好成绩，同时用 Coursera、DeepLearning.AI 等补上学校还没纳入的前沿技能。
令他担忧的案例：即将上大学的学生问该选什么专业，因为「四年后 AI 不是什么都能做了吗？学的东西不是都会过时吗？」答案当然是否。但恐惧叙事正在让年轻人怀疑自己是否还有存在的价值，进而放弃学习和成长——这是当下最糟糕的事情之一。
6、每个人都应该学会用 AI 构建
构建成本暴跌：不只是专业工程师，营销、招聘、HR、运营都该学会用 AI 来构建。学会的人更有生产力，也能完成更多、更有乐趣的事。
他面试营销人员会问对方构建过什么软件——团队里营销人员都会写代码，而且不止仪表盘。例子：考虑写某篇文章时，系统自动爬网、找相关内容，再配自定义桌面应用高亮相关文章、支持对话式导航。财务用 AI 自动打开文件、检查一致性、发现异常时主动提醒。招聘侧则有「招聘工程师」嵌入，构建更复杂的招聘工具。
趋势：AI 让各职能从专才变成通才——前后端变全栈，营销协调变全链路，招聘专员变端到端。要学新技能，但学会之后能做的事多得多。
7、隐私：信任谁、怎么选
务实态度。信任大型云厂商会严格遵守服务条款——违约对长期商业模式打击太大。对某些 AI 公司则要小心：偶尔悄悄改条款，点错按钮就等于授权它们以你不舒服的方式用数据。
真正敏感的信息（如重大非公开信息）：要么不用 AI，要么只用本地模型。开源权重模型已接近前沿，且小到可本地跑（如 Meta、新版 Qwen）。不要钉死一个模型——每隔一两周就在更新。
8、失控论与 AGI
对「无法控制比我们聪明的东西」（Yoshua Bengio 等人）的回应：类比飞机——从来没有完美可控的飞机，早期会坠毁、会死人；靠在可控环境里逐步扩展能力、测量问题、调整行为，可以控制到足够安全。AI 也一样：永远不可能完美控制，但可以够安全。
他对 AGI 的定义是「能完成人类能做的任何智力任务」。按此标准，人类可以花五年写博士论文，也可以在几十分钟练习后在陌生热带雨林开卡车——这类清单 AI 还很长，至少还要几十年。但经济激励（如 OpenAI 与微软曾经的协议）会让某些公司尽早宣布达到 AGI；把门槛降得足够低，AGI 30 年前就已经「达到」了。
批注
- 语料完整度：这是 2026 年夏秋的一期公开访谈，判断密度高，但远不是吴恩达语料全集。已有：本期视频、LearnVector / Coursera 投资公告。仍缺：① Batch / The Batch 里他持续写的采用与监管立场；② Landing AI、AI Fund 的一手操作；③ LearnVector 产品形态（预计 2027 年初才有课）；④ 他更早的「AI is the new electricity」与 data-centric AI 演讲，如何接到本期「人人构建」。下次若补 Batch 专栏、财报电话会（他仍任 Coursera 董事长）、LearnVector 发布会，再往人物档案里堆。
- 本次习得：
- 品味不是玄学，是上下文管道问题。 「判断力 / 品味」被他写成：人类有大量无法喂给模型的隐性上下文，所以模型会同时吐好主意和一眼荒谬的主意。这比空喊「人要有 taste」更好检验——问自己：哪些上下文目前没有管道？哪些其实已经可以结构化喂进去？
- 用 AI 的方式，比用不用 AI 更决定你会不会变笨。 作业分数↑、长期记忆↓，和他「六个月后完全不记得」是同一机制：认知工作被外包。构建（自己做、自己改、自己记住决策）和学习（让模型代答）要分开。
- 机会不在「等 AGI / 防末日」，而在非工程师学会构建。 他反复把镜头从模型公司转到营销、财务、招聘——构建成本暴跌后，通才化才是职能侧最大的套利。
- 冲突或印证：
- 与 Agent 时代：工作往上挪一层：Levie 的 taste / craft，在这里有了技术解释——上下文优势。两边都说执行变廉价后审核与意图更贵；吴恩达补了一句：这缺口短期内补不上。
- 与 DeepSeek 梁文峰：梁也说人有几十年上下文、AI 没有，所以替代不了员工；差别是下一步——梁把缺口命名为「持续学习」，认为跨过去就能替代；吴恩达认为可预见的未来都没有输送管道，至少几十年到不了「人类能做的任何智力任务」。同一观察，时间表和产品含义相反。
- 与 YC Tom Blomfield：自我进化的公司：都主张组织对 AI 可读、各职能自己构建。Tom 更激进（夜里自动修系统）；吴恩达更像「人学会构建 + 通才化」，没有把人从回路里拿掉。
- 监管俘获：与站内 Bill Gurley / 政策与开源 同方向——恐惧和牌照会保护在位者。吴恩达把它直接接到「拖慢美国采用、削弱竞争力」，并把开源权重 + 本地模型写成隐私与能力上的对冲。
- 下次复盘提问：
- 最近用 AI 是在代劳认知（六个月后会忘），还是在构建、审核、把隐性上下文写进系统？
- 自己岗位里那 30%–40% 已经交给 AI 了吗？剩下 60% 有没有因此变得更值钱，还是只是更忙？
- 营销 / 招聘 / 财务有没有出现「会构建」的人？还是仍停在聊天框里问一句？
- 对吴恩达：LearnVector 真做出「不伤学习」的一对一了吗？还是又变成更高分、更弱记忆的新外壳？
- 关联博文：跟 Founder 学：完整语料与定期追问
收藏页地址：https://ningg.top/favorites/clipping-andrew-ng-ai-opportunities/