最近翻到一篇关于吴恩达在 2026 年达沃斯论坛发言的整理，读完之后后背有点发凉。

在那个论坛上，到处都是 AGI 两年内到来、AI 将取代人类 80% 工作 这样的声音。但吴恩达说了一句很多人没注意到的话：对于许多工作而言，AI 现在以及可预见的未来只能完成 30% 到 40% 的任务。

这句话听起来像是在给 AI 降温，好像在说 AI 没那么厉害。但仔细想想，这个数字比那些全面替代论更让人警觉。

1、AI 取代的是任务，不是工作

吴恩达反复强调一个观点：AI 取代的是任务，不是工作。

这听起来像在玩文字游戏，但背后的逻辑很残酷。假设一个工作包含十项任务，现在的 AI 能做其中三四项。按照乐观的想法，这意味着员工可以从低价值的事情中解放出来，去做更有创造性的工作。

但吴恩达指出了一个被忽视的问题：如果这三四项任务恰好是初级员工用来入门的任务呢？

传统的企业人才培养是学徒制。初级分析师整理数据、写简单的查询语句，律师助理搜集判例资料。这些工作看起来价值不高，但它们是新人了解业务逻辑、积累隐性知识的必经之路。现在，AI 恰恰最擅长这些入门级任务。

吴恩达把这个现象叫做阶梯断裂。Rung 这个词的意思是梯子上横着的木板。想象一下，一栋楼的楼梯被拆掉了，你站在一楼想上去，但中间没有台阶了。过去，初级员工通过做入门级任务积累经验，现在 AI 把这些任务都做了，初级员工直接失去了成长的阶梯。

这导致了一个悖论：企业极度渴望有经验的高级 AI 人才，却不愿意培养初级人才。因为培养成本高，而初级工作的经济价值已经被 AI 抹平了。

2、职场人才的四个段位

更值得注意的是吴恩达提出的工程师效率四梯队。他把当下的工程师分成了四个段位。

第一梯队是十到二十年经验的老工程师，同时精通 AI 工具。这些人既懂业务又会用 AI，效率最高。

第二梯队是应届毕业生，精通 AI 工具。他们虽然经验不足，但生产力已经超过了很多中级工程师。

第三梯队是经验丰富但拒绝使用 AI 的老工程师。吴恩达的原话很直接：我绝不会再雇佣这样的人。

第四梯队是既没经验也不懂 AI 的毕业生。

这个分级乍一听有点夸张。一个应届生的生产力能超过十年经验的老工程师？但仔细想想，这就是工具革命的常态。会用挖掘机的新手，效率肯定超过只会用铁锹的老师傅。AI 对编程的改变，本质上就是这种工具革命。

这让我想到身边的一些情况。有些人工作了很多年，觉得自己经验丰富，但从来不碰 AI 工具，甚至对这些东西有点抵触。按照吴恩达的分类，这些人已经被归到第三梯队了。而那些刚毕业但熟练使用 Cursor、Claude Code 的年轻人，直接跃升到了第二梯队。

经验曾经是职场最硬的通货，但现在这个规则正在被改写。

3、大学还在培养适应 2022 年工作的学生

吴恩达在 2002 年就成了斯坦福的助理教授，有二十多年的大学教育经验。他在达沃斯上说了一句很直白的话：不幸的是，高等教育正在辜负许多应届毕业生。因为它们还在让学生为那个已经不复存在的、2022 年以前的世界做准备。

他举了个例子：有的计算机专业毕业生在步入职场时，竟然从未调用过 API。

这种情况其实不少见。考察学生死记硬背代码语法的考试还在继续，不许使用 AI 工具的作业要求还在课堂上出现。这些毕业生们一出校门，直接就被分到了第四梯队。

教育体系的滞后性在技术变革面前暴露无遗。学校教的是三年前的技术，但职场要的是三个月后的能力。这个时间差，需要每个人自己去填补。

4、AI 不会取代人类，但使用 AI 的人将取代不使用 AI 的人

吴恩达那句被广泛传播的话，放在这个语境下就很好理解了：AI 不会取代人类，但使用 AI 的人将取代不使用 AI 的人。

这不是鸡汤，是正在发生的现实。

过去，初级员工需要会做基础任务。现在，初级员工需要会指挥 AI 去做基础任务。这个转变听起来微妙，但对能力模型的要求却是质的飞跃。你需要具备以前只有高级员工才有的系统思维和判断力。

换句话说，入门门槛提高了。以前会干活就行，现在得会指挥 AI 干活。这是两种完全不同的能力。

5、AI 智能体：从聊天伙伴到数字员工

吴恩达在达沃斯上花了大量时间解释一个概念：AI 智能体。

过去几年，我们对 AI 的使用习惯是一问一答。吴恩达把这种模式比作不允许使用退格键写文章，就是让一个人从头到尾一气呵成地写完，不能打草稿，不能查资料，不能修改。这种模式下，即使是最聪明的人也很难写出高质量的作品。但这恰恰是我们过去几年强迫 AI 工作的方式。

他分享了一个银行的案例。传统的贷款审批流程需要一小时。信贷员要人工查询客户的信用记录、收入证明、抵押资产，然后填写表格、计算风险评分、生成审批报告。这些步骤环环相扣，每一步都需要人工操作。

现在，AI 可以自主完成这整套流程：先规划任务，拆解成查信用、验收入、评风险、写报告四步，然后调用外部工具登录信用系统查数据、运行脚本计算评分，生成初稿后还会自我反思，问自己这个评分合理吗、有没有遗漏的风险点，最后输出审批建议。整个流程缩短到十分钟。

在这个流程中，人类信贷员的角色从执行者变成了监督者，只需要在 AI 遇到特殊情况时介入判断就可以了。

吴恩达特别强调 AI 会反思这一点：通过多轮迭代，一个参数量较小的模型在特定任务上的表现，能战胜那些参数量巨大的顶尖模型的单次生成结果。

6、100 倍战略：重新定义效率的天花板

这种工作流的重构，吴恩达称之为 100 倍战略：能不能做得快 100 倍？能不能做得多 100 倍？

当 AI 能够独立完成一系列长链条任务，这个问题的答案开始变成可以。

这个提法很有启发性。如果我们把目标设置为比以前提升一点点，比如帮忙做两张图，这时候并不会把传统的工作流程推倒重来。但如果把目标设置为之前的 100 倍，那就不能走在以前的惯性老路上了，必须要推倒重建。

当然，这种能力是有代价的。AI 需要多轮思考和反思，完成同一个任务消耗的算力可能是过去的十倍甚至一百倍。但吴恩达认为这是划算的：如果一个 AI 代理能通过多轮迭代帮你优化远洋货轮的航线，节省 10% 的燃油成本，可能就价值数百万美元。那么即使这个 AI 运行一次消耗了十美元的算力，投资回报率依然惊人。

7、职业边界正在坍缩

吴恩达分享了一个有意思的观察：产品经理和工程师的比例正在发生坍缩。

传统的软件公司，一个产品经理对应四到八个工程师。产品经理负责想需求、写文档、画原型，工程师负责写代码、测试、部署。这是一条清晰的分工线。

但当 AI 能够辅助编程，这个比例开始变化：一比八变成一比四，然后变成一比二，再变成一比一。吴恩达说，现在这个比例正在坍缩进一个人体内，同一个人既是产品经理又是工程师。

他自己的招聘偏好很能说明问题。他说：我在招聘营销、招聘、前台甚至 CFO 时，都强烈偏好会写代码的人。不是说要他们去写生产环境的代码，而是需要他们具备用代码解决问题的思维方式。

当你的 CFO 会用 Python 跑财务模型，当你的营销总监会用 API 调取数据做分析，整个公司的运转效率会发生质的变化。

这意味着什么？意味着职业的边界正在变得模糊。以前你是做什么的，有一个清晰的标签。以后可能更多是你能解决什么问题，而解决问题的方式会越来越依赖 AI 工具的使用能力。

8、人力外包模式正在走向终结

吴恩达在接受采访时，对印度的 IT 服务业发出了严厉警告：传统的人力套利模式正在走向终结。

印度 IT 服务业的传统模式是什么？简单来说，就是欧美公司把软件开发外包给印度，印度公司雇佣大量工程师按人天计费。这个模式建立在一个前提上：写代码需要大量人力。

过去，欧美公司开发一个 CRM 系统，可能需要外包给印度一个五十人的团队，耗时六个月。现在，用 AI 辅助开发，可能只需要十个高级工程师，耗时两个月。

吴恩达的判断很直接：如果印度 IT 服务业还停留在提供人力的阶段，将面临生存危机。唯一的出路是从提供人力转向提供 AI 原生的解决方案。

这个警告不仅针对印度 IT 服务业，也适用于所有依赖人力规模而非效率创新的行业。想想我们身边有多少外包公司，有多少业务是靠堆人头来完成的。如果 AI 的能力进一步提升，很多任务企业内部员工可以借助 AI 来完成，那对依赖人力外包盈利的公司来说，将是巨大的冲击。

9、AI 泡沫在哪里

在说到 AI 泡沫时，吴恩达的判断很清晰：如果 AI 领域存在泡沫，那主要集中在基础模型训练这一层。

因为训练一个前沿模型动辄数十亿美元，但商业模式很单一，主要靠 API 销售。随着开源模型能力的提升，闭源模型的溢价空间被极度压缩。除了少数几家头部玩家，大量中间层的模型公司可能会因为无法收回成本而倒闭。

但应用层和推理层，吴恩达认为不仅没有泡沫，甚至是投资不足的。

他说：不要盯着那几家造大模型的公司看，去看看那些正在用模型改造传统行业的公司，那才是真正的金矿。

真正能帮企业省钱、赚钱的是具体的 AI 应用。这个判断对于想在 AI 领域找机会的人来说，是个很重要的方向指引。与其挤破头去做大模型，不如想想怎么用现有的模型去解决具体行业的具体问题。

10、与其观望，不如动手

读完吴恩达的这些观点，有一个很强烈的感受：变化已经在发生了，而且速度比大多数人想象的要快。

阶梯断裂意味着传统的成长路径被打断了。四梯队分级意味着竞争规则被改写了。100 倍战略意味着效率的天花板被重新定义了。职业边界坍缩意味着专业分工的逻辑在松动。

这些变化对每个人来说，既是危机也是机会。危机在于，如果你停留在执行者的角色，你的价值正在被 AI 快速替代。机会在于，如果你能学会指挥 AI，你的生产力可能提升十倍甚至一百倍。

吴恩达在最后给了一个很实在的建议：与其观望，不如动手。你的各项工作任务都可以考虑用 AI 试试，当你真正试过一遍，关于何时用、何时不用、怎么用的问题自然就有底了。

关键是动起来。

在这个变化的时代，等待可能是最昂贵的选择。

#科技先锋官##HOW I AI#