这期播客是科技博主 Silicon Valley Girl 对 Andrew Ng（吴恩达）的访谈，聊了 AI 恐惧叙事的根源、就业市场的真实变化、教育面临的挑战，以及他认为当下最大的机会在哪里。
视频来源：www.youtube.com/watch?v=o-wv_szZ0V0

**AI 恐惧叙事的根源：PR 与监管俘获**

吴恩达开门见山地指出，过去两三年围绕 AI 的大量恐惧信息，根源是少数头部 AI 公司试图通过"监管俘获"来建立不公平的竞争格局。逻辑很直接：如果你花了几十亿美元训练一个模型，你当然不希望别人训练一个模型然后免费开放给全世界用。所以这些公司大声宣传 AI 的危险性，把 AI 比作核武器（一个他认为毫无事实基础的类比），选择性地放大 AI 出错的案例，甚至散布关于 AI 数据中心用水量的不实信息。这套恐惧叙事确实起了作用——它让社会对 AI 的认知严重偏向负面，正在拖慢美国的 AI 采用速度，削弱竞争力。

**就业市场：技能在变，工作没有消失**

关于"AI 将取代 50% 的工作"这种末日预言，吴恩达的态度很明确：不会发生。他引用斯坦福经济学家 Erik Brynjolfsson 和 MIT 的 Andrew McAfee 的研究——当你把一份工作拆解成具体任务，AI 大概能做其中 30%-40%，但这恰恰让剩下 60% 的人类工作变得更有价值，因为二者是经济学上的"互补品"。用 AI 的人可能会取代不用 AI 的人，但 AI 本身取代不了人。

他举了一个最有说服力的例子：在所有职业中，软件工程师受 AI 影响最大，AI 写代码确实很厉害。但数据显示，软件工程的职位需求反而在上升。好的工程师比以前更忙了。当然，如果谁还在用 2022 年之前的方式写代码，那确实有麻烦——你必须让 AI 去做它能做的那 30%-40%，然后把自己的技能升级到 AI 做不了的那 60%-70%。

**人类的"上下文优势"**

吴恩达提出了一个他认为能解释"为什么 AI 不会取代人类"的技术性原因：人类拥有巨大的上下文优势。当 AI 作为数据分析师或头脑风暴伙伴时，它通常能给出一两个好主意、两三个平庸的、以及四个糟糕透顶的——有些烂主意你一眼就知道荒谬，但 AI 不知道。这是因为人类从多年经验中积累了大量隐性知识：我们和客户交谈时看到了对方微妙的表情变化，我们知道老板真正在意的是什么。这些信息目前没有管道能输送给 AI，而且在可预见的未来也不会有。

很多人谈论"人类判断力"和"品味"的重要性，但觉得这些概念很模糊。吴恩达认为它们背后的技术本质就是这个上下文优势——这不是几年内能解决的问题，所以人类需要持续用自己的判断力和品味来补充 AI。

**AI 对学习的伤害**

吴恩达说了一个他认为可能有争议的观点：AI 模型对学习来说很糟糕。越来越多的研究数据表明，学生使用 AI 后作业分数确实更高了，但长期记忆和表现反而更差，因为 AI 替他们做了认知工作。他拿自己举例——过去六个月里用 AI 解决过很多前后端技术问题，当时很高效，但六个月后完全不记得答案，需要再问一次。

他强调这不是说 AI 完全不能用于学习，而是"绝大多数人目前使用 AI 的方式"对学习是有害的。这也是他创办 LearnVector 的原因——这家新公司刚获得 Coursera 一亿美元投资，目标是利用 AI 构建更个性化的一对一学习体验，而不是现有的一对多模式。

**大学教育跟不上变化**

对于应届毕业生面临的挑战，吴恩达指出核心问题在于大学体系适应太慢。教授需要先掌握新技能，然后开发新课程，再经过课程委员会审批、教授委员会投票——整个流程要好几年。所以很多大学还在教学生为 2022 年的工作做准备，实际上应该为 2028 年以后的工作做准备。他的建议是：认真上课拿好成绩，但同时通过 Coursera、DeepLearning.AI 等平台补上大学还没来得及纳入课程的前沿技能。

他还分享了一个令他担忧的真实案例：一个即将上大学的学生给他发邮件，问自己应该选什么专业，因为"四年后 AI 不是什么都能做了吗？我学的东西不是都会过时吗？"答案当然是不会。但恐惧叙事正在让年轻人怀疑自己是否还有存在的价值，让他们放弃学习和成长——这是当下最糟糕的事情之一。

**每个人都应该学会用 AI 构建**

吴恩达反复强调的一个核心观点是：构建成本的暴跌意味着不只是专业工程师，所有人都应该学会用 AI 来构建东西。营销人员、招聘人员、HR、运营——学会用 AI 构建的人会更有生产力，完成更多事情，也会有更多乐趣。

他自己的团队是很好的例子。他面试营销人员时会问对方构建过什么软件——他的所有营销人员都会写代码，而且构建的东西远比仪表盘复杂。比如一个营销团队成员开发了一套系统：在考虑写某篇文章时，系统会自动爬取网络、找到相关内容，还有一个自定义桌面应用来高亮展示相关文章，支持对话式导航。他的财务团队也在用 AI 自动化数据管理——自动打开文件、检查一致性、发现异常时主动提醒。招聘团队则有专门的"招聘工程师"嵌入其中，构建更复杂的招聘工具。

他观察到一个趋势：AI 正在让各个职能的人从专才变成通才。前后端工程师变成全栈工程师，营销协调员变成全链路营销人，招聘专员变成端到端招聘人。这需要学习新技能，但学会之后，人们能做的事情多得多。

**AI 隐私：信任谁、怎么选**

关于 AI 隐私，吴恩达的态度比较务实。他信任大型云厂商（hyperscaler），认为它们会严格遵守服务条款，因为违反条款对它们的长期商业模式打击太大。但对于某些 AI 公司，他注意到它们偶尔会悄悄修改服务条款，如果你不注意点了错误的按钮，就等于授权它们以你不舒服的方式使用你的数据。

对于真正敏感的信息（比如"重大非公开信息"），他要么不用 AI，要么只用本地模型。他提到最新的开源权重模型已经接近前沿能力，而且小到可以在本地运行——比如 Meta 的模型和最新版本的 Qwen 都很好。但他建议不要固定在一个模型上，因为这些模型每隔一两周就在更新。

**AI 失控论与 AGI**

对于 Yoshua Bengio 等人提出的"我们无法控制比我们聪明的东西"这一担忧，吴恩达用飞机做类比：没有人能造出完美可控的飞机，风会吹偏它，早期确实有飞机坠毁、有人死亡。但通过不断学习和改进，我们现在坐飞机基本不用太担心。AI 也一样——我们永远不可能完美控制 AI，但通过在可控环境中逐步扩展能力、测量问题、调整行为，我们完全可以控制到足够安全的程度。

关于 AGI，他用的定义是"能完成人类能做的任何智力任务"。按这个标准，人类大脑可以花五年做一篇博士论文，可以在几十分钟的练习后学会在陌生的热带雨林中开卡车——这类事情 AI 还有很长的清单做不到，他认为至少还要几十年。但他也指出，由于经济激励（比如 OpenAI 和微软之间曾经的协议），某些公司有动机尽早宣布达到 AGI。如果你把定义的门槛降得足够低，那 AGI 其实 30 年前就达到了。 http://t.cn/AX0FaJy2