单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

Andrew Ng：“If someone still writes code like it’s 2022, before ChatGPT, they’re in trouble.”

吴恩达：如果一个人还像2022年、ChatGPT出现前那样写代码，他会遇到麻烦。

这句话来自Andrew Ng最近的一场访谈。

备注：Andrew Ng（吴恩达）是Google Brain创始负责人、Coursera联合创始人，也是斯坦福大学兼职教授。

过去几年，他一直反对用“AI马上消灭所有工作”。但谈到程序员，他的语气并不轻松。

AI已经很会写代码了，软件工程也是当前受影响最深的职业之一。奇怪的是，Andrew Ng认识的优秀工程师并没有闲下来，反而比以前更忙。

Agent写的代码越来越多，好工程师却越来越忙。

原因并不神秘：把代码敲出来只是开发流程的一段，公司还需要有人发现问题、做出判断、盯住结果，直到改动真正上线。

以下为访谈内容，我们进行了翻译与整理。

Andrew Ng谈ChatGPT出现前后的编程方式变化

AI先代替30%到40%的任务

主持人问Andrew Ng：如果AI让一个人的产出翻倍，公司为什么还要保留原来的人数？

Andrew没有从“岗位”开始回答。他先把一份工作拆成许多具体任务。

Andrew Ng：“Maybe AI could do 30, 40% of many jobs. And what that means is that the 60% the human does has become even more valuable.”

吴恩达：AI也许能完成许多岗位中30%到40%的任务。这样一来，人类负责的另外60%反而变得更有价值。

Andrew Ng解释AI自动化的是任务，而不是整个岗位

被自动化的通常是边界清楚、容易检查的部分。

剩下的60%到70%工作没有随之消失。需求不清时要找谁确认，改动会碰到哪些旧逻辑，测试通过后能不能上线，出了问题怎样回滚，这些工作反而更显眼了。

Andrew Ng把这部分称为人与AI之间的“经济互补”。AI让一部分任务更便宜，人负责的另一部分随之更有价值。

所以Agent越来越强，开发者也没有轻松多少。代码生成提速后，评审、联调、上线和事故处理并不会自动完成。过去两周才能写完的功能，现在两天就进入测试，后面的工作更早压到团队面前。

还按2022年的方式写代码，已经危险了

Andrew Ng在访谈里明确说，AI暂时无法替代软件工程师。他认识的优秀工程师都比以前更忙。

接着，他把话锋转向另一类人：如果开发者仍沿用ChatGPT出现前的工作方式，继续手工完成AI已经能够稳定接手的那部分任务，处境会越来越难。

安装Claude Code、Codex或Cursor只是起点，一天写多少条Prompt也没有多大意义。差距会出现在工作流里。

拿修复线上Bug来说。旧做法是自己搜索代码、翻日志、猜原因、改文件，再一轮轮跑测试。现在可以先让Agent读取错误日志和相关模块，整理调用链，提出几个可疑点，再由开发者决定从哪里下手。

人并没有退出。他只是从每一步都亲手执行，转向控制任务范围和验收结果。

前端和后端的边界，正在变薄

谈到岗位变化时，Andrew Ng拿软件开发举了一个很具体的例子。

Andrew Ng：“Front-end and back-end developers have now become full-stack developers because of AI help. You can take on broader scope.”

吴恩达：在AI的帮助下，许多前端和后端开发者已经开始转向全栈，并承担范围更广的工作。

Andrew Ng谈AI如何扩大开发者的工作范围

每个人都精通所有技术栈并不现实。公司看重的是：遇到相邻领域的问题，你能不能借助AI把事情继续往前推。

一个后端工程师以前可能会把页面交互交给前端同事。现在他可以先让AI搭出页面、接好接口，再请前端做最后校准。前端工程师也能借助Agent读懂服务接口、补一处查询，或者排查部署配置。

专业分工还在，但等待另一个岗位才能继续的时刻少了。

与其立刻再学一门框架，不如先把一个相邻领域补到“可以判断”的程度。后端开发者至少要能看懂前端状态流转，前端开发者要能读接口和日志，算法工程师要理解服务部署与数据链路。

AI可以把陌生领域的第一版代码写出来。你仍要知道哪里可能错、该找谁复核、什么结果才算交付。

AI把作业做完了，你可能什么也没学会

聊到学习时，Andrew Ng说得比前面更重。

Andrew Ng：“LLMs, as they are most commonly used, are terrible for learning.”

吴恩达：按照目前最常见的使用方式，大语言模型对学习非常不利。

Andrew Ng谈把思考全部交给AI的代价

他提到一种常见现象：学生借助AI，作业分数变高了；隔一段时间再测试，真正记住的内容反而更少。这是因为任务完成了，思考过程却被外包了。

这件事同样会发生在程序员身上。

Agent帮你写完OAuth回调、消息重试或数据库迁移，功能可以正常运行。几个月后线上出错，如果你从没理解它为什么这样设计，仍然只能重新问AI。

在交付任务时，把认知负担交给工具没有问题；在学习新技术时，不能只保留最后的diff。

更稳妥的做法是先自己写下判断：问题可能出在哪里，准备验证什么，哪些文件不能动。再让Agent动手。任务完成后，不只看测试是否通过，还要让它解释关键改动，自己复述一次调用链和失败路径。

AI可以替你完成练习，也可以陪你练习。两种用法看起来只差一个Prompt，半年以后差的是你能不能独立处理下一次事故。

模型拿不到的上下文，恰好是工程师的经验

Andrew Ng认为，AI短期内难以接管一家公司，其中一个重要原因是人掌握着模型没有的背景。

Andrew Ng：“Humans have a massive context advantage compared to AI. We know so much from our years of experience.”

吴恩达：与AI相比，人类拥有巨大的上下文优势。多年的工作经历，让我们掌握了大量模型并不知道的信息。

Andrew Ng解释人类判断力从何而来

这里的上下文不是把更多文件塞进上下文窗口。

它可能是客户开会时皱了一下眉，也可能是你知道三年前那次迁移留下了脏数据；它还包括老板说过哪项指标不能掉、某个服务为什么不敢轻易重构、某位同事离职后哪些模块没人敢碰。

模型能读到代码和文档，却未必知道团队为什么做出那些看似别扭的选择。

开发者与Agent协作时，一条漂亮的提示词远远不够。更有用的是把隐性信息写成清楚的约束。

所谓“懂业务”，落到工程里就是能补齐模型看不到的条件，并在它给出一个看似正确的方案时，发现那处不能碰的地方。

代码便宜以后，最难的是决定做什么

访谈接近尾声时，主持人问：2026年还有哪些AI机会值得普通人去做？

Andrew Ng的回答很朴素：学习AI，快速做出来，然后去和客户交谈。

他观察到，AI已经让开发成本大幅下降。一个小团队可以在周末做出过去需要排期数周的原型。随之出现的新问题是，团队可以做十件事，却未必知道哪一件值得做。

Andrew Ng把它称为产品管理的新瓶颈。

开发者不必因此改行当产品经理。写代码前多问几句就够了：谁会用它？他现在怎样解决？这个功能省下了什么？如果做错，哪条指标会先变坏？

Agent可以很快生成后台、页面和接口，但它无法代替团队接触真实用户。一旦方向错了，AI只会让错误的产品更快完工。

招聘启示里，开始出现一个新词：主动性

Andrew Ng还提到，他在职位描述里越来越频繁地看到一个要求。

Andrew Ng：公司希望候选人有“sense of agency”。

“sense of agency.”（主动把问题推向解决的能力。）

Andrew Ng谈企业开始看重的能力

过去，执行成本高，很多想法只能排队。现在，一个人可以借助AI快速验证，企业自然更希望他能自己发现问题、组织资源并把结果交出来。

主动也有边界。权限、排期和最终决策仍要说清楚。你要能推动问题，不需要替整个组织兜底。

写在最后

Andrew Ng没有给程序员开一张“必须掌握的AI工具清单”。他的判断更直接：AI会拿走一部分任务，也会把剩下的工作重新定价。

手工完成重复代码的价值会继续下降。理解系统、补齐上下文、判断方向、设置边界和验收结果，会占据更多时间。

对开发者来说，眼下可以做三件小事：从一个有测试的维护任务开始使用Agent；保留自己的分析过程，别让AI连学习也一起代办；每周挑一个反复出现的问题，尝试把它做成可复用的自动化流程。

程序员不会因为模型会写代码就消失。真正危险的，是工作内容已经变了，自己还停在ChatGPT出现以前。

参考链接：

https://www.youtube.com/watch?v=o-wv_szZ0V0&t=12s

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事

2.图灵奖得主本吉奥警告全网：AI已经学会“演给安全测试看”，下一代我们可能真的抓不住了！

3.图灵奖得主萨顿 WAIC 2026 最新演讲：现在的 AI 还不算真智能，我们正迈入经验时代

4.菲尔兹奖得主陶哲轩最新访谈：未来数学属于人类与 AI 的混合体

5.图灵奖得主、AI教父辛顿：AI已具备意识，且将进化成远超人类的智能生命体

6.图灵奖得主、“AI教父”辛顿认错：我当年想得太简单！卡死医疗AI落地的，其实是背后的法律

7.图灵奖得主Bengio预言o1无法抵达AGI！Nature权威解读AI智能惊人进化，终极边界就在眼前

8.图灵奖得主、强化学习之父Rich Sutton：大语言模型是一个错误的起点

9.图灵奖得主杨立昆：大语言模型缺乏对物理世界的理解和推理能力，无法实现人类水平智能

10.压缩即是全部 —— 菲尔兹奖得主 Michael Freedman 给数学和 AI 的一封信