吴恩达深度访谈：AI抢走你的饭碗是过度炒作，大模型正在毁掉人类的学习能力

编者按

在生成式 AI 狂飙突进的第三年，科技行业陷入了一种奇特的撕裂：一边是模型能力日新月异带来的兴奋，另一边却是铺天盖地的恐慌叙事——AI 要抢走一半的工作、要耗尽整个城市的电与水、甚至被比作新的核武器。

可如果仔细追问这些恐惧的来源，会发现一个反直觉的事实：最卖力渲染威胁的，往往不是置身事外的评论家，而是那些投入了数百亿美元、最不希望开源模型免费出现的头部 AI 公司。恐惧，在商业世界里自有它的买家，也有它的用途。

本文整理自硅谷播客《Silicon Valley Girl》对话吴恩达（Andrew Ng）的最新长篇访谈。主持人玛琳娜·莫吉尔科（Marina Mogilko）是深耕科技与创投领域的资深创作者，这场 37 分钟的对谈聚焦一个核心命题：AI 的恐惧被夸大了，真正的机会藏在大多数人没看的地方。

嘉宾吴恩达是人工智能领域的奠基性人物：他一手创办了 Coursera，主导创立了 Google Brain，并自 2012 年起在斯坦福讲授机器学习课程，迄今已有数百万学习者修读过他的课。而就在上月，Coursera 刚宣布向他新创立的 AI 教育公司 LearnVector 注资 1 亿美元。

正因为站在 AI 行业最核心的位置，吴恩达这次却给出了几乎全盘「反叙事」的判断：恐惧是被卖出来的，工作不会整份消失，而 AI 对「学习」这件事其实糟糕透顶。真正的机会，从来不在你害怕看到的头条里。以下为精选对话实录。

本期精彩观点

• 所谓的「AI 恐慌」是被制造出来的。少数头部 AI 公司为了抬高开源社区和小公司的准入门槛，借「AI 像核武器」「数据中心耗尽水电」等夸大叙事推动监管，本质上是一场监管俘获。

• AI 取代的不是「人」，而是「任务」。经济学家的任务级拆解显示，AI 大约能自动化一份工作里 30% 到 40% 的任务，而剩下那 60% 由人完成的部分，反而会因「经济互补」变得更值钱。

• 人类的护城河是「上下文优势」。你见过的客户微表情、踩过的坑、老板话里的弦外之音，这些从未写进文档的经验，AI 没有管道获取。

• 反直觉的是，AI 对「学习」极其糟糕。把答案外包给大模型，短期分数会变高，长期的知识留存和理解却会崩掉——这正是吴恩达赌上 1 亿美元重做教育的原因。

• 软件工程的变化预示了所有行业的未来：单人全流程的「全周期人才」正在取代单一环节的螺丝钉，而最被看重的招聘标准，是「能用 AI 构建东西」而非「会用 AI」。

• 当「造东西」的成本趋近于零，瓶颈已经从「会写代码」转移到「判断该造什么」。产品定义、客户洞察与行业经验，才是构建成本暴跌后唯一值钱的东西。

破除「AI 恐慌」的神话：一场被制造出来的恐惧

问：你是全球最早把深度学习推向产业的人之一，向来是 AI 界少有的积极声音。但最近，尤其这个夏天，社会对 AI 的态度变得极度两极化，我每次发 AI 相关内容，都有人跟我谈数据中心、谈失业。你为什么会觉得这股浪潮是最近才起来的？根源在哪？

吴恩达：坦白说，关于 AI 有大量误导信息，而这背后，是一场两三年前就开始的、令人遗憾的公关与「监管俘获」的企图。

如今 AI 行业里最值钱的资产，就是那些公司耗资数十亿美元训练的巨型大模型。但如果你砸了这么多钱训出一个模型，最「不方便」的事情莫过于——别人也训了一个相当水平的模型，却打算免费分发给全世界的任何人使用。

于是，极少数头部 AI 公司这些年来一直是散布恐惧的最响亮的声音，试图推动监管通过，好制造一个有利于在位者的、不公平的竞争环境，让所有人都要为使用 AI 付出高昂的「通行费」，同时扼杀那些只想把开源模型免费交出来的研究者和小公司。

而恐惧叙事之所以奏效，是因为它有具体的套路：说「AI 就像核武器」——这个类比毫无事实依据，两者到底有什么关系？再挑出几个 AI 翻车的个例，把它无限放大；甚至散布关于 AI 数据中心耗水耗电远超现实的谣言。

这套恐惧驱动的信息轰炸，把社会对 AI 的认知扭曲得极度负面。这很遗憾，因为它正在拖慢美国在 AI 普及上的脚步，让美国变得更不具竞争力。除非我们把关于 AI 的真相讲清楚——它带来巨大收益，也有一些问题，但远没有被炒作得那么严重——否则最终受害的是每一个人。

「工作末日」不存在，但岗位正在被重新拆分

问：我把人们最担心的那些点列出来读给你听，第一个就是失业和不平等，你怎么看？

吴恩达：所谓的「工作末日」，那种「AI 抢走 50% 的工作、人们失业上街暴动」的画面，根本不会发生。

每一轮技术浪潮，包括 AI，改变的从来不是「要不要工作」，而是「做好工作需要哪些技能」。说实话，我倒真希望 AI 有那么强——可惜它还不够好，我们还没本事让 AI 做完一个人能做的一切。

我的经济学家朋友，把人的工作拆解到单个「任务」的粒度去分析。结论是，AI 大约能自动化掉很多岗位上 30% 到 40% 的任务。

注意，是任务的 30% 到 40%，不是人的 30% 到 40%。这意味着剩下那 60% 由人完成的部分，反而会变得更值钱——因为它在经济学上成了那 30% 到 40% 的「互补品」。被自动化的任务变便宜了，能跟它互补的人类工作就变贵了。

所以会发生的是：会用 AI 的人取代不会用 AI 的人，但 AI 远没有能力取代绝大多数岗位上的「人」。

在所有职业里，如今受 AI 冲击最大的是软件工程，因为 AI 实在很擅长写代码。但现实是，软件工程的招聘岗位数量不降反升，与那些末日论者说的恰恰相反。AI 其实替换不了软件工程师，我认识的优秀工程师个个都比以前更忙。

真正危险的，是那些还在用 2022 年、也就是 ChatGPT 出现之前的方式写代码的人，他们麻烦了。别再做那 30% 到 40% 会被 AI 自动化的事，让 AI 去做，然后把技能升级到剩下那 60% 到 70% 上。

问：那对刚毕业的应届生，你有什么建议？我跟埃里克也聊过，他说就业市场整体冲击不大，除了 18 到 25 岁刚毕业的这批人。那些还没积累起足够专业判断力、只能做 AI 也能做的基础工作的人，该怎么办？

吴恩达：应届生面临的一个真正挑战是，大学系统的适应速度太慢。

我很爱学术圈，也认为我们都该支持高校。但问题是，当 AI 改变了软件被编写的方式，大学往往要花一两年让老师掌握新技能、开新课、走完课程委员会审批、院系投票，整个过程就是好几年。而学术界的这种变化速度，和 AI 的变化速度严重不匹配。

可悲的是，很多大学还在教学生怎么应对 2022 年的工作——而我们不但不该教 2026 年，甚至应该教 2028 年及以后的工作。

好消息是，岗位其实就在那里。我认识的一大批雇主，无论在哪个资历层级，都招不到足够多合格的人。我现在办公室里就有很多实习生，有在校生、应届生，还有一个高中生——他们都很棒、很高效。关键是他们都「AI 原生」：既会用 AI 工具做那些我当年能做的事，又会主动去做那些 AI 长时间做不了的事。

所以我的建议是：课当然要好好上、拿好成绩、跟老师学。但凡是大学还没跟上教的那些技能，就去 Coursera、DeepLearning.AI、Udemy 这些地方，把更前沿的、尤其是 AI 的技能补上。

问：我特别想问的是，你会怎么衡量 AI 部署之后的生产力提升？你们公司有对应的 KPI 吗？

吴恩达：这件事没有简单的答案。我发现，AI 带来的商业结果，更多是「业务的函数」，而不是「AI 的函数」——有的公司看客户增长和留存，有的看服务速度，有的看任务准确率。所以 KPI 往往绑定在业务上，而不是 AI 上。你没法直接、单独地去量化「AI 本身」贡献了多少。

那我反过来，能说说你们公司具体是怎么用 AI 的吗？

主持人：天哪，太多了。首先我们全员在用 Claude，而且为每一个运营的社交媒体都建了专门的项目。比如这个播客，我们有一个叫「Guests」的项目，它知道过往所有嘉宾的分析数据，并设定了一套标准来给每个上节目的人打分——他/她有没有被引用、对 AI 有没有明确观点、公司里是否积极用 AI、是不是新晋的 AI 创始人，然后加权算出一个 40 分制的分数，40 分是第一梯队，30 分是第三梯队，以此类推。

我们还有另一个工具，会分析每一期播客，给我提示该问什么问题。Instagram、LinkedIn 同理，它掌握我的语气、个人档案、商业策略，所以每次写东西都了解我的事实和腔调。

我现在正在做的，是「闭环」。有时候它会发一段文案给我，我说这里要改、那里要改，但这段反馈发生在 Telegram 聊天里，散落各处。我们有个机器人会扫描所有聊天，但我真正想要的，是让 AI 能持续从这些反馈里学习，越来越懂我的品味。

人类的护城河：上下文优势

问：你刚才提到「判断」和「品味」——这两个词听起来有点玄乎。它到底是什么？

吴恩达：我在 AI 里观察到一个很常见的现象：当你把 AI 当成数据科学家的头脑风暴伙伴，它常常会给出 1 到 2 个好点子、2 到 3 个平庸的点子，还有 4 个烂得离谱的点子。有时你会纳闷，我的 AI 怎么会觉得这个也能算个可行的想法？

我认为，这恰恰回应了前面的「工作末日」命题——在未来相当长的时间里，你、我、屏幕前的每一个人，都会对 AI 保持一种显著的「上下文优势」。

也就是说，你知道某件事「显然是个烂主意」，是因为有些东西对你是显而易见的，而 AI 没有。你从多年的经验里积累了大量知识：你跟客户聊过，看到过对方脸上那个微妙的表情，知道「他不喜欢这个」；你听老板说过「我其实真正在乎的是这个」。几乎所有人，甚至可以说所有人，都掌握着一大堆 AI 永远拿不到的东西——这样的「管道」如今不存在，可预见的未来也不会存在。

有时人们谈「人类判断」或「人类品味」，会觉得这是件很模糊的事。但在我看来，支撑起人类比 AI 更好的判断力和品味的，那个真正的技术性底层，就是这个「上下文优势」。

而正因为这是一个「没人能在几年内解决」的长期优势，我们才需要更多拥有这种判断和品味的人，去持续「互补」AI。

反直觉：AI 对「学习」糟糕透顶

问：这会不会让教育反而更重要？因为教育给我们「上下文」。可我也听到另一种声音——有了 AI，你就不需要教育了，信息都在指尖，直接问 ChatGPT 就行。你怎么看？

吴恩达：我要说一句可能有点争议的话，我不知道自己有没有公开讲过——但坦白讲，我认为「AI 模型是糟糕的学习工具」。

我知道很多人觉得 AI 在做事情上很了不起，我自己也天天用、很爱用。但所有正在出来的数据都在告诉我们：大学生用 AI，作业分数确实更高了——哇，作业分很高。可他们的知识留存、长期表现却更差，因为 AI 替他们做了功课。现在越来越多的研究在佐证这一点。

你看，维基百科是个好工具，海量事实；网络搜索也是好工具，海量事实。但问题在于，当你让 AI 替你做工作时，你是在对 AI「认知卸载」——这对推进社会、完成工作固然很好，但人的留存率却更差了。

结论很清楚：按绝大多数人目前的使用方式，大语言模型对学习来说是灾难性的。

我不是说没有能用于学习的好办法——我相信有。但就我自己的亲身体验来说，过去六个月里我为了做项目，有无数次直接问 AI「前端后端某个组件怎么搭」，它给我答案，事情办成了，很棒。可六个月后我根本不记得答案，等下次要重做那个组件时，我又得再问一次 AI。

所以数据很明确：我们该停止把 AI 当成「有助于学习」的东西了。至少绝大多数人、绝大多数使用方式下，它对学习是绝对有害的。

问：但你自己正在做一家公司来解决这个问题，对吧？就是那个 Coursera 投了 1 亿美元的一对一 AI 辅导项目？

吴恩达：是的。我很兴奋能带一个新组织，叫 LearnVector，专注打造一种「一对一」远多于「一对多」的全新学习体验。

十五年前我有幸参与过在线课程运动，那确实改变了很多人学习的方式。但它至今仍大多是一对多——所有人看同一个视频。这其实也不错、也有效。但今天的技术已经足以创造更个性化、定制化的一对一体验了。我们的团队正在全力做这件事，预计明年初会有更多东西可以展示。

当我看人类技能的发展，有个观察：因为 AI 深刻重塑了软件工程，软件工程就业市场上正在发生的事情，其实是其他所有学科未来走向的「先行指标」。

全周期人才：每个岗位的人都该学「构建」

问：刚才你说到软件工程的变化是「先行指标」，具体是什么意思？

吴恩达：在软件工程里，人需要学新技能，但一旦学了，他们就在茁壮成长，创造更多价值，还涨了薪，做上更带劲的项目。

最典型的是，现在大多数前端、后端开发者，因为有了 AI 的帮助，都成了全栈开发者——你可以承担更宽的职责边界。

而我在其他学科也看到了同样的早期迹象：比如过去做营销协调的人，现在借助 AI 能变成「全周期营销人」，承担更宽的职责；做招聘的人，正在变成能端到端跑通整条招聘流程的「全周期招聘者」。

所以好消息和坏消息是一体的：要胜任这些岗位，你既要学 AI 技能，也要学本专业之外的其他技能——营销其他环节怎么做、招聘其他环节怎么做、软件工程或 AI 工程的其他部分怎么做。这创造了对新技能的巨大需求。但一旦你补齐了，就能做更多事、做更带劲的项目，大概率也赚得更多。

问：这里我其实有点担心。我收到过一个即将上大学的学生的邮件，他说「我正在上网课，但很纠结该选什么专业，因为四年后 AI 是不是就会把这些都做掉，我学的东西会不会全部作废？」如果这是写给你的邮件，你会怎么回？

吴恩达：答案当然不是「全部作废」。

但正是因为我们不断推这些恐惧的信息，才让人们开始怀疑自己将来还重不重要，于是不敢全力以赴去学那些能让他们占据更好位置的技能。我看得很清楚，这些恐惧信息正在扭曲太多人——包括高中生、大学生、应届生——对经济的判断。而让人们对未来认输，是这个时代最糟糕的事之一，因为肯主动投入的人，恰恰会活得很好。

问：那对那个学生的问题——现在学什么专业最好、才能在 AI 时代茁壮成长——你会给出什么答案？是深入一个细分领域，还是更泛的计算机科学，好让你能更快掌握 AI 技能？

吴恩达：老实说，我不知道什么是最好的专业——有很多很棒的专业。这有点像「世界上最好的工作是什么？」「世界上最好的专业是什么？」答案是：你热爱的那个。我女儿想当宇航员，我还得想想她能不能「主修宇航员」这回事。机会遍布太多岗位，每一种看起来都很带劲。

但有一条是确定的：一定要学 AI，一定要学「用 AI 构建」。

问：你在强调「学 AI」和「变得精通 AI」，能给我一些具体的判断标准吗？比如一个市场人员、知识工作者，怎么算「AI 高级用户」？你面试时会看什么？

吴恩达：我很确定我的团队走在了前面——我团队里所有市场人员都会写代码。

所以我面试市场人员的方式是：问他们「你构建过什么」。如果一个人从没构建过任何软件，那就不行。

问：比如一个数据看板，算好还是不好？是不是太基础了？

吴恩达：数据看板啊，我的团队又走在了前面——我所有市场人员构建的东西，都比它复杂得多。前几天团队里一个做市场的人聊起他做的工具：每当他要写一篇文章时，那东西会先爬取全网找相关研究，还能生成一个跑在他 Mac 上的桌面应用，帮他高亮相关文章；然后你可以跟整个系统对话、浏览他正在写的内容和相关材料。他还做了一个专门「巡游互联网」的看板，专门给他推送那些突然冒出来的新鲜事。

还有我的财务团队，也在大量用 AI。我的某位 CFO 发现，团队每周要花好几个小时点开文件、复制粘贴数字，于是她开始搭自动化脚本，按例行程序自动打开文件、检查内容、核对一致性，一旦有需要关注的地方或者新文件出现，就提醒团队。这比坐在那里等工程师来帮你干活强多了——他们不但能搭看板，还能搭出数据管理的基础设施。

连我的招聘团队也有「招聘工程师」——真正的专业工程师，嵌入招聘团队，构建非常复杂的招聘工具。这其实是另一个趋势：市场、招聘、HR、运营的人固然都该学 AI；但当你把一个工程师嵌入到这些团队里，又能进一步加速能做的事。我们就是这么做的——先自己搭个基础版，撞墙了，工程师再进来把它做得更好。

说实话，看着不只是软件工程师，还有招聘工程师、市场工程师、HR 工程师，我在想：现在有太多有价值的工程工作可做了，我根本不担心工程岗位会耗尽——我所有朋友都忙得要命。

数据的边界：隐私、本地模型与失控风险

问：我们聊到财务信息，就不得不提另一个很多人担心的事——你愿意把多少数据交给 AI？我给了 Perplexity 权限让它扫我的 Fidelity 账户、跟踪我的投资组合，跟我说什么时候该再平衡。它不会替我操作，但有访问权限。你觉得这有问题吗？

吴恩达：这很复杂。AI 和隐私是一个复杂的领域，很大程度上取决于你把数据交给谁。

举个例子，我个人非常信任所有超大规模云服务商，相信他们会 100% 遵守服务条款、说到做到。这只是我的个人看法，不是商业法律建议——但我会很震惊，如果最大的那几家云厂商刊发一条隐私通知然后又反悔，那完全不是他们的文化，也会严重损害长期商业模式。

但换到 AI 公司这一侧，情况就不一样了。至少有一家公司——我不点名——似乎偶尔会改服务条款。你用着用着，网站上弹个窗：「我们更新了服务条款，将保留、或以你的数据训练」。如果你没留意、点错了按钮，它们就突然给自己拿到了访问你数据的权限，那种方式我不太舒服。

所以对于少数那些我感受不到「文化」和「DNA」、其长期商业模式不像云厂商那样绑定在保护用户隐私上的公司，我会格外小心。

企业也懂这个道理。我其中一个团队 AI Aspire，服务包括银行在内的超大型企业，接触的是极其敏感的金融数据。你可以想象，我们和客户绝不会把那些「重大非公开信息」（MNPI）随随便便交给前沿实验室，除非对隐私护栏做了非常审慎的考量。

问：那如果确实想更好地保护隐私，在本地跑开源模型是不是一条路？我个人很信任云厂商，但对真正的 MNPI，我甚至发都不愿发上云。

吴恩达：绝对是一条路。很多银行实际上就是在虚拟私有云或本地（on-prem）跑模型，数据自始至终都没离开过他们的控制。

对个人来说同理：对于真正敏感的东西，我有时会跑一个本地模型。而且开源模型很有意思——最新的开源权重模型已经逼近前沿能力，而且足够小，能在本地电脑上跑得不错。Meta 最近的那个模型很好，我也觉得最新版的通义千问（Qwen）很不错。不过坦率讲，这些模型每两周就换一轮，最好的做法是别死磕一个，而是不断去试新模型。

所以我的原则是：我信任云厂商，但遇到真正的 MNPI，我连云都不发。要么手动处理、不用 AI，要么如果非用不可，就非常谨慎地用本地模型。

问：接下来这个问题比较尖锐。关于「人类对 AI 失控」，我跟 Yoshua Bengio 聊过，他对不加监管的 AI 非常悲观，给我描绘了一些很吓人的画面——因为整个逻辑是「我们没法控制一个比我们更聪明的东西」。AI 越来越聪明，我们最后会落在哪里？你怎么看？

吴恩达：这让我想到另一个我们同样无法控制的东西——飞机。

没人能造出一架「飞得完美」的飞机，风会把它吹得乱晃。坦率讲，在造飞机的早期，一些飞机坠毁了、有人丧生，那很悲惨、很糟糕。但正是靠着早期学到的教训，我们学会了把飞机控制得越来越好，直到今天，我们大多能走进一架飞机，而不必担心性命之忧。

AI 也是一样。没人能完美控制 AI，因为它生成 token、输出带着一点随机性，我们无法确切知道它下一步会做什么。但就在我们运行这些模型的过程中，虽然也发生过少量令人遗憾的事故、有些确实造成了真实伤害，我们对待任何一个系统的工程方式——从飞机、电路到今天 AI——都是一样的：谨慎地、渐进地提升它的能力，好让我们处在一个「受控环境」里，去测量哪里出了问题，然后去塑造它，确保我们能把它控制到「足够好」，让它行为负责、安全。

直到今天，我们仍不能完美控制任何一架飞机；我们也永远不会完美控制 AI。但我认为，我们已经把它控制得「足够好」了——所谓「失控」，现在感觉并不像科学，而是像科幻。

问：那 deepfake（深度伪造）呢？

吴恩达：deepfake 确实是个问题。我见过的、听过的最令人作呕的事情之一，就是未经同意的亲密影像深度伪造。我很欣慰美国国会已经在推动立法，去惩罚、铲除这类东西。有些 AI 的用法确实很成问题，我们该立法禁止、重刑严惩，把它们彻底清除。

问：还有一个和很多人切身相关的事——孩子和 AI。我们看到社交媒体的教训，有人整天无脑刷。我女儿现在五岁，每次我答不上来，就说「问 ChatGPT」，她觉得 ChatGPT 什么都知道。你怎么看孩子和 AI 共处的未来？

吴恩达：首先，我认为孩子有一个光明的未来。在这样的环境里、用着我们小时候从没有过的工具长大，是个令人兴奋的时代。

但与此同时，社交媒体被骂得可能稍微超过它该挨的骂——不过它确实该挨骂，对孩子不算好。

我真正非常担心的，是「AI 损害学习」这件事。我有两个小孩，一个五岁一个七岁（注：此处按吴恩达原话整理），教他们数学时他们年纪还小，我可以基本不让他们用计算器，说「你算算这些数字怎么乘」，不给他计算器，陪他练习。可等他们再大一点，我就很担心学生用「认知卸载」的方式用 AI，损害长期的学习留存。

不过，我也真的自己动手搭了个应用——我不喜欢市面上任何免费的打字学习工具，于是自己写了一个，让我女儿学打字。她现在已经打得挺不错了，七个…这么小的年纪就能打完所有小写字母，只是按住 Shift 打大写还差一点。我觉得，这恰恰是解锁「有成年人监督地、负责任地使用在线工具」的关键。

关键在于有成年人监督地使用数字工具，对孩子是好事；可太多成年人没时间监督，而社交媒体那套激励机制又会把事情带偏。所以 AI 这件事上，激励机制必须是对的。

2026 年最大的机会：从「会写代码」到「判断该构建什么」

问：聊完了恐惧，也聊了怎么用 AI 提升工作。能不能说说，对想在 2026 年 buildsomething（去构建的人），最大的机会在哪？

吴恩达：对想构建的个人来说，没有放之四海而皆准的答案。但正因为构建的成本已经暴跌，我鼓励所有人：学 AI、快速构建、然后去跟客户聊。

我发现自己几乎每周、每个周末都在搭东西，因为我自己或者团队里的某个人会遇到某个问题，然后我有个用 AI 把它自动化的点子。上周末我就用一个前沿模型分析了一大堆关键业务指标，因为我没时间自己弄，也来不及去找数据科学家——我试了好几个前沿模型，还特别小心地筛掉了那些数据留存政策我不喜欢的模型。

而这里正在发生的，是构建成本暴跌之后，挑战转移到了「决定该构建什么」上——我一直管它叫「产品管理瓶颈」。

所以那些能跟客户聊、对「该造什么」有品味和判断力、再用 AI 快速迭代的创始人、工程师、产品经理，面前摊着一大堆让人兴奋的事可做。

问：对初学者来说，当你周末就能搭个东西时，你怎么决定该聚焦什么？还是说现在可以同时推进好几个想法、同时玩好几个公司？

吴恩达：事实是，创办一家公司仍然非常、非常难，所以「单线程领导力」——一个人完全专注在一件事上有很大的价值。

我发现，一个周末我能搭个 wrapper、搭个简单应用，但我多希望「建一家大公司」也能那么容易。事实是，构建一件有意义的东西，往往要么需要真正的技术深度，要么需要对客户深刻的洞察和融入。

是的，现在我们能用 AI 几个小时就写出代码，但那只是拼图里的一小块。真正的功夫，花在理解技术复杂度、去构建那些要花几个月甚至几年才能完成的复杂软件上；或者花在对客户的深度洞察上——去跟人谈、读他们的表情、做调研、反复地做，直到搞清楚「到底该造什么」。

所以我的看法是：有时候「广泛采样」很有价值，但具体到一个人，仍然要聚焦、在少数几个领域钻得很深，这对办企业依然重要。

问：最后一个问题，时间不多了。关于 AGI——这个词被用得太多了。有人说，比如黄仁勋，说我们已经达到 AGI 了；你却说它还要几十年。你判定的那一个标准，到底是什么？

吴恩达：不同的人之所以在不同时间宣布「到 AGI 了」，是因为他们对 AGI 的定义各不相同。

我最熟悉、也最认同的定义是：能做「人类能做的任何」智力任务的 AI。

但你看，人的大脑可以花五年攻读、写出一篇博士论文——那 AGI 能写博士论文吗？又或者，一个人能只用几十分钟的练习，就学会在茂密的热带雨林里开卡车——那 AI 什么时候才能只用几十分钟的练习，就做到在这个新环境里开车？

这些事，有一张很长的清单，AI 都做不到，而且我感觉几十年内都做不到。我希望「只是几十年」，也许会更久。

所以按这个定义，AGI 依然非常遥远。

但有意思的是，因为有经济激励——OpenAI 和微软曾有个协议（现在已经重新谈判、不复存在了）——OpenAI 一度有很强的经济动机去「更早宣布达到 AGI」。

所以这就成了一场定义的游戏：只要你不断降低标准，你完全可以早就「达到 AGI」了，甚至三十年前就达到了，全看你怎么定义它。

尾声

主持人 ：Andrew，非常感谢你带来这场如此积极、又如此接地气的对谈。我喜欢那种「看完之后能拿自己跟别人用 AI 的方式比一比、审视自己的流程、再想办法扩展它」的感觉。谢谢你展示了你的团队在做什么，谢谢你的洞见。

吴恩达：考虑到 AI 即将带来的巨大好处，我希望屏幕前的每个人都能被激励着，真的去学 AI、去应用它，甚至亲自去构建点东西。

资料来源

Silicon Valley Girl 播客《Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think》

原视频：https://www.youtube.com/watch?v=o-wv_szZ0V0

以上内容，根据公开信息源整理，仅作学习、探讨之用