本文探讨AI对工作的影响强调AI不会直接取代工作而是改变工作组成。使用AI、判断问题和落地想法的能力将逐渐拉开差距。文章指出AI的收益在于降低软件开发、数据分析和业务自动化门槛同时存在隐私、安全等风险。AI可能先接管工作中30%-40%的任务剩下60%-70%因包含客户沟通、复杂协作等更具价值。未来趋势是使用AI的人替代不会使用的人重新设计工作流程的人超越重复旧流程的人。构建软件和工具的成本下降业务人员可借助AI制作原型形成“描述问题、拆解流程、用AI试做工具”的通用能力。AI适合做事但未必适合直接替人学习需区分代做型和教练型使用。未来AI教育将更个性化学习重点在于学好专业本身同时主动补上AI能力。AI降低了“做出东西”的成本却提高了“决定做什么”的重要性理解用户真实痛点、持续迭代和长期执行成为稀缺能力。使用AI时需关注效率、隐私和安全遵循数据政策、最小权限原则等。关于AI失控和AGI需持续测试、增加安全约束对“已实现AGI”的言论应审慎追问定义和评测标准。AI时代最重要的能力是把想法变成结果需选择问题、用AI拆解分析、验证结果并补强AI技能与专业能力。当人们还在争论“AI会不会抢走一半工作”时人工智能教育家 Andrew Ng 给出了一个更务实的判断真正值得关注的不只是模型参数有多大、榜单排名有多高而是越来越多的人可以用 AI 把想法变成工具把重复流程变成自动化系统。这并不意味着工作会原封不动地保留下来也不意味着 AI 已经无所不能。更准确的说法是AI 正在改变工作的组成方式。会使用 AI、会判断问题、会把想法落地的人可能会逐渐拉开与只等待指令、只重复旧流程的人的差距。先别被“AI末日叙事”带偏访谈一开始Andrew Ng 讨论了一个现实问题关于 AI 的公共讨论往往在“万能神话”和“世界末日”之间来回摆动。他认为部分 AI 公司为了维护大型模型带来的商业优势可能会放大 AI 风险、推动有利于现有巨头的监管环境。对于这一判断读者应将其视为受访者的个人观点而不是已经被独立证明的事实。但他提出的更普遍提醒值得重视讨论 AI 时不能只挑选极端案例也不能把“可能发生的风险”直接写成“必然发生的灾难”。例如AI 确实会带来隐私、深度伪造、就业结构变化和安全问题与此同时它也能降低软件开发、数据分析、内容制作和业务自动化的门槛。真正有价值的讨论应当同时回答两个问题AI 能带来哪些真实收益哪些风险需要通过产品设计、行业规范和法律规则来约束如果只制造恐惧可能让一部分学生、职场新人和企业因为“反正未来都会被替代”而放弃学习如果只宣传 AI 无所不能又会让人低估验证、监督和专业判断的重要性。AI更可能先改变工作而不是直接消灭工作Andrew Ng 在访谈中引用了一种任务拆解的思路一份工作通常不是一个整体而是由许多不同任务组成。AI 可能先接管其中一部分而不是立刻完成一个职业的全部工作。他提到AI 也许能够完成许多工作中 30%—40% 的任务。这个数字属于访谈中的概括性表达并非适用于所有行业的统一测量结果。关键在于剩下的 60%—70% 可能因此变得更有价值因为它们往往包含客户沟通、目标判断、复杂协作、责任承担和现场决策。换句话说未来更可能出现的不是“AI 取代所有人”而是使用 AI 的人逐渐替代不会使用 AI 的人能够重新设计工作流程的人逐渐超过只重复旧流程的人。软件工程是访谈中被重点讨论的例子。AI 已经很擅长生成代码因此程序员中一些机械性的编码任务会减少。但这并不等于软件工程师没有价值。需求理解、系统设计、代码审查、故障排查、产品取舍和与用户沟通仍然需要更强的综合能力。Andrew Ng 的建议不是继续重复 2022 年以前的编程方式而是把 AI 擅长的部分交给 AI自己转向更高层次、更宽范围的工作。这也解释了一个趋势一些前端或后端开发者借助 AI开始承担更完整的全栈工作营销、招聘、财务和运营人员也可能从单一执行岗位转向更完整的业务角色。最大的机会从“使用 AI”走向“用 AI 构建”访谈中最值得普通读者关注的一句话是构建软件和工具的成本正在快速下降。过去市场人员、招聘人员、财务人员或运营人员有一个想法通常需要先找到工程师再排期、写需求、开发、测试。现在很多小型工具、数据看板、自动化脚本和内部应用可以由业务人员先借助 AI 做出原型。这并不是说每个人都要立刻成为专业程序员而是说“会描述问题、会拆解流程、会用 AI 试做工具”正在变成一种新的通用能力。营销人员可以做什么访谈中提到Andrew Ng 团队的营销人员会用 AI 和代码搭建工具输入一个选题后系统自动检索相关资料整理相近文章并把值得关注的内容集中展示出来帮助团队判断是否值得继续写作。对普通内容团队来说不一定要一开始就做复杂系统。可以先从这些小任务入手自动整理选题、素材和来源链接根据既定标准给内容初稿评分分析不同平台的阅读、点击和转化数据把一次性提示词改造成可反复使用的内容工作流。财务团队可以做什么访谈还举到一个财务自动化案例团队原本需要反复打开文件、复制数据、检查数字和寻找异常后来开始用脚本自动读取文档、核对内容并在出现新文件或异常情况时提醒相关人员。这类应用的重点不在“让 AI 自己做财务决策”而在于把机械的查找、搬运和初步检查自动化让专业人员把时间投入到解释数据、判断风险和做出决策上。人力资源和招聘团队可以做什么Andrew Ng 提到他们的招聘团队中甚至有专门嵌入业务团队的工程人员帮助招聘人员搭建更复杂的工具。这说明一个重要方向未来的工程工作不一定只存在于传统技术部门也可能出现更多“营销工程师”“招聘工程师”“人力资源工程师”等交叉岗位。这些岗位的共同点是既理解业务流程又能用 AI 和软件把流程改造出来。AI时代人的优势仍然是“上下文”和判断力AI 能快速提出许多答案但答案多并不等于答案好。Andrew Ng 形容AI 往往能给出一两个不错的想法、几个普通想法甚至还有一些非常糟糕的想法。问题在于模型并不知道某个方案为什么在你的客户、团队或行业里明显不可行。人类长期积累的经验构成了 AI 暂时难以完整获得的“上下文优势”。上下文可以理解为你知道客户之前说过什么见过对方听到某个方案时的表情了解公司内部的限制也清楚某个决定会影响哪些人。这些信息不一定存在于公开网页或数据库中但它们往往决定了一个方案到底能不能落地。因此所谓“人的判断力”和“人的品味”并不是神秘能力。很多时候它们来自更丰富的经历、行业知识、现场观察和对后果的理解。AI 可以帮我们扩大搜索范围、生成备选方案、快速制作原型人仍然需要判断哪些方案值得保留哪些方案从一开始就不应该推进。这也是为什么专业知识不会因为 AI 出现就完全失去价值。相反越能看懂业务、理解用户、判断风险的人越能把 AI 变成真正有用的工具。一个重要提醒AI适合做事不一定适合直接替你学习访谈中 Andrew Ng 对 AI 学习提出了一个相当尖锐的提醒按照目前大多数人的使用方式AI 可能非常适合“帮你把事情做完”却不一定适合“帮你真正学会”。例如学生使用 AI 后作业分数可能提高但如果 AI 直接替他完成思考过程长期记忆和独立解决问题的能力可能变弱。Andrew Ng 把这种现象称为认知外包把原本需要自己完成的思考交给工具。这并不意味着学习时不能用 AI而是要区分两种用法代做型使用直接让 AI 写完答案、代码或作业自己只负责复制提交教练型使用让 AI 提问、提示、指出错误、设计练习并要求自己先尝试。如果目标是完成工作代做型使用可能很高效如果目标是掌握能力就要避免把所有思考都外包出去。更好的学习提示词可以这样写不要直接给出完整答案。 先判断我目前掌握到哪一步再通过提问引导我自己思考。 如果我的思路有错误请指出错误所在但先不要替我完成全部推导。 最后再给出一份简短总结和练习题检查我是否真正理解。未来的 AI 教育也可能从“一套课程教很多人”逐渐转向更个性化的一对一学习体验。Andrew Ng 在访谈中提到他正在参与探索更个性化的学习产品但相关内容属于其团队的项目方向具体产品能力和时间安排仍应以官方后续信息为准。大学生和职场人的学习重点是什么Andrew Ng 并没有给出一个“AI时代唯一正确的专业”。他的建议更像是一组通用原则学好专业本身同时主动补上学校课程暂时没有覆盖的 AI 能力。这是因为大学课程更新通常需要经历教师学习、课程设计、委员会审批等流程而 AI 工具变化的速度要快得多。学校可能仍在教学生准备几年前的工作但企业已经开始寻找能够适应新流程的人。对在校生和职场新人来说可以从三个方向积累能力学会使用 AI而不是只会聊天理解提示词、上下文、结构化输出、文件处理、工具调用和结果验证。重点不是记住某个模型的按钮位置而是知道如何把一个模糊问题拆成可执行步骤。保留一项真正的专业能力AI 技能不能替代行业理解。营销、设计、财务、法律、教育、工程等领域的专业知识仍然决定了你是否能提出正确问题、检查错误答案并判断结果能不能用于现实世界。培养主动性访谈中提到越来越多职位描述开始重视“主动发现问题并推动解决”的能力。过去很多人等待上级分配任务在 AI 降低构建成本之后一个人可以先发现流程中的低效环节做一个小工具验证再拿着结果与团队讨论。主动性不等于盲目越权而是能在边界清晰、风险可控的情况下先把问题弄清楚、把原型做出来。创业机会增加了但创业本身没有变简单Andrew Ng 给想做产品的人一个非常实用的建议学习 AI、快速构建、与客户交流。AI 让做出一个原型变得更容易但真正做成一个有价值的产品仍然需要技术深度、客户洞察、持续迭代和长期执行。这可以用一个简单公式理解AI 降低了“做出东西”的成本却提高了“决定做什么”的重要性。当任何人都能在周末做出一个小应用时代码本身就不再是唯一壁垒。真正稀缺的可能变成你是否理解一个具体用户群体的真实痛点你是否知道哪些需求值得长期投入你是否能通过交流和观察发现用户没有明确说出来的问题你是否能把原型变成稳定、安全、可持续使用的产品。因此适合个人的路径可以是先广泛尝试小想法再选择一两个领域深入而不是同时经营一堆缺少真实需求验证的项目。效率、隐私和安全别把“能做”误认为“该做”AI 工具越强权限管理就越重要。访谈中讨论了把金融账户等敏感信息交给 AI 分析的风险。Andrew Ng 的态度并不是简单地说“所有云端 AI 都不安全”而是强调要关注服务商的隐私政策、数据保留规则、企业文化和实际使用场景。使用 AI 处理资料时可以遵循几个基本原则不把身份证件、银行卡、未公开财务数据、商业机密直接上传到不了解的数据服务使用企业版或 API 前先确认数据是否会被保存、用于训练或供人工查看对需要外部工具访问的文件和账户采用最小权限原则对高敏感内容考虑在本地运行开源模型或先做脱敏处理AI 输出涉及资金、法律、医疗或重大业务决策时必须由专业人员复核。Andrew Ng 还提到银行等机构可能会把模型部署在私有云或本地环境中让敏感数据不离开自身控制范围。对普通用户而言本地模型并不一定适合所有任务但可以作为处理高度敏感信息时的一种备选方案。另外模型和服务更新很快不必把自己绑定在某一个工具上。重要的是持续了解数据政策、能力边界和成本变化。关于“AI会失控”和AGI应该如何看谈到 AI 失控Andrew Ng 用飞机作了类比飞机也不可能被人类百分之百控制天气、机械和操作都会带来不确定性航空业通过测试、事故复盘、工程标准和监管把风险降低到大多数人可以接受的程度。他认为AI 也需要在逐步扩大能力的同时持续测试、发现问题并增加安全约束。这种观点并不意味着 AI 风险不存在而是强调不要把“无法绝对控制”直接等同于“必然失控”。至于 AGI也就是“通用人工智能”访谈中的关键分歧在于定义不同。如果把 AGI 定义为能够完成任何人类智力任务的系统那么它不仅要会回答问题还应能在陌生环境中快速学习完成长期复杂任务并拥有接近人类的适应能力。Andrew Ng 认为按照这个标准AGI 仍然距离我们很远可能还需要几十年但如果降低标准不同人就可能在不同时间宣布“已经实现 AGI”。因此看到“我们已经实现 AGI”或“AGI 很快就会到来”这类标题时第一反应应该是追问这里采用的到底是什么定义展示的是哪一类任务有没有可复现的评测AI时代最重要的能力是把想法变成结果这场访谈并没有给出一个神奇的职业清单也没有承诺 AI 会让所有人轻松成功。它更像是在提醒我们重新理解机会AI 让构建工具更便宜、试错速度更快也让许多岗位可以承担更大的业务范围但它没有消除判断、专业知识、客户理解和长期执行的价值。对普通人来说最现实的行动路径可能不是等待一个“不会被 AI 影响的职业”而是选择一个真实的工作或生活问题学会用 AI 拆解它、分析它、做出一个小原型用真实反馈验证结果而不是停留在聊天窗口里保留人工复核尤其是涉及隐私、资金和重大决策时同时补强 AI 技能与自己的专业能力。AI 的机会往往不在于谁最会谈论未来而在于谁能更早发现问题、更快做出验证并把一次性的尝试变成可靠的工作流程。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。
