斯坦福CS230課堂：AI時代，人類工程師的機會在哪裏？｜創意是廉價的，執行是一切

上個月中，吳恩達在斯坦福CS230課堂上請來了老朋友Laurence Moroney（ARM AI負責人、前Google TensorFlow首席佈道者），兩人圍繞AI職業發展給出了一系列直白建議。這堂課的價值在於：講者既是AI技術一線的資深從業者，也是見證過無數人職業起落的觀察者。

吳恩達只講了十幾分鍾，但信息密度極高。Laurence的部分則更接地氣，講了很多面試翻車、公司踩坑的真實案例。以下是核心要點整理。

一、AI進步沒有放緩，只是換了衡量方式

媒體總在問"AI是不是到頂了"，吳恩達給出了一個更有説服力的視角。

1、任務複雜度每7個月翻倍

METR的研究用"人類完成同等任務需要多長時間"來衡量AI能力。幾年前AI只能做人類幾秒鐘能做的事，現在能做幾分鐘甚至更長的任務。這個指標每7個月翻一倍。編碼領域更誇張，翻倍週期可能只有70天。

"如果用準確率當標準，到100%就沒法再漲了。但用任務複雜度衡量，進步空間是無限的。"

2、編碼工具迭代速度超乎想象

吳恩達坦言自己的主力工具每三個月就可能換一次。幾個月前是Claude Code，GPT-5發佈後OpenAI Codex進步巨大，今天早上Gemini 3又出來了。落後半代工具，生產力差距就很明顯。

這不是泛泛的"AI發展快"，而是編碼工具這個細分領域確實在以驚人速度進化。

二、產品經理正在成為新瓶頸

當代碼生成變得廉價，決定"做什麼"比"怎麼做"更難了。

1、工程師與PM比例正在逆轉

傳統硅谷公司的工程師對PM比例大約是4:1到8:1。吳恩達觀察到這個比例正在往2:1甚至1:1走。有些團隊提案裏就是1個PM配1個工程師。

原因很簡單：寫代碼變快了，但理解用户需求、定義產品規格並沒有被AI加速多少。

2、能做產品的工程師是最快的人

吳恩達的原話："如果你能寫代碼，又能跟用户聊、建立共情、自己判斷下一步做什麼，你就是我見過跑得最快的人。"

他承認自己早年犯過一個錯誤：試圖讓所有工程師都去做產品工作，結果讓一些優秀工程師感到挫敗。但現在環境變了，能同時承擔兩個角色的人確實有巨大優勢。不是每個人都適合，但值得重新評估一下自己能不能往這個方向走。

三、選人比選公司Logo重要十倍

吳恩達講了一個他在課上反覆講的故事。

一個斯坦福學生拿到了某AI熱門公司的offer，但公司拒絕透露他會被分到哪個團隊。"先簽字，後面有輪崗機制會給你匹配。"結果入職後，這位AI學生被分去做Java後端支付系統。幹了一年就走了。

更諷刺的是，吳恩達在課上講完這個故事幾年後，又有一個CS230的學生在同一家公司經歷了類似的事。

"如果一家公司拒絕告訴你會跟誰工作，這本身就是一個信號。"

關於人際網絡，吳恩達特別強調了斯坦福的"連接組織"（connective tissue）。很多前沿AI實驗室的人都是斯坦福校友，教授們隨時能打電話問"這個東西真的有用嗎"。這種非公開的信息交流，會影響技術架構選擇。

"你周圍的五個朋友如果都是刻苦學習、努力用AI做好事的人，你大概率也會變成這樣的人。"

四、面試中態度翻車的真實案例

Laurence講了一個他輔導過的年輕人的故事。

這人履歷完美，代碼能力頂尖，但從4月被裁員後投了300多份簡歷，進入Meta、微軟、Blue Origin等公司的面試深水區，每次都在最後一輪被刷。

問題出在哪？Laurence做了一次模擬面試才發現：當面試官指出他代碼裏的漏洞和極端情況時，這人表現得非常強硬，不願承認問題。

他這麼做是有原因的——很多大公司的招聘指南都會告訴候選人"面試時要有主見、敢於堅持自己的觀點"。但他把這條建議執行成了"死不認錯"，給面試官的感覺是在對抗而不是討論。

"從面試官角度看，這人技術是10x工程師，但我不想讓他進我的團隊。"

後來這人改了態度，拿到了一個重視團隊合作的公司的offer，工資翻倍。

啓示：公司在選你的時候，跟你選公司一樣認真。好公司會認真篩選"我願不願意天天跟這個人共事"。

五、AI招聘的三波震盪

Laurence把過去幾年AI行業的招聘分成三個階段。

2021-2022年，全球疫情導致招聘凍結，需求被壓抑。2022-2023年，疫情結束疊加AI爆發，所有公司瘋狂搶人，很多不夠格的人被高薪挖走，"只要簡歷上有AI就能拿到高薪"。2024-2025年，大清醒時期，公司意識到過度招聘了很多能力不匹配的人，開始大規模調整。

這意味着現在的面試官比兩年前挑剔得多。但Laurence説：機會依然巨大，關鍵是用對方法。

六、成功三支柱：理解、商業、交付

Laurence總結了他觀察到的AI從業者成功要素。

1、深度理解（兩層含義）

學術層面：能讀懂論文、理解模型架構、知道怎麼落地。行業層面：能分辨趨勢中的信號和噪音。

2、商業聚焦

"不要只為你有的工作產出，要為你想要的工作產出。"

Laurence第三次面試Google時，提前用Java在Google Cloud上寫了一個股票預測應用，寫進簡歷。結果整個面試都在聊他的代碼，而不是"一輛校車能裝多少高爾夫球"這類問題。

他還提到一個"政治不正確"的觀點：過去幾年硅谷公司流行一種管理理念，鼓勵員工"把完整的自己帶到工作中"，意思是不用壓抑個人身份和價值觀，可以在公司裏表達政治立場、支持社會議題。

初衷是好的，但後來失控了。員工開始在公司內部搞抗議活動，最極端的例子是有人闖進Google Cloud負責人的辦公室靜坐，甚至在他桌上大小便。

現在鐘擺在往回擺。公司對這類行為的容忍度大幅下降，"專注業務"重新變成了硬性要求。

3、交付偏好

"創意廉價，執行是一切。"

Laurence面試過很多人，有些人帶着天花亂墜的想法卻無法落地，有些人想法粗糙但執行到位。猜猜誰拿到了offer？

七、用技術債務框架理解Vibe Coding

關於AI生成代碼（Vibe Coding），Laurence給了一個很實用的思考框架：技術債務（Technical Debt）。

就像買房貸款是好債（房子會增值），衝動刷信用卡是壞債（利息吃掉價值）。每寫一行代碼都是在借債：後續要修bug、要維護、要寫文檔、要加功能。

AI生成代碼讓"借債"變得極其容易，但不代表每筆債都值得借。

好債的特徵：
• 目標清晰，達成了就停
• 產生了真實商業價值
• 別人能看懂你的代碼

壞債的典型：
• 為了炫技而做的solution looking for a problem
• 反覆prompt產生的spaghetti code
• 老闆用Replit做了個網站，維護成了團隊的鍋

Laurence自己在做一個電影製作相關的副業項目，反覆用AI生成代碼、測試、扔掉、重來。每次需求理解都更清晰一點。"代碼現在便宜了，但工程化的代碼依然昂貴。"

八、Agentic AI的四步分解

一個歐洲公司CEO找Laurence説"幫我實現一個Agent"。Laurence問的第一個問題是：為什麼？

層層剝開後發現，CEO真正想要的是"讓銷售人員更高效"。這句話裏沒有AI，也沒有Agent。

進一步調研發現，銷售人員80%的時間在做客户背景調查（翻網站、查LinkedIn），只有20%時間在真正銷售。而銷售收入主要靠提成，他們等於只用20%時間做能賺錢的事。

最終方案：用Agentic AI做客户調研自動化。四個步驟——
• 理解意圖：明確要完成什麼任務（瞭解Bob Smith這個客户，準備銷售拜訪）
• 規劃：聲明可用工具（網頁搜索、瀏覽器等），讓LLM分解執行步驟
• 執行：調用工具獲取結果
• 反思：結果是否滿足意圖？不滿足就回到規劃步驟

結果銷售人員節省了10-15%的調研時間，收入提升，工作滿意度也上去了。

"麥肯錫説85%的AI項目失敗，主要原因就是scope不清晰，被炒作帶跑了。"

九、大AI vs 小AI的分岔

Laurence認為未來五年AI會分化成兩條路徑。

大AI路線：GPT、Gemini、Claude這些公司繼續追求更大模型、衝擊AGI。這條路的泡沫可能更早破裂。

小AI路線：開源/開權重模型、可自託管的模型正在爆發。Y Combinator 80%的公司在用中國的小模型。7B模型今天的能力等於去年50B模型的水平，明年可能等於今年300B。

小模型的應用場景很清晰：隱私敏感場景。

Laurence講了一個好萊塢的例子。電影公司做IP分析（分析什麼類型的電影、什麼檔期更賺錢）極其需要AI，但絕對不會把劇本發給GPT——James Cameron至今還在被人起訴《阿凡達》抄襲。所以他們需要能自託管的小模型。

律所、醫療機構同理。

未來關鍵技能：fine-tuning（微調），把開源模型調教成特定業務場景的專家。

十、泡沫結構與生存策略

任何熱門領域都有泡沫。AI泡沫的結構是一個金字塔：

頂層是炒作，下面是鉅額VC投資（已經在收縮），再下面是不合理的估值和Me-Too產品，最底層才是真實價值。

2000年互聯網泡沫破裂了，但Amazon和Google活了下來並且壯大了。pets.com做了超級碗廣告，流量扛不住就消失了。

做對的公司和做對的人，不僅能活過泡沫，還能在泡沫後茁壯成長。

十一、吳恩達的"政治不正確"建議

吳恩達在最後説了一句他知道"有些圈子會覺得政治不正確"的話：

"我鼓勵你們努力工作。"

他理解有些人因為家庭、傷病、殘疾等原因無法高強度工作，這些人應該被尊重和照顧。但他見過的每一個成功的PhD學生，都拼命工作過。凌晨2點調參數，他自己現在有時候還在做。

"如果你有條件努力工作，週末晚上與其看無聊電視劇，不如打開你的Agentic Coder試試看。"

總結

這堂課的核心信息其實就一句話：現在是有史以來最好的時機去做東西。工具比以前強大，構建成本比以前低，失敗的代價不過是浪費一個週末。

但機會只留給做對準備的人：能分辨炒作和信號、能理解商業需求、能交付真實價值、能跟對的人在一起。

---

核心歸納

Q1: 現在找AI工作為什麼這麼難？

2022-2023年行業過度招聘，很多不夠格的人被高薪挖走。2024-2025年公司在"大清醒"，面試標準比以前嚴格得多。但機會依然巨大，關鍵是展示真實能力和商業價值，而不是簡歷上有"AI"兩個字。

Q2: 什麼樣的人在當下最有優勢？

能同時承擔工程師和產品經理角色的人。因為AI讓寫代碼變快了，但理解用户需求、定義產品規格沒有被加速。能自己寫代碼、跟用户聊、判斷下一步做什麼的人，跑得最快。

Q3: 面對AI炒作應該怎麼做？

記住社交媒體的貨幣是engagement，不是accuracy。問"為什麼"而不是跟風。把炫酷的東西分解成mundane（平凡）的步驟，你就能成為別人的able adviser。做對的公司和人不僅能活過泡沫，還能在泡沫後壯大。

本文來源
高飛微博：https://weibo.com/1233486457/QjzKLCaDY