吴恩达发布AI工程技能图谱:编程不再是瓶颈

作者：AI星际工厂

出品：AI星际工厂（ID：AIredplan）

来源：AICrunchX

头图：AI大模型图片

「我其实非常看好数据库的未来。」吴恩达在一场炉边对话的开场这样说。他判断，全世界正在经历的这轮数据中心大建设，只是故事的前半段——未来的计算、存储等核心基础设施，将不只服务于人，而是服务于Agent。「人类一次只能查询那么多数据，但Agent对基础设施的使用会让需求继续飙升。」这场对话的嘉宾需要一份很长的头衔列表来介绍：DeepLearning.AI创始人、AI Fund普通合伙人、Coursera联合创始人兼董事长、斯坦福大学教授、谷歌大脑创始负责人、百度前首席科学家、斯坦福AI实验室前主任、Time 100 AI榜单人物。而这次他带来的核心信息只有一句话：编程已经不再是瓶颈。

一万份职位描述，锤出四个技能支柱

吴恩达团队花了数月时间做了一件笨功夫：分析超过一万份职位描述、几十场结构化访谈、多轮内部调研，试图回答一个问题——把AI工程做好，到底需要哪些技能？答案是四个支柱：构建和部署AI应用的能力、软件工程基本功、使用编程智能体的能力，以及一个最新提出的概念——塑造构建（shaping the build）。这套「AI工程技能地图」通过他主理的每周通讯The Batch连续五期连载发布，如今已有其他公司在据此设计课程体系。

第一个支柱的关键词是不确定性。「AI应用和非AI应用的区别在于结果不确定——你不知道跑一次学习算法会得到什么。」熟练的AI开发者掌握了一整套监控性能、驱动严谨的错误分析和评测闭环的方法，让进步变得系统化。什么意思？两个同样聪明、同样勤奋的开发者，一个能把项目推进得又快又稳，另一个却总在原地打转——差距往往不在写代码的速度，而在于遇到坏结果时有没有一套纪律：把失败案例逐个分类、找出共性问题、用评测集固定下来、每改一版就全量回归。「这些技能以前不在任何教学大纲里，所以新手和专家之间隔着一道又宽又暗的鸿沟，我们要做的是把这道鸿沟里的每一级台阶都画出来。」

第二个支柱听起来反直觉：既然AI写了很多代码，为什么还要学软件工程基本功？吴恩达的解释是，懂基本功的人才明白重写比、事务和架构取舍，才能更好地「驾驶」编程智能体——否则你连该往哪个方向打方向灯都不知道。没有基本功的人用自然语言「凭感觉编程」固然也能拼出一个能跑的应用，但在延迟、可用性、一致性、可维护性、成本这些你根本没意识到的维度上，智能体已经替你做了一堆默认取舍——不知道取舍存在的人，永远无法纠正它们。

Shaping the Build：从实现者到决策者

第四个支柱是整张地图里最锋利的一笔。随着构建变容易，瓶颈从「怎么造」移到了「造什么」。吴恩达观察到，前端工程师在AI辅助下开始做更多后端，很多人从窄角色变成了全栈开发者——他自嘲说自己现在「是个借助AI的二流前端」。「更进一步，如果一个开发者造完东西，还得等产品经理拿回用户反馈再决定下一步，这比他自己有一点产品直觉、跟两三个用户聊聊就能推进要慢得多。」这不是让工程师都转行做产品经理，而是说能做产品决策和架构决策的工程师，产出远高于三年前那种只管实现的窄角色。

至于「先造个草台原型再迭代」还是「先想清楚架构再动手」，吴恩达的答案是：这取决于阶段。他借用了贝索斯的「单向门与双向门」框架——项目早期，只要安全合规，就把想法直接丢给编程智能体，造个快糙的原型，扔掉再造一个，用最快的速度换取认知；到了成熟阶段，才到了认真思考架构、敏感数据和安全基础设施的时刻。「有人总说必须先写长规格书再动手，那有它的位置；但有时候你再有20分钟就要睡觉了，把活儿发给编程智能体跑几个小时，第二天早上看它交了什么——这是另一种有效的节奏。」

还有一个变化藏在每个开发者的私人清单里。「AI出现之前，我们都有一张『想做但没时间做』的项目清单。现在，我敢打赌，你的清单和我的一样——变长了。」吴恩达说，随着能力增长，个人野心涨得比能力还快，这是生产力提升最诚实的注脚。连「进入状态」的方式都换了：睡前给编程智能体布置一晚上的任务，第二天早上看它交出什么，和过去熬夜调试诡异的语法错误相比，「是一种完全不同的节奏——我不得不承认，我更喜欢新的这种」。

人类的上下文优势，与不降反升的工程师岗位

一个被反复追问的问题是：编程智能体会不会取代程序员？吴恩达给出的分界线是「人类是否拥有根本性的上下文优势」。「我们记得和某位客户谈话时对方脸上闪过的微妙表情，记得五年前某份市场报告教会我们的事。人类拥有一个极其庞杂的上下文库，并且极其擅长把它取出来做关键决策。」除非有一天在每个人头上装摄像头、用计算机视觉监控所有对话对象的表情，否则这一大块任务仍将长期由人完成，而人类的角色会越来越多地转向管理其他AI智能体。

他还给出了一个反焦虑的数据观察：编程智能体越好用，软件工程师的职位发布量反而在上升。「随着软件工程师和AI智能体生产力的提高，我们想要更多这样的人。我自己的团队都在感叹找不到够用的AI工程师。」这呼应了技能图谱发布的初衷——他看到的不是「AI工程」头衔的人取代传统开发者，而是前端、后端、DevOps、移动端等各种岗位的人补上AI工程技能后变得炙手可热。

但吴恩达也罕见地谈了一件让他担忧的事：认知卸载。严格的研究正在陆续证实，当学生让大语言模型替自己思考，产出确实更多，学到的东西却更少。「就像有把TikTok用于学习的好方法，但绝大多数人用社交媒体的方式并不带来学习；绝大多数人用大语言模型的方式，同样不带来学习。」他提醒，职场成年人身上发生这种「用得越多、想得越少」的程度，远比公众意识到的严重。

在瞬息万变的市场里怎么设计课程？吴恩达的回答出人意料地冷静：「炒作的说法是AI三个月就变一次天。但技能地图里真正变化最快的，只有编程智能体这一块——我们写代码的方式确实和三个月前、六个月前都不一样了。而构建和部署AI应用的其余部分，关于安全、部署、监控、更新，那些基础知识的变化速度远比炒作说的慢。」对学习者来说，这意味着一份技能图谱不会迅速作废：值得焦虑的从来不是「技术又变了」，而是「基本功还没补上」。

而涌入这条赛道的人，远比想象中多元。吴恩达创立的DeepLearning.AI如今已有超过700万学员，他观察到的不只是职业工程师转岗，还有大量原本从事其他职能的人带着各自领域的上下文杀进来——「要接下AI工程师的头衔，不需要先成为某个特定工种的人」。这对教育行业提出了新命题：DeepLearning.AI和其他机构都还需要做更多工作，把这些四散的技能缺口串成清晰的学习路径。他自己也坦承，为了跟上语音技术栈、生成式UI、给Agent构建本地记忆这些前沿工具，他会去上DeepLearning.AI自己的课程。

LearnVector：用1亿美元赌「加速人类发展」

这正是他新公司的出发点。今年7月28日，Coursera宣布对吴恩达创办并出任CEO的LearnVector公司进行1亿美元战略股权投资，换取约三分之一股份，估值约3亿美元。LearnVector要做的不是又一个聊天框，而是一对一的AI原生学习体验：Agent会适应你的学习方式、陪你练习、直到你真正掌握并能证明它。首批产品计划2027年初上线，并将接入Coursera与Udemy合并后覆盖的超过3亿学习者和1.2万家企业客户的生态。「AI将成为加速人类发展最大的力量——前提是我们做对。AI不会让学习过时，反而会放大对可信学习的需求。」

对话的尾声是一些私人化的细节：他会半夜醒来，拿手机查看编程智能体干得怎么样，然后躺回去；写代码他用文字多过语音，「配上惯常的Mac Mini」。