赋·沸点 |AI 斯坦福这堂课讲透了:AI时代最值钱的不是写代码你有没有想过一个问题：当AI写代码越来越快，程序员到底在贵什么？上个月，斯坦福CS230课堂上，吴恩达和前Google AI布道师Laurence Moroney用了将近两个小时回答了这个问题。这堂课的视频在YouTube播放量超过33万，评论区炸了。不是因为他们讲了什么新模型、新架构，而是因为他们把AI从业者最不愿意面对的现实，摊开了说。今天这篇文章，我把这堂课里最值钱的洞察提炼出来，结合我自己的理解，分享给你。一、一组让人坐不住的数据
AI能处理的任务复杂度，每7个月翻一倍。而在AI编码这个细分方向上，翻倍周期更短：大约70天。什么概念？今天AI写不了的代码，两个多月后它可能就能写了。他还说了一件自己的事：他最顺手的AI编码工具，大约每3个月就换一次。从Claude到Codex再到Gemini 3，落后半代工具，生产力差距就很明显。工具进化的速度，已经快过了大多数人学习工具的速度。二、硅谷最大的变化：写代码的人不缺了，想清楚做什么的人不够了
吴恩达给了一个很具体的指标：硅谷传统的工程师与产品经理比例是4:1到8:1，意思是一个PM写需求，四到八个工程师写代码。现在这个比例在迅速下降。有些团队已经到了1:1——一个PM配一个工程师。甚至有的团队直接把两个角色合并成一个人。为什么？因为AI编码工具把"写代码"这件事的成本压得越来越低。当从需求到代码的转化变得又快又便宜，瓶颈就自然转移了——从"怎么实现"变成了"该实现什么"。吴恩达说，他在硅谷见过跑得最快的人，不是技术最强的，而是那些能写代码、又能直接跟用户聊需求、还有产品直觉的工程师。他们不需要等别人写产品文档，自己写代码、找用户验证、迭代，一个人就能跑完整个闭环。这对我们做内容、做产品的人同样适用：工具越强，选题判断力就越值钱。三、300份简历全军覆没：不是技术问题，是"人"的问题
一个医疗软件领域的精英工程师，被裁员后投了300多份简历。他技术过硬，每次面试的编码环节都能通过。但每一次，在最后一轮结束后的一天内，招聘方就通知他：没过。Moroney帮他做了一次模拟面试，终于找到了原因——这哥们听了面试辅导的建议，在压力测试环节"坚守立场、有主见"。但他的理解跑偏了，变成了对抗式的强硬。面试官找他代码的bug，他就硬怼回去。Moroney说了一句很扎心的话："他是那种典型的10倍工程师，但我管团队的话，绝对不让他进我的组。"问题不是能力，是态度。面试官不只是在评估你能不能写代码，更在评估——我愿不愿意每天跟这个人坐在一起。调整之后，这个工程师在下一次面试就拿到了offer。薪资直接翻倍。启示很明确：在AI时代，"好协作"比"好厉害"更能帮你拿到机会。技术是入场券，但决定你在场上能走多远的，是别人愿不愿意跟你并肩打仗。四、85%的AI项目失败，因为一个字没问对
一个欧洲公司的CEO找到Moroney，开口就说："帮我造一个Agent。"层层追问之后，CEO其实不需要什么Agent。他真正的痛点是：销售团队80%的时间花在做客户背景调查上，只有20%在真正卖东西。最后方案确实用了Agentic AI，但出发点完全变了——不是"我要一个酷炫的AI产品"，而是"让销售少做无效劳动"。结果：销售效率提升10-15%，而且带来了一个意外收获——销售人员更开心了。因为他们卖得多、赚得多、重复性劳动还少了。McKinsey的报告说，约85%的企业AI项目以失败告终。Moroney说，主因不是技术不行，是需求没界定清楚。太多公司被热词牵着走，上来就追Agent、追大模型，没有先停下来问一声"我到底要解决什么问题"。五、小模型才是下一个大机会
Moroney给出了一个很有判断力的预测：AI产业正在分化成两条路——大模型路线：GPT、Gemini、Claude继续往AGI方向卷，模型越做越大，由大厂托管，追求通用智能。小模型路线：开源/开放权重的模型，可以自己部署、自己微调，数据不出门。好莱坞的制片公司不敢把剧本IP上传到GPT去分析，医疗机构不敢把病历丢给第三方API，律所也一样。但他们确实需要AI的能力。解法就是：在本地跑一个够聪明的小模型。而小模型的进化速度惊人。今天的7B参数模型，已经和去年50B模型一样聪明。 Moroney预测，一年后7B会追上今天的300B。Y Combinator里80%的创业公司已经在用小模型了，大量来自中国。他用互联网泡沫做类比：2000年泡沫破了，但Amazon和Google活了下来，死掉的是Pets.com那种砸钱做广告、连流量都扛不住的公司。AI泡沫也一样——做对了的人不是躲过泡沫，而是穿越泡沫后变得更强。对于开发者来说，他给出了一个明确的技能建议：学会模型微调（Fine-tuning）。拿一个开源模型，针对特定垂直场景调教成专家，这个能力在未来两三年里会非常吃香。六、吴恩达那句"政治不正确"的话
"我知道在某些圈子里，鼓励别人努力工作被认为是不合适的。但我还是要说：请你努力工作。"他紧接着补了一句很温柔的话：我们当然要尊重那些因为身体、家庭等原因暂时无法全力投入的人。但如果你恰好有条件，那周末晚上与其看一集无聊的电视剧，不如打开你的AI编码工具试一个新想法。失败了不过是浪费一个周末，但你会学到新东西。在一个"work-life balance"几乎成了政治正确的时代，敢在斯坦福课堂上对一群即将毕业的学生说"请你努力"——这本身就是一种勇气。而且他的逻辑很清晰：AI让试错成本大幅下降了。以前一个想法可能需要几个月才能验证，现在一个周末就能跑通MVP。当失败的代价变低了，不去尝试才是最大的浪费。看完这堂课，我最大的感触是：所有人都在讨论AI能做什么，但真正值钱的问题是——你能用AI解决什么。Moroney有句话说得好："不要让你的产出匹配你现在的工作，要让它匹配你想要的工作。"这句话对做AI的人适用，对做内容、做产品、做投资的人也一样。工具一年比一年强，但工具不会替你思考"这件事值不值得做"。如果你也关注AI行业的真实动向而不只是热点噪音，欢迎关注赋沸点AI，我们只聊有信息密度的内容。来源：Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI讲者：Andrew Ng（吴恩达）、Laurence Moroney==============================
「赋·沸点」，
身处 AI 剧烈演进的沸点时刻，
信息的质量决定了决策的成败。
在这里：
情报同步：实时链接全球 AI 动态，让您决策具备深度视野。
企业赋能：输出可验证的 AI 降本增效方案，拒绝算法焦虑。
案例拆解：还原个体创业者的真实实战路径，让落地有迹可循。
决策有深度，落地有方案。
扫描下方二维码加我聊聊，
欢迎杭州本地 AI 创业者深度交流。
夜雨聆风
