夜雨聆风AI 职业发展
关键词 | 吴恩达 / AI 职业 / 产品判断 / 技术债 / 小模型
如果你最近总觉得 AI 圈的信息很割裂，这场 Stanford CS230 的课程其实给了一个很清楚的框架。
一边，外界总在争论：
- AI 进展是不是变慢了
- 程序员会不会被替代
- 现在入场是不是已经太晚
另一边，真正长期做 AI 的人却在传递另一种完全不同的信号：
现在依然是进入 AI 最好的时间之一，只是值钱的能力已经变了。
过去几年，大家默认的想象是：学模型、学框架、学 API、学提示词，然后就能吃到这一轮红利。 但这套逻辑正在迅速失效。
因为当模型越来越强、代码越来越便宜之后，真正稀缺的，已经不再是“把需求翻译成代码”的速度，而是：
- 你到底该解决什么问题
- 你是否真的理解用户
- 你能不能把东西做成、交付、维护并产生业务结果
这也是我看完这场对谈后最强烈的感受：
AI 没有让职业门槛消失，它只是把门槛从“会不会写”推向了“会不会判断”。
一、AI 并没有变慢，只是我们老拿错指标
这场课最先纠正的一个误区，就是“AI 进步是不是放缓了”。
很多人之所以会产生这种感觉，是因为他们盯着那些接近满分的 benchmark 看。
当一个指标已经接近 `100%` 时，后面的进步自然看起来不再惊艳。 但这并不意味着 AI 的真实能力已经停滞。
更好的衡量方法不是“准确率还涨了几个点”，而是：
AI 现在能稳定完成多长时间尺度的人类任务。
公开研究给出的一个结论是，这个任务长度大约每 `7 个月` 翻一倍。 尤其在编程场景里，这个速度甚至更快。
这意味着什么？
意味着 AI 正在吃掉越来越长、越来越复杂的工作单元。
以前它只能帮你写一个函数。 后来能完成一个页面。 再后来，它可以协助完成一个完整功能，甚至承担几十分钟到数小时的复杂任务。
所以问题根本不是“AI 还在不在进步”，而是：
AI 正在以比很多人职业认知更新更快的速度，重写软件工作的分工。
二、今天最好的机会，不是学会一个工具，而是学会借助 AI 做更大的事
视频里有一个非常重要的判断：
今天做 AI，之所以仍然是黄金期，不只是因为模型更强了，而是两类力量开始叠加：
- AI 的基础能力大幅增强
- AI 编程工具的迭代速度极快
这两个变化叠在一起，会带来一个很不一样的后果：
一个人现在能做成的系统，已经远远超过一年前。
这也是为什么现在越来越多真正有战斗力的人，不再把 AI 当作一个“要不要学”的附属技能，而是把它当成工作杠杆本身。
差距不再只是“会不会用”，而是：
- 你是否持续更新工具栈
- 你能否把新能力真正接进工作流
- 你有没有借助这些工具，把自己的交付半径放大
换句话说，今天的 AI 红利并不属于“知道有这些工具的人”，而属于：
那些愿意持续更新、持续试错、持续把工具转化成产出的人。
三、当代码越来越便宜，最稀缺的能力会变成产品判断
我觉得这场课里最重要的一个转折点，就是这句话背后的现实：
当把明确规格翻译成代码越来越容易，真正稀缺的能力就会变成“决定应该做什么”。
这会直接改变团队分工。
过去的软件流程里，难的是实现； 现在越来越多场景下，难的是定义问题、写清需求、理解用户、快速迭代。
所以视频里提到一个很值得注意的趋势：
- 工程师和 PM 的边界会继续模糊
- 会与用户交流的工程师，会越来越占优势
- 只会执行的人，会越来越像可替代产能
这里最容易被误解的一点是：
这不是说“每个工程师都要转 PM”。 真正的意思是：
工程师必须越来越懂产品，否则你会在最关键的决策环节失去影响力。
未来真正跑得快的人，很可能是这样一类人：
- 能写代码
- 能听懂用户
- 能判断优先级
- 能迅速把模糊需求变成可测试版本
这不是传统意义上的“全能型人才”，而是 AI 时代最自然的高杠杆角色。
四、AI 职业发展的三根主轴，已经不是“会不会训练模型”
视频里对职业竞争力的总结，我觉得可以压缩成三根主轴。
1. 深度理解
这里的深度，不只是技术深度。
一方面，你要理解模型、架构、论文和技术取舍。 另一方面，你也要理解市场：什么是真的信号，什么只是社交媒体上的噪音。
现在最危险的一种人，不是完全不懂 AI，而是：
每天刷很多 AI 内容，却没有形成自己的判断。
懂 API 并不等于懂 AI。 看很多帖子，也不等于理解行业。
真正有价值的是：
- 你知道为什么这个方案有效
- 你知道什么时候它会失效
- 你知道什么是热点，什么是长期变量
2. 业务导向
这一点在今天已经不是加分项，而是基础项。
公司真正关心的，从来不是你做了一个多酷的 demo，而是你做的东西是否：
- 节省时间
- 节省成本
- 提高可靠性
- 降低错误率
- 带来收入或效率改进
这也是为什么现在很多 AI 岗位越来越强调 production，而不是概念演示。
你如果还停留在“我做了个很炫的东西”，那其实已经有点落后了。 更重要的问题应该是：
这个系统到底替业务解决了什么问题？
3. 交付与输出
这场课里反复强调的一点是：想法并不值钱，交付才值钱。
真正能拉开差距的人，不一定点子最多，但往往是：
- 能把半成品先做出来
- 能快速获得反馈
- 能在迭代里修正方向
- 能交出一个别人接得住、维护得下去的系统
现在代码更便宜了，但“可维护的系统”并没有更便宜。 这一点，反而变得更贵了。
五、AI 编程不是最大风险，失控的技术债才是
关于 AI coding，这场课有一个我非常认同的提醒：
AI 生成代码不会自动毁掉工程师，但会加速把糟糕的工程习惯放大。
因为每一行代码，不管是人写的还是模型写的，都会带来技术债。
技术债不是一个抽象词，它具体就是：
- Bug
- 维护成本
- 交接成本
- 文档缺失
- 只有一个人看得懂的隐性依赖
所以真正成熟的 AI 开发，不是“让模型一直写”，而是：
- 先定义清楚目标
- 设定可以衡量的结果
- 写别人也看得懂的代码
- 允许推翻重来，而不是硬补烂尾
现在很多团队最大的问题，不是不会用 AI，而是把 AI 当成“先堆出来再说”的借口。 这会让技术债积累得更快，也更隐蔽。
六、在 AI 行业里，名气没有你每天一起工作的人重要
视频里另一个很值得记住的建议，是关于职业选择的。
很多人找工作，最先看的是公司名字。 但这场课给出的判断很明确：
长期来看，谁和你一起工作，往往比你挂在哪个 logo 下面更重要。
原因很简单。
真正决定你成长速度的，不是 offer 截图好不好看，而是：
- 你每天跟谁讨论问题
- 你是否在一个真正有密度的团队里
- 你接触的是不是高质量问题
- 你旁边有没有能把你不断往上拉的人
名校、名企、明星团队当然有价值。 但如果你最终被分配到一个不重要、也学不到东西的方向，再亮的招牌也未必能带来你想要的成长。
七、未来几年，AI 很可能会分成两条路：大模型和小模型
这场课对未来趋势还有一个判断，我觉得很值得重视：
AI 会越来越明显地分成两条路线。
一条是“大 AI”：
- 大模型
- 超大算力
- 高度集中
- 闭源平台
另一条是“小 AI”：
- 自托管模型
- 微调后的行业模型
- 更注重隐私
- 更强调边缘端和本地部署
这条判断的重要性在于，它直接影响职业选择。
如果你只盯着最头部的大模型平台，可能会错过很多真实需求正在增长的领域，尤其是：
- 法律
- 医疗
- 金融
- 企业内部工具
- 隐私要求高的行业
在这些场景里，能落地的小模型和自部署能力，未必不如“大模型应用工程师”值钱。
八、今天真正重要的，不是追热点，而是把复杂技术讲清楚
视频后半段花了很多时间谈一个问题：怎么在 hype 里保持判断。
这部分我觉得特别现实。
因为 AI 领域今天最大的噪音，不是技术不够快，而是叙事太多、情绪太多、流量太多。
如果你总是被这些信息拖着走，很容易出现两个结果：
- 看到什么都想追
- 追了很多，最后什么都没真正做出来
所以他们给出的建议很朴素，但非常重要：
多问“为什么”，少问“现在最火的是什么”。
真正长期有价值的人，往往不是最会制造热闹的人，而是：
- 能把复杂东西讲明白
- 能把 hype 还原成普通问题
- 能帮团队分清信号和噪音
- 能做 trusted advisor
这类人不会永远站在流量中心，但会越来越被真正做事的人需要。
最后想说
如果把这场课的所有建议压缩成一句话，我会这样总结：
AI 时代真正拉开差距的，不再只是技术能力，而是你能不能把技术、产品、业务和交付连成一个闭环。
代码会越来越便宜。 模型会越来越强。 工具会越来越多。
但正因为这些东西都在变得便宜，真正稀缺的能力才会越来越清楚地浮出来：
- 理解问题
- 做出判断
- 对结果负责
- 在噪音里抓住真正重要的事
这也是为什么今天进入 AI 仍然是一个很好的时间。
不是因为它容易了。 而是因为：
门槛没有消失，只是从“会不会写代码”，转向了“你能不能成为一个更完整的问题解决者”。
参考资料
- YouTube：Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI
- Video Highlight 摘要页
- Apple Podcasts 对该视频的摘要转录
