吴恩达:AI成标配后,这4种能力最保值

围绕这些问题，吴恩达的思考具有代表性。在当今人工智能领域，吴恩达几乎是一个绕不开的名字。与许多仅活跃于实验室或产业一线的技术专家不同，他的影响力同时横跨技术研发、商业实践与大众教育三个领域。

作为斯坦福大学客座教授，他早期开设的《机器学习》课程，被公认为全球AI教育的“启蒙课”，影响了数以百万计的学习者；作为创业者，他创立了DeepLearning.AI，致力于让更多人能够系统学习人工智能；作为投资人，他担任AI Fund管理合伙人，持续推动AI技术落地产业。同时，他还曾创立Google Brain，并担任百度首席科学家，深度参与过中美两大AI生态的发展。

如果说这些经历塑造了他在技术与商业上的视野，那么真正让他广为人知的，是他在AI教育领域的长期投入。从2012年上线的Coursera《机器学习》课程，到近年来推出的《Generative AI for Everyone》等系列课程，他持续站在技术浪潮的前沿，将复杂的AI知识转化为普通人也能理解和使用的工具。这些课程累计吸引了数以千万计的学习者，也在很大程度上塑造了一代人理解人工智能的方式。

从顶尖实验室的开拓者，到面向全球的“AI布道者”，这种横跨技术、产业与教育的独特经历，使其对于AI的见解，始终犀利而深刻。近年来，他在多场公开演讲与著述中，对于“AI如何改变学习与工作”也给出了相对清晰的判断。在他看来，AI并不会简单替代人，而是在重塑人们的学习路径、工作方式与价值结构。

“不要学编程”

是一个糟糕的职业建议

AI时代最重要的变化之一，是编程正在从专业技能转变为基础能力。在多次公开演讲中，吴恩达反复强调这一点。这一判断并不是出于技术乐观主义，而是建立在清晰的历史逻辑之上：技术工具越进步，编程门槛越低，参与者反而越多。

从打孔卡到键盘终端，从汇编语言到COBOL等高级语言，再到文本编辑器、IDE以及今天的AI编程助手，技术演进的方向始终是降低门槛、提升效率。也正因为门槛降低了，越来越多的人才能进入这个领域。

因此，那种“AI会自动写代码，所以没必要学编程”的说法，在吴恩达看来，不仅站不住脚，甚至可能是极具误导性的职业建议。“当我们回顾这段历史时，会发现‘不要学编程’可能是有史以来最糟糕的职业建议之一。工具越好，编程越容易，这意味着应该有更多人学习编程。”吴恩达在美国2025年超速增长工程峰会上的演讲中表示。

这一观点的关键，在于重新定义“编程”。今天的编程不再只是手写代码，而是理解计算逻辑、清晰表达需求，并借助AI完成任务。也就是说，真正重要的不是机械编码，而是与机器深度协作的能力。

去年，在硅谷创业孵化器YC举办的创业学院活动中，吴恩达用一个生动的例子说明这一点。为了制作Coursera课程内容，他和团队使用MidJourney生成背景图片。团队里一位懂艺术史的同事，能够运用艺术风格、流派和调色等专业术语精准地下达指令，因此生成结果质量很高；而缺乏相关知识的人只能给出模糊指令，结果差距显著。这说明，AI工具本身并不会自动带来高质量结果，关键在于使用者的知识深度与表达能力。

因此，他所倡导的“人人学编程”，并非要求所有人成为工程师，而是强调每个人都应具备基本的计算思维与AI使用能力。尤其在市场营销、人力资源、金融分析、法律等知识密集型岗位上，他已经观察到，会编程、懂得调用AI的人，正在快速拉开与他人的差距。“未来任何知识工作者最重要的技能之一，是能够准确地告诉计算机你想要什么，并让它替你完成任务。”

从这个意义上来说，编程在AI时代的地位，越来越接近传统社会中的读写能力。在How To Build Your Career in AI（《如何在AI领域构建你的职业》）一书中，吴恩达就明确提出，“编码人工智能是新的读写能力”。读写能力让人能与人沟通，而代码是人与机器沟通的方式。随着机器在社会中的作用不断增强，这种能力也将成为基础素养。

这也意味着，在未来的教育体系中，AI与计算机教育不应再局限于少数专业群体，而应成为更广泛的通识教育内容。

教师不会被取代

但必须进化

除了对教学内容的重塑，吴恩达同样关注AI对教学方式的影响。在他看来，这一变化可能更加深远。

一方面，AI能够显著提升教师的工作效率，降低优质教学资源的生产门槛；另一方面，它有可能推动教育从标准化走向真正的个性化，让不同学生获得更贴合自身节奏与需求的支持。

这一判断并非停留在抽象层面。在ASU+GSV 峰会上的公开演讲中，吴恩达展示了Kira Learning等AI教育工具如何帮助教师快速生成课程内容：教师只需要设定主题、年级、课时和对应标准，系统就可以自动生成包括学习目标、课程框架、教学内容、任务设计、编程练习和测验在内的完整教案。更重要的是，教师还可以通过对话方式继续修改和细化教学设计，使课程更贴近学生实际兴趣与课堂场景。

这意味着，AI正在从“辅助工具”转变为“教学协作者”。尤其对于非计算机背景的教师而言，这种能力很大程度上降低了开展计算机科学和AI教育的门槛。吴恩达提到一个典型案例：Kyle Creasy是一位具有体育教育背景的篮球教练，在AI工具的帮助下，逐步成长为能够教授计算机科学课程的老师，并且还能利用编程分析球队数据。这一例子恰恰说明，AI不仅能帮助学生学习，也能帮助教师跨越学科壁垒。

不过，吴恩达并未将AI视为教育的“终极解法”。“教育很可能走向超个性化模式，但具体实现路径仍在演变。”

这种不确定性，并不意味着方向不清晰，而恰恰说明教育本身的复杂性。教学从来不是简单的信息传递，而是一个包含理解、反馈、调整与再学习的循环过程。因此，AI进入教育，并不会让流程被简化为自动化流水线，而更可能以另一种方式嵌入其中，与原有的人类教学活动协同运行。

也正是在这样的背景下，吴恩达特别强调“智能体工作流”的意义。相比一次性生成结果的方式，这类系统更接近人的思考路径——先规划，再查找信息，形成初稿，然后不断反思和修订。这样的过程，不仅能处理更复杂的问题，也更贴近真实的学习方式。

从教育角度看，这一点尤为关键。学习并不是一次性获得答案，而是在不断试错和反馈中逐步加深理解。也正因为如此，AI在教育中的价值，并不只体现在效率提升上，更在于它可能重新组织学习过程本身：让资源生成更灵活，让反馈更加及时，让不同学生的学习路径真正具备差异化。

当AI什么都会时

你靠什么不掉队？

如果说编程与AI使用能力正在成为新的基础素养，那么一个更深层的问题也随之出现：当工具不断变强，甚至在某些任务上表现优于人类时，人类自身的竞争力应当建立在什么之上。

吴恩达对此有着冷静而清晰的判断。“在一个智力逐渐民主化的世界里，我们必须聚焦于机器难以复制的独特人类优势。”

在他看来，这种不可替代性，主要体现在几个方面：

首先是创造力。AI可以生成内容，但真正提出问题、定义方向、形成新组合的能力，仍然高度依赖人类。尤其是在跨领域情境中，如何把不同知识连接起来，形成新的解决路径，是当前AI难以完全复制的能力。

其次是情境理解与判断力。AI可以提供大量建议，但在复杂现实中做出取舍，往往需要对背景、风险和长期影响有整体把握。这种能力并非简单依赖数据，而是建立在经验与思维模型之上。

再次是人与人之间的协作能力。无论是团队沟通、共识建立，还是在不确定环境中的协调推进，这些都涉及情绪理解与信任机制，而这正是人类在相当长时间内仍具优势的领域。

在这些能力之外，吴恩达尤其强调“持续学习”的重要性。AI技术变化极快，工具、模型和应用场景都在不断更新。在这样的环境中，单次学习所带来的优势会迅速衰减，真正有效的能力，是保持长期学习节奏的能力。“没有人能在短时间内掌握一切。所有优秀的机器学习从业者，都是终身学习者。”How To Build Your Career in AI（《如何在AI领域构建你的职业》）一书中，吴恩达表达了这一观点。

这种学习能力之所以重要，还因为AI领域本身存在明显的“认知差”。与移动应用、市场营销等成熟领域不同，AI仍处于快速演进阶段，很多关键方法和最佳实践尚未形成共识。在这种情况下，对技术的理解深度，往往直接决定行动路径的正确与否。

一个关键技术选择如果判断正确，可能在几天内解决问题；如果方向错误，则可能耗费数月时间在无效路径上。这种差距，并不是执行效率的差别，而是认知层面的差异。

也正因为如此，持续学习不再只是能力提升的手段，而成为在AI时代保持竞争力的前提。只有不断更新对技术的理解，个体才能缩小这种认知差，做出更有效的判断，并真正把AI转化为生产力。

当人工智能逐渐成为一种普遍可用的能力放大器，真正拉开差距的，已经不再是是否拥有工具，而是是否具备理解并驾驭它的能力。从编程成为基础素养，到教育方式的重构，再到持续学习的重要性，这些变化最终都指向同一个问题：个体能否在技术不断演进的过程中，持续更新自己的认知与能力结构。也许正如吴恩达所提醒的那样，AI不会取代人类，但使用AI的人，正在重新定义这个时代的竞争方式。

thethinker@citicpub.com