本文探讨AI对工作的影响，强调AI不会直接取代工作，而是改变工作组成。使用AI、判断问题和落地想法的能力将逐渐拉开差距。文章指出，AI的收益在于降低软件开发、数据分析和业务自动化门槛，同时存在隐私、安全等风险。AI可能先接管工作中30%-40%的任务，剩下60%-70%因包含客户沟通、复杂协作等更具价值。未来趋势是使用AI的人替代不会使用的人，重新设计工作流程的人超越重复旧流程的人。构建软件和工具的成本下降，业务人员可借助AI制作原型，形成“描述问题、拆解流程、用AI试做工具”的通用能力。AI适合做事，但未必适合直接替人学习，需区分代做型和教练型使用。未来AI教育将更个性化，学习重点在于学好专业本身，同时主动补上AI能力。AI降低了“做出东西”的成本，却提高了“决定做什么”的重要性，理解用户真实痛点、持续迭代和长期执行成为稀缺能力。使用AI时需关注效率、隐私和安全，遵循数据政策、最小权限原则等。关于AI失控和AGI，需持续测试、增加安全约束，对“已实现AGI”的言论应审慎追问定义和评测标准。AI时代最重要的能力是把想法变成结果，需选择问题、用AI拆解分析、验证结果并补强AI技能与专业能力。
当人们还在争论“AI会不会抢走一半工作”时，人工智能教育家 Andrew Ng 给出了一个更务实的判断：真正值得关注的，不只是模型参数有多大、榜单排名有多高，而是越来越多的人可以用 AI 把想法变成工具，把重复流程变成自动化系统。
这并不意味着工作会原封不动地保留下来，也不意味着 AI 已经无所不能。更准确的说法是：AI 正在改变工作的组成方式。会使用 AI、会判断问题、会把想法落地的人，可能会逐渐拉开与只等待指令、只重复旧流程的人的差距。
先别被“AI末日叙事”带偏
访谈一开始，Andrew Ng 讨论了一个现实问题：关于 AI 的公共讨论，往往在“万能神话”和“世界末日”之间来回摆动。
他认为，部分 AI 公司为了维护大型模型带来的商业优势，可能会放大 AI 风险、推动有利于现有巨头的监管环境。对于这一判断，读者应将其视为受访者的个人观点，而不是已经被独立证明的事实。
但他提出的更普遍提醒值得重视：讨论 AI 时，不能只挑选极端案例，也不能把“可能发生的风险”直接写成“必然发生的灾难”。
例如，AI 确实会带来隐私、深度伪造、就业结构变化和安全问题；与此同时，它也能降低软件开发、数据分析、内容制作和业务自动化的门槛。真正有价值的讨论，应当同时回答两个问题：
AI 能带来哪些真实收益？
哪些风险需要通过产品设计、行业规范和法律规则来约束？
如果只制造恐惧，可能让一部分学生、职场新人和企业因为“反正未来都会被替代”而放弃学习；如果只宣传 AI 无所不能，又会让人低估验证、监督和专业判断的重要性。
AI更可能先改变工作，而不是直接消灭工作
Andrew Ng 在访谈中引用了一种任务拆解的思路：一份工作通常不是一个整体，而是由许多不同任务组成。AI 可能先接管其中一部分，而不是立刻完成一个职业的全部工作。
他提到，AI 也许能够完成许多工作中 30%—40% 的任务。这个数字属于访谈中的概括性表达，并非适用于所有行业的统一测量结果。关键在于：剩下的 60%—70% 可能因此变得更有价值，因为它们往往包含客户沟通、目标判断、复杂协作、责任承担和现场决策。
换句话说，未来更可能出现的不是“AI 取代所有人”，而是：
使用 AI 的人，逐渐替代不会使用 AI 的人；能够重新设计工作流程的人，逐渐超过只重复旧流程的人。
软件工程是访谈中被重点讨论的例子。AI 已经很擅长生成代码，因此程序员中一些机械性的编码任务会减少。但这并不等于软件工程师没有价值。需求理解、系统设计、代码审查、故障排查、产品取舍和与用户沟通，仍然需要更强的综合能力。
Andrew Ng 的建议不是继续重复 2022 年以前的编程方式，而是把 AI 擅长的部分交给 AI，自己转向更高层次、更宽范围的工作。
这也解释了一个趋势：一些前端或后端开发者借助 AI，开始承担更完整的全栈工作；营销、招聘、财务和运营人员，也可能从单一执行岗位转向更完整的业务角色。
最大的机会：从“使用 AI”走向“用 AI 构建”
访谈中最值得普通读者关注的一句话是：构建软件和工具的成本正在快速下降。
过去，市场人员、招聘人员、财务人员或运营人员有一个想法，通常需要先找到工程师，再排期、写需求、开发、测试。现在，很多小型工具、数据看板、自动化脚本和内部应用，可以由业务人员先借助 AI 做出原型。
这并不是说每个人都要立刻成为专业程序员，而是说“会描述问题、会拆解流程、会用 AI 试做工具”正在变成一种新的通用能力。
- 营销人员可以做什么
访谈中提到，Andrew Ng 团队的营销人员会用 AI 和代码搭建工具：输入一个选题后，系统自动检索相关资料，整理相近文章，并把值得关注的内容集中展示出来，帮助团队判断是否值得继续写作。
对普通内容团队来说，不一定要一开始就做复杂系统。可以先从这些小任务入手：
自动整理选题、素材和来源链接；
根据既定标准给内容初稿评分；
分析不同平台的阅读、点击和转化数据；
把一次性提示词改造成可反复使用的内容工作流。
- 财务团队可以做什么
访谈还举到一个财务自动化案例：团队原本需要反复打开文件、复制数据、检查数字和寻找异常，后来开始用脚本自动读取文档、核对内容，并在出现新文件或异常情况时提醒相关人员。
这类应用的重点不在“让 AI 自己做财务决策”，而在于把机械的查找、搬运和初步检查自动化，让专业人员把时间投入到解释数据、判断风险和做出决策上。
- 人力资源和招聘团队可以做什么
Andrew Ng 提到，他们的招聘团队中甚至有专门嵌入业务团队的工程人员，帮助招聘人员搭建更复杂的工具。
这说明一个重要方向：未来的工程工作不一定只存在于传统技术部门，也可能出现更多“营销工程师”“招聘工程师”“人力资源工程师”等交叉岗位。
这些岗位的共同点是：既理解业务流程，又能用 AI 和软件把流程改造出来。
AI时代，人的优势仍然是“上下文”和判断力
AI 能快速提出许多答案，但答案多并不等于答案好。
Andrew Ng 形容，AI 往往能给出一两个不错的想法、几个普通想法，甚至还有一些非常糟糕的想法。问题在于，模型并不知道某个方案为什么在你的客户、团队或行业里明显不可行。
人类长期积累的经验，构成了 AI 暂时难以完整获得的“上下文优势”。
上下文可以理解为：你知道客户之前说过什么，见过对方听到某个方案时的表情，了解公司内部的限制，也清楚某个决定会影响哪些人。这些信息不一定存在于公开网页或数据库中，但它们往往决定了一个方案到底能不能落地。
因此，所谓“人的判断力”和“人的品味”并不是神秘能力。很多时候，它们来自更丰富的经历、行业知识、现场观察和对后果的理解。
AI 可以帮我们扩大搜索范围、生成备选方案、快速制作原型；人仍然需要判断哪些方案值得保留，哪些方案从一开始就不应该推进。
这也是为什么专业知识不会因为 AI 出现就完全失去价值。相反，越能看懂业务、理解用户、判断风险的人，越能把 AI 变成真正有用的工具。
一个重要提醒：AI适合做事，不一定适合直接替你学习
访谈中 Andrew Ng 对 AI 学习提出了一个相当尖锐的提醒：按照目前大多数人的使用方式，AI 可能非常适合“帮你把事情做完”，却不一定适合“帮你真正学会”。
例如，学生使用 AI 后，作业分数可能提高；但如果 AI 直接替他完成思考过程，长期记忆和独立解决问题的能力可能变弱。Andrew Ng 把这种现象称为认知外包：把原本需要自己完成的思考交给工具。
这并不意味着学习时不能用 AI，而是要区分两种用法：
代做型使用：直接让 AI 写完答案、代码或作业，自己只负责复制提交；
教练型使用：让 AI 提问、提示、指出错误、设计练习，并要求自己先尝试。
如果目标是完成工作，代做型使用可能很高效；如果目标是掌握能力，就要避免把所有思考都外包出去。
更好的学习提示词可以这样写：
不要直接给出完整答案。 先判断我目前掌握到哪一步，再通过提问引导我自己思考。 如果我的思路有错误，请指出错误所在，但先不要替我完成全部推导。 最后再给出一份简短总结和练习题，检查我是否真正理解。未来的 AI 教育，也可能从“一套课程教很多人”逐渐转向更个性化的一对一学习体验。Andrew Ng 在访谈中提到，他正在参与探索更个性化的学习产品，但相关内容属于其团队的项目方向，具体产品能力和时间安排仍应以官方后续信息为准。
大学生和职场人的学习重点是什么
Andrew Ng 并没有给出一个“AI时代唯一正确的专业”。他的建议更像是一组通用原则：学好专业本身，同时主动补上学校课程暂时没有覆盖的 AI 能力。
这是因为大学课程更新通常需要经历教师学习、课程设计、委员会审批等流程，而 AI 工具变化的速度要快得多。学校可能仍在教学生准备几年前的工作，但企业已经开始寻找能够适应新流程的人。
对在校生和职场新人来说，可以从三个方向积累能力：
- 学会使用 AI，而不是只会聊天
理解提示词、上下文、结构化输出、文件处理、工具调用和结果验证。重点不是记住某个模型的按钮位置，而是知道如何把一个模糊问题拆成可执行步骤。
- 保留一项真正的专业能力
AI 技能不能替代行业理解。营销、设计、财务、法律、教育、工程等领域的专业知识，仍然决定了你是否能提出正确问题、检查错误答案，并判断结果能不能用于现实世界。
- 培养主动性
访谈中提到，越来越多职位描述开始重视“主动发现问题并推动解决”的能力。
过去，很多人等待上级分配任务；在 AI 降低构建成本之后，一个人可以先发现流程中的低效环节，做一个小工具验证，再拿着结果与团队讨论。主动性不等于盲目越权，而是能在边界清晰、风险可控的情况下，先把问题弄清楚、把原型做出来。
创业机会增加了，但创业本身没有变简单
Andrew Ng 给想做产品的人一个非常实用的建议：学习 AI、快速构建、与客户交流。
AI 让做出一个原型变得更容易，但真正做成一个有价值的产品，仍然需要技术深度、客户洞察、持续迭代和长期执行。
这可以用一个简单公式理解：
AI 降低了“做出东西”的成本，却提高了“决定做什么”的重要性。
当任何人都能在周末做出一个小应用时，代码本身就不再是唯一壁垒。真正稀缺的可能变成：
你是否理解一个具体用户群体的真实痛点；
你是否知道哪些需求值得长期投入；
你是否能通过交流和观察发现用户没有明确说出来的问题；
你是否能把原型变成稳定、安全、可持续使用的产品。
因此，适合个人的路径可以是先广泛尝试小想法，再选择一两个领域深入，而不是同时经营一堆缺少真实需求验证的项目。
效率、隐私和安全：别把“能做”误认为“该做”
AI 工具越强，权限管理就越重要。
访谈中讨论了把金融账户等敏感信息交给 AI 分析的风险。Andrew Ng 的态度并不是简单地说“所有云端 AI 都不安全”，而是强调要关注服务商的隐私政策、数据保留规则、企业文化和实际使用场景。
使用 AI 处理资料时，可以遵循几个基本原则：
不把身份证件、银行卡、未公开财务数据、商业机密直接上传到不了解的数据服务；
使用企业版或 API 前，先确认数据是否会被保存、用于训练或供人工查看；
对需要外部工具访问的文件和账户，采用最小权限原则；
对高敏感内容，考虑在本地运行开源模型，或先做脱敏处理；
AI 输出涉及资金、法律、医疗或重大业务决策时，必须由专业人员复核。
Andrew Ng 还提到，银行等机构可能会把模型部署在私有云或本地环境中，让敏感数据不离开自身控制范围。对普通用户而言，本地模型并不一定适合所有任务，但可以作为处理高度敏感信息时的一种备选方案。
另外，模型和服务更新很快，不必把自己绑定在某一个工具上。重要的是持续了解数据政策、能力边界和成本变化。
关于“AI会失控”和AGI，应该如何看
谈到 AI 失控，Andrew Ng 用飞机作了类比：飞机也不可能被人类百分之百控制，天气、机械和操作都会带来不确定性；航空业通过测试、事故复盘、工程标准和监管，把风险降低到大多数人可以接受的程度。
他认为，AI 也需要在逐步扩大能力的同时，持续测试、发现问题并增加安全约束。这种观点并不意味着 AI 风险不存在，而是强调不要把“无法绝对控制”直接等同于“必然失控”。
至于 AGI，也就是“通用人工智能”，访谈中的关键分歧在于定义不同。
如果把 AGI 定义为能够完成任何人类智力任务的系统，那么它不仅要会回答问题，还应能在陌生环境中快速学习，完成长期复杂任务，并拥有接近人类的适应能力。Andrew Ng 认为，按照这个标准，AGI 仍然距离我们很远，可能还需要几十年；但如果降低标准，不同人就可能在不同时间宣布“已经实现 AGI”。
因此，看到“我们已经实现 AGI”或“AGI 很快就会到来”这类标题时，第一反应应该是追问：这里采用的到底是什么定义？展示的是哪一类任务？有没有可复现的评测？
AI时代最重要的能力，是把想法变成结果
这场访谈并没有给出一个神奇的职业清单，也没有承诺 AI 会让所有人轻松成功。它更像是在提醒我们重新理解机会：
AI 让构建工具更便宜、试错速度更快，也让许多岗位可以承担更大的业务范围；但它没有消除判断、专业知识、客户理解和长期执行的价值。
对普通人来说，最现实的行动路径可能不是等待一个“不会被 AI 影响的职业”，而是：
选择一个真实的工作或生活问题；
学会用 AI 拆解它、分析它、做出一个小原型；
用真实反馈验证结果，而不是停留在聊天窗口里；
保留人工复核，尤其是涉及隐私、资金和重大决策时；
同时补强 AI 技能与自己的专业能力。
AI 的机会，往往不在于谁最会谈论未来，而在于谁能更早发现问题、更快做出验证，并把一次性的尝试变成可靠的工作流程。
大模型的知识又多又杂，到底怎么学？
做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。
第一阶段（10天）：初阶应用
这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。
为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…
走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。
第三阶段（约20天）：动手微调
学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
第四阶段（20天）：商业闭环，部署落地
技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：
1、大模型系统化学习路线
2、大模型学习视频教程
3、大模型学习书籍&电子文档
4、AI大模型最新行业报告
5、大模型项目实战&配套源码
6、2026大模型大厂面试真题
7、为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
8、适合谁学？
- 传统后端 / Java / 前端开发，想转型 AI 应用
- 大学生、应届生，想拿更好的 offer
- 产品经理、运营，想武装职业竞争力
- 技术负责人，想给团队落地提效
学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。
9、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。
