斯坦福CS230课堂：AI时代，人类工程师的机会在哪里？｜创意是廉价的，执行是一切

上个月中，吴恩达在斯坦福CS230课堂上请来了老朋友Laurence Moroney（ARM AI负责人、前Google TensorFlow首席布道者），两人围绕AI职业发展给出了一系列直白建议。这堂课的价值在于：讲者既是AI技术一线的资深从业者，也是见证过无数人职业起落的观察者。

吴恩达只讲了十几分钟，但信息密度极高。Laurence的部分则更接地气，讲了很多面试翻车、公司踩坑的真实案例。以下是核心要点整理。

一、AI进步没有放缓，只是换了衡量方式

媒体总在问"AI是不是到顶了"，吴恩达给出了一个更有说服力的视角。

1、任务复杂度每7个月翻倍

METR的研究用"人类完成同等任务需要多长时间"来衡量AI能力。几年前AI只能做人类几秒钟能做的事，现在能做几分钟甚至更长的任务。这个指标每7个月翻一倍。编码领域更夸张，翻倍周期可能只有70天。

"如果用准确率当标准，到100%就没法再涨了。但用任务复杂度衡量，进步空间是无限的。"

2、编码工具迭代速度超乎想象

吴恩达坦言自己的主力工具每三个月就可能换一次。几个月前是Claude Code，GPT-5发布后OpenAI Codex进步巨大，今天早上Gemini 3又出来了。落后半代工具，生产力差距就很明显。

这不是泛泛的"AI发展快"，而是编码工具这个细分领域确实在以惊人速度进化。

二、产品经理正在成为新瓶颈

当代码生成变得廉价，决定"做什么"比"怎么做"更难了。

1、工程师与PM比例正在逆转

传统硅谷公司的工程师对PM比例大约是4:1到8:1。吴恩达观察到这个比例正在往2:1甚至1:1走。有些团队提案里就是1个PM配1个工程师。

原因很简单：写代码变快了，但理解用户需求、定义产品规格并没有被AI加速多少。

2、能做产品的工程师是最快的人

吴恩达的原话："如果你能写代码，又能跟用户聊、建立共情、自己判断下一步做什么，你就是我见过跑得最快的人。"

他承认自己早年犯过一个错误：试图让所有工程师都去做产品工作，结果让一些优秀工程师感到挫败。但现在环境变了，能同时承担两个角色的人确实有巨大优势。不是每个人都适合，但值得重新评估一下自己能不能往这个方向走。

三、选人比选公司Logo重要十倍

吴恩达讲了一个他在课上反复讲的故事。

一个斯坦福学生拿到了某AI热门公司的offer，但公司拒绝透露他会被分到哪个团队。"先签字，后面有轮岗机制会给你匹配。"结果入职后，这位AI学生被分去做Java后端支付系统。干了一年就走了。

更讽刺的是，吴恩达在课上讲完这个故事几年后，又有一个CS230的学生在同一家公司经历了类似的事。

"如果一家公司拒绝告诉你会跟谁工作，这本身就是一个信号。"

关于人际网络，吴恩达特别强调了斯坦福的"连接组织"（connective tissue）。很多前沿AI实验室的人都是斯坦福校友，教授们随时能打电话问"这个东西真的有用吗"。这种非公开的信息交流，会影响技术架构选择。

"你周围的五个朋友如果都是刻苦学习、努力用AI做好事的人，你大概率也会变成这样的人。"

四、面试中态度翻车的真实案例

Laurence讲了一个他辅导过的年轻人的故事。

这人履历完美，代码能力顶尖，但从4月被裁员后投了300多份简历，进入Meta、微软、Blue Origin等公司的面试深水区，每次都在最后一轮被刷。

问题出在哪？Laurence做了一次模拟面试才发现：当面试官指出他代码里的漏洞和极端情况时，这人表现得非常强硬，不愿承认问题。

他这么做是有原因的——很多大公司的招聘指南都会告诉候选人"面试时要有主见、敢于坚持自己的观点"。但他把这条建议执行成了"死不认错"，给面试官的感觉是在对抗而不是讨论。

"从面试官角度看，这人技术是10x工程师，但我不想让他进我的团队。"

后来这人改了态度，拿到了一个重视团队合作的公司的offer，工资翻倍。

启示：公司在选你的时候，跟你选公司一样认真。好公司会认真筛选"我愿不愿意天天跟这个人共事"。

五、AI招聘的三波震荡

Laurence把过去几年AI行业的招聘分成三个阶段。

2021-2022年，全球疫情导致招聘冻结，需求被压抑。2022-2023年，疫情结束叠加AI爆发，所有公司疯狂抢人，很多不够格的人被高薪挖走，"只要简历上有AI就能拿到高薪"。2024-2025年，大清醒时期，公司意识到过度招聘了很多能力不匹配的人，开始大规模调整。

这意味着现在的面试官比两年前挑剔得多。但Laurence说：机会依然巨大，关键是用对方法。

六、成功三支柱：理解、商业、交付

Laurence总结了他观察到的AI从业者成功要素。

1、深度理解（两层含义）

学术层面：能读懂论文、理解模型架构、知道怎么落地。行业层面：能分辨趋势中的信号和噪音。

2、商业聚焦

"不要只为你有的工作产出，要为你想要的工作产出。"

Laurence第三次面试Google时，提前用Java在Google Cloud上写了一个股票预测应用，写进简历。结果整个面试都在聊他的代码，而不是"一辆校车能装多少高尔夫球"这类问题。

他还提到一个"政治不正确"的观点：过去几年硅谷公司流行一种管理理念，鼓励员工"把完整的自己带到工作中"，意思是不用压抑个人身份和价值观，可以在公司里表达政治立场、支持社会议题。

初衷是好的，但后来失控了。员工开始在公司内部搞抗议活动，最极端的例子是有人闯进Google Cloud负责人的办公室静坐，甚至在他桌上大小便。

现在钟摆在往回摆。公司对这类行为的容忍度大幅下降，"专注业务"重新变成了硬性要求。

3、交付偏好

"创意廉价，执行是一切。"

Laurence面试过很多人，有些人带着天花乱坠的想法却无法落地，有些人想法粗糙但执行到位。猜猜谁拿到了offer？

七、用技术债务框架理解Vibe Coding

关于AI生成代码（Vibe Coding），Laurence给了一个很实用的思考框架：技术债务（Technical Debt）。

就像买房贷款是好债（房子会增值），冲动刷信用卡是坏债（利息吃掉价值）。每写一行代码都是在借债：后续要修bug、要维护、要写文档、要加功能。

AI生成代码让"借债"变得极其容易，但不代表每笔债都值得借。

好债的特征：
• 目标清晰，达成了就停
• 产生了真实商业价值
• 别人能看懂你的代码

坏债的典型：
• 为了炫技而做的solution looking for a problem
• 反复prompt产生的spaghetti code
• 老板用Replit做了个网站，维护成了团队的锅

Laurence自己在做一个电影制作相关的副业项目，反复用AI生成代码、测试、扔掉、重来。每次需求理解都更清晰一点。"代码现在便宜了，但工程化的代码依然昂贵。"

八、Agentic AI的四步分解

一个欧洲公司CEO找Laurence说"帮我实现一个Agent"。Laurence问的第一个问题是：为什么？

层层剥开后发现，CEO真正想要的是"让销售人员更高效"。这句话里没有AI，也没有Agent。

进一步调研发现，销售人员80%的时间在做客户背景调查（翻网站、查LinkedIn），只有20%时间在真正销售。而销售收入主要靠提成，他们等于只用20%时间做能赚钱的事。

最终方案：用Agentic AI做客户调研自动化。四个步骤——
• 理解意图：明确要完成什么任务（了解Bob Smith这个客户，准备销售拜访）
• 规划：声明可用工具（网页搜索、浏览器等），让LLM分解执行步骤
• 执行：调用工具获取结果
• 反思：结果是否满足意图？不满足就回到规划步骤

结果销售人员节省了10-15%的调研时间，收入提升，工作满意度也上去了。

"麦肯锡说85%的AI项目失败，主要原因就是scope不清晰，被炒作带跑了。"

九、大AI vs 小AI的分岔

Laurence认为未来五年AI会分化成两条路径。

大AI路线：GPT、Gemini、Claude这些公司继续追求更大模型、冲击AGI。这条路的泡沫可能更早破裂。

小AI路线：开源/开权重模型、可自托管的模型正在爆发。Y Combinator 80%的公司在用中国的小模型。7B模型今天的能力等于去年50B模型的水平，明年可能等于今年300B。

小模型的应用场景很清晰：隐私敏感场景。

Laurence讲了一个好莱坞的例子。电影公司做IP分析（分析什么类型的电影、什么档期更赚钱）极其需要AI，但绝对不会把剧本发给GPT——James Cameron至今还在被人起诉《阿凡达》抄袭。所以他们需要能自托管的小模型。

律所、医疗机构同理。

未来关键技能：fine-tuning（微调），把开源模型调教成特定业务场景的专家。

十、泡沫结构与生存策略

任何热门领域都有泡沫。AI泡沫的结构是一个金字塔：

顶层是炒作，下面是巨额VC投资（已经在收缩），再下面是不合理的估值和Me-Too产品，最底层才是真实价值。

2000年互联网泡沫破裂了，但Amazon和Google活了下来并且壮大了。pets.com做了超级碗广告，流量扛不住就消失了。

做对的公司和做对的人，不仅能活过泡沫，还能在泡沫后茁壮成长。

十一、吴恩达的"政治不正确"建议

吴恩达在最后说了一句他知道"有些圈子会觉得政治不正确"的话：

"我鼓励你们努力工作。"

他理解有些人因为家庭、伤病、残疾等原因无法高强度工作，这些人应该被尊重和照顾。但他见过的每一个成功的PhD学生，都拼命工作过。凌晨2点调参数，他自己现在有时候还在做。

"如果你有条件努力工作，周末晚上与其看无聊电视剧，不如打开你的Agentic Coder试试看。"

总结

这堂课的核心信息其实就一句话：现在是有史以来最好的时机去做东西。工具比以前强大，构建成本比以前低，失败的代价不过是浪费一个周末。

但机会只留给做对准备的人：能分辨炒作和信号、能理解商业需求、能交付真实价值、能跟对的人在一起。

---

核心归纳

Q1: 现在找AI工作为什么这么难？

2022-2023年行业过度招聘，很多不够格的人被高薪挖走。2024-2025年公司在"大清醒"，面试标准比以前严格得多。但机会依然巨大，关键是展示真实能力和商业价值，而不是简历上有"AI"两个字。

Q2: 什么样的人在当下最有优势？

能同时承担工程师和产品经理角色的人。因为AI让写代码变快了，但理解用户需求、定义产品规格没有被加速。能自己写代码、跟用户聊、判断下一步做什么的人，跑得最快。

Q3: 面对AI炒作应该怎么做？

记住社交媒体的货币是engagement，不是accuracy。问"为什么"而不是跟风。把炫酷的东西分解成mundane（平凡）的步骤，你就能成为别人的able adviser。做对的公司和人不仅能活过泡沫，还能在泡沫后壮大。

本文来源
高飞微博：https://weibo.com/1233486457/QjzKLCaDY