本文根據(jù)Andrew Ng訪談內(nèi)容指出AI將改變工作組成而非直接取代工作。強調(diào)學(xué)會使用AI、判斷問題和落地想法的重要性。討論AI在軟件工程、營銷、財務(wù)、招聘等領(lǐng)域的應(yīng)用提出構(gòu)建工具成本下降使業(yè)務(wù)人員也能借助AI實現(xiàn)自動化。強調(diào)AI時代人的優(yōu)勢在于上下文理解、判斷力和專業(yè)知識并提醒避免過度依賴AI導(dǎo)致認知外包。最后給出AI時代個人發(fā)展建議學(xué)好專業(yè)主動補齊AI能力培養(yǎng)發(fā)現(xiàn)問題并推動解決的能力。當(dāng)人們還在爭論“AI會不會搶走一半工作”時人工智能教育家 Andrew Ng 給出了一個更務(wù)實的判斷真正值得關(guān)注的不只是模型參數(shù)有多大、榜單排名有多高而是越來越多的人可以用 AI 把想法變成工具把重復(fù)流程變成自動化系統(tǒng)。這并不意味著工作會原封不動地保留下來也不意味著 AI 已經(jīng)無所不能。更準確的說法是AI 正在改變工作的組成方式。會使用 AI、會判斷問題、會把想法落地的人可能會逐漸拉開與只等待指令、只重復(fù)舊流程的人的差距。先別被“AI末日敘事”帶偏訪談一開始Andrew Ng 討論了一個現(xiàn)實問題關(guān)于 AI 的公共討論往往在“萬能神話”和“世界末日”之間來回擺動。他認為部分 AI 公司為了維護大型模型帶來的商業(yè)優(yōu)勢可能會放大 AI 風(fēng)險、推動有利于現(xiàn)有巨頭的監(jiān)管環(huán)境。對于這一判斷讀者應(yīng)將其視為受訪者的個人觀點而不是已經(jīng)被獨立證明的事實。但他提出的更普遍提醒值得重視討論 AI 時不能只挑選極端案例也不能把“可能發(fā)生的風(fēng)險”直接寫成“必然發(fā)生的災(zāi)難”。例如AI 確實會帶來隱私、深度偽造、就業(yè)結(jié)構(gòu)變化和安全問題與此同時它也能降低軟件開發(fā)、數(shù)據(jù)分析、內(nèi)容制作和業(yè)務(wù)自動化的門檻。真正有價值的討論應(yīng)當(dāng)同時回答兩個問題AI 能帶來哪些真實收益哪些風(fēng)險需要通過產(chǎn)品設(shè)計、行業(yè)規(guī)范和法律規(guī)則來約束如果只制造恐懼可能讓一部分學(xué)生、職場新人和企業(yè)因為“反正未來都會被替代”而放棄學(xué)習(xí)如果只宣傳 AI 無所不能又會讓人低估驗證、監(jiān)督和專業(yè)判斷的重要性。AI更可能先改變工作而不是直接消滅工作Andrew Ng 在訪談中引用了一種任務(wù)拆解的思路一份工作通常不是一個整體而是由許多不同任務(wù)組成。AI 可能先接管其中一部分而不是立刻完成一個職業(yè)的全部工作。他提到AI 也許能夠完成許多工作中 30%—40% 的任務(wù)。這個數(shù)字屬于訪談中的概括性表達并非適用于所有行業(yè)的統(tǒng)一測量結(jié)果。關(guān)鍵在于剩下的 60%—70% 可能因此變得更有價值因為它們往往包含客戶溝通、目標判斷、復(fù)雜協(xié)作、責(zé)任承擔(dān)和現(xiàn)場決策。換句話說未來更可能出現(xiàn)的不是“AI 取代所有人”而是使用 AI 的人逐漸替代不會使用 AI 的人能夠重新設(shè)計工作流程的人逐漸超過只重復(fù)舊流程的人。軟件工程是訪談中被重點討論的例子。AI 已經(jīng)很擅長生成代碼因此程序員中一些機械性的編碼任務(wù)會減少。但這并不等于軟件工程師沒有價值。需求理解、系統(tǒng)設(shè)計、代碼審查、故障排查、產(chǎn)品取舍和與用戶溝通仍然需要更強的綜合能力。Andrew Ng 的建議不是繼續(xù)重復(fù) 2022 年以前的編程方式而是把 AI 擅長的部分交給 AI自己轉(zhuǎn)向更高層次、更寬范圍的工作。這也解釋了一個趨勢一些前端或后端開發(fā)者借助 AI開始承擔(dān)更完整的全棧工作營銷、招聘、財務(wù)和運營人員也可能從單一執(zhí)行崗位轉(zhuǎn)向更完整的業(yè)務(wù)角色。最大的機會從“使用 AI”走向“用 AI 構(gòu)建”訪談中最值得普通讀者關(guān)注的一句話是構(gòu)建軟件和工具的成本正在快速下降。過去市場人員、招聘人員、財務(wù)人員或運營人員有一個想法通常需要先找到工程師再排期、寫需求、開發(fā)、測試?，F(xiàn)在很多小型工具、數(shù)據(jù)看板、自動化腳本和內(nèi)部應(yīng)用可以由業(yè)務(wù)人員先借助 AI 做出原型。這并不是說每個人都要立刻成為專業(yè)程序員而是說“會描述問題、會拆解流程、會用 AI 試做工具”正在變成一種新的通用能力。營銷人員可以做什么訪談中提到Andrew Ng 團隊的營銷人員會用 AI 和代碼搭建工具輸入一個選題后系統(tǒng)自動檢索相關(guān)資料整理相近文章并把值得關(guān)注的內(nèi)容集中展示出來幫助團隊判斷是否值得繼續(xù)寫作。對普通內(nèi)容團隊來說不一定要一開始就做復(fù)雜系統(tǒng)?？梢韵葟倪@些小任務(wù)入手自動整理選題、素材和來源鏈接根據(jù)既定標準給內(nèi)容初稿評分分析不同平臺的閱讀、點擊和轉(zhuǎn)化數(shù)據(jù)把一次性提示詞改造成可反復(fù)使用的內(nèi)容工作流。財務(wù)團隊可以做什么訪談還舉到一個財務(wù)自動化案例團隊原本需要反復(fù)打開文件、復(fù)制數(shù)據(jù)、檢查數(shù)字和尋找異常后來開始用腳本自動讀取文檔、核對內(nèi)容并在出現(xiàn)新文件或異常情況時提醒相關(guān)人員。這類應(yīng)用的重點不在“讓 AI 自己做財務(wù)決策”而在于把機械的查找、搬運和初步檢查自動化讓專業(yè)人員把時間投入到解釋數(shù)據(jù)、判斷風(fēng)險和做出決策上。人力資源和招聘團隊可以做什么Andrew Ng 提到他們的招聘團隊中甚至有專門嵌入業(yè)務(wù)團隊的工程人員幫助招聘人員搭建更復(fù)雜的工具。這說明一個重要方向未來的工程工作不一定只存在于傳統(tǒng)技術(shù)部門也可能出現(xiàn)更多“營銷工程師”“招聘工程師”“人力資源工程師”等交叉崗位。這些崗位的共同點是既理解業(yè)務(wù)流程又能用 AI 和軟件把流程改造出來。AI時代人的優(yōu)勢仍然是“上下文”和判斷力AI 能快速提出許多答案但答案多并不等于答案好。Andrew Ng 形容AI 往往能給出一兩個不錯的想法、幾個普通想法甚至還有一些非常糟糕的想法。問題在于模型并不知道某個方案為什么在你的客戶、團隊或行業(yè)里明顯不可行。人類長期積累的經(jīng)驗構(gòu)成了 AI 暫時難以完整獲得的“上下文優(yōu)勢”。上下文可以理解為你知道客戶之前說過什么見過對方聽到某個方案時的表情了解公司內(nèi)部的限制也清楚某個決定會影響哪些人。這些信息不一定存在于公開網(wǎng)頁或數(shù)據(jù)庫中但它們往往決定了一個方案到底能不能落地。因此所謂“人的判斷力”和“人的品味”并不是神秘能力。很多時候它們來自更豐富的經(jīng)歷、行業(yè)知識、現(xiàn)場觀察和對后果的理解。AI 可以幫我們擴大搜索范圍、生成備選方案、快速制作原型人仍然需要判斷哪些方案值得保留哪些方案從一開始就不應(yīng)該推進。這也是為什么專業(yè)知識不會因為 AI 出現(xiàn)就完全失去價值。相反越能看懂業(yè)務(wù)、理解用戶、判斷風(fēng)險的人越能把 AI 變成真正有用的工具。一個重要提醒AI適合做事不一定適合直接替你學(xué)習(xí)訪談中 Andrew Ng 對 AI 學(xué)習(xí)提出了一個相當(dāng)尖銳的提醒按照目前大多數(shù)人的使用方式AI 可能非常適合“幫你把事情做完”卻不一定適合“幫你真正學(xué)會”。例如學(xué)生使用 AI 后作業(yè)分數(shù)可能提高但如果 AI 直接替他完成思考過程長期記憶和獨立解決問題的能力可能變?nèi)?。Andrew Ng 把這種現(xiàn)象稱為認知外包把原本需要自己完成的思考交給工具。這并不意味著學(xué)習(xí)時不能用 AI而是要區(qū)分兩種用法代做型使用直接讓 AI 寫完答案、代碼或作業(yè)自己只負責(zé)復(fù)制提交教練型使用讓 AI 提問、提示、指出錯誤、設(shè)計練習(xí)并要求自己先嘗試。如果目標是完成工作代做型使用可能很高效如果目標是掌握能力就要避免把所有思考都外包出去。更好的學(xué)習(xí)提示詞可以這樣寫不要直接給出完整答案。 先判斷我目前掌握到哪一步再通過提問引導(dǎo)我自己思考。 如果我的思路有錯誤請指出錯誤所在但先不要替我完成全部推導(dǎo)。 最后再給出一份簡短總結(jié)和練習(xí)題檢查我是否真正理解。未來的 AI 教育也可能從“一套課程教很多人”逐漸轉(zhuǎn)向更個性化的一對一學(xué)習(xí)體驗。Andrew Ng 在訪談中提到他正在參與探索更個性化的學(xué)習(xí)產(chǎn)品但相關(guān)內(nèi)容屬于其團隊的項目方向具體產(chǎn)品能力和時間安排仍應(yīng)以官方后續(xù)信息為準。大學(xué)生和職場人的學(xué)習(xí)重點是什么Andrew Ng 并沒有給出一個“AI時代唯一正確的專業(yè)”。他的建議更像是一組通用原則學(xué)好專業(yè)本身同時主動補上學(xué)校課程暫時沒有覆蓋的 AI 能力。這是因為大學(xué)課程更新通常需要經(jīng)歷教師學(xué)習(xí)、課程設(shè)計、委員會審批等流程而 AI 工具變化的速度要快得多。學(xué)校可能仍在教學(xué)生準備幾年前的工作但企業(yè)已經(jīng)開始尋找能夠適應(yīng)新流程的人。對在校生和職場新人來說可以從三個方向積累能力學(xué)會使用 AI而不是只會聊天理解提示詞、上下文、結(jié)構(gòu)化輸出、文件處理、工具調(diào)用和結(jié)果驗證。重點不是記住某個模型的按鈕位置而是知道如何把一個模糊問題拆成可執(zhí)行步驟。保留一項真正的專業(yè)能力AI 技能不能替代行業(yè)理解。營銷、設(shè)計、財務(wù)、法律、教育、工程等領(lǐng)域的專業(yè)知識仍然決定了你是否能提出正確問題、檢查錯誤答案并判斷結(jié)果能不能用于現(xiàn)實世界。培養(yǎng)主動性訪談中提到越來越多職位描述開始重視“主動發(fā)現(xiàn)問題并推動解決”的能力。過去很多人等待上級分配任務(wù)在 AI 降低構(gòu)建成本之后一個人可以先發(fā)現(xiàn)流程中的低效環(huán)節(jié)做一個小工具驗證再拿著結(jié)果與團隊討論。主動性不等于盲目越權(quán)而是能在邊界清晰、風(fēng)險可控的情況下先把問題弄清楚、把原型做出來。創(chuàng)業(yè)機會增加了但創(chuàng)業(yè)本身沒有變簡單Andrew Ng 給想做產(chǎn)品的人一個非常實用的建議學(xué)習(xí) AI、快速構(gòu)建、與客戶交流。AI 讓做出一個原型變得更容易但真正做成一個有價值的產(chǎn)品仍然需要技術(shù)深度、客戶洞察、持續(xù)迭代和長期執(zhí)行。這可以用一個簡單公式理解AI 降低了“做出東西”的成本卻提高了“決定做什么”的重要性。當(dāng)任何人都能在周末做出一個小應(yīng)用時代碼本身就不再是唯一壁壘。真正稀缺的可能變成你是否理解一個具體用戶群體的真實痛點你是否知道哪些需求值得長期投入你是否能通過交流和觀察發(fā)現(xiàn)用戶沒有明確說出來的問題你是否能把原型變成穩(wěn)定、安全、可持續(xù)使用的產(chǎn)品。因此適合個人的路徑可以是先廣泛嘗試小想法再選擇一兩個領(lǐng)域深入而不是同時經(jīng)營一堆缺少真實需求驗證的項目。效率、隱私和安全別把“能做”誤認為“該做”AI 工具越強權(quán)限管理就越重要。訪談中討論了把金融賬戶等敏感信息交給 AI 分析的風(fēng)險。Andrew Ng 的態(tài)度并不是簡單地說“所有云端 AI 都不安全”而是強調(diào)要關(guān)注服務(wù)商的隱私政策、數(shù)據(jù)保留規(guī)則、企業(yè)文化和實際使用場景。使用 AI 處理資料時可以遵循幾個基本原則不把身份證件、銀行卡、未公開財務(wù)數(shù)據(jù)、商業(yè)機密直接上傳到不了解的數(shù)據(jù)服務(wù)使用企業(yè)版或 API 前先確認數(shù)據(jù)是否會被保存、用于訓(xùn)練或供人工查看對需要外部工具訪問的文件和賬戶采用最小權(quán)限原則對高敏感內(nèi)容考慮在本地運行開源模型或先做脫敏處理AI 輸出涉及資金、法律、醫(yī)療或重大業(yè)務(wù)決策時必須由專業(yè)人員復(fù)核。Andrew Ng 還提到銀行等機構(gòu)可能會把模型部署在私有云或本地環(huán)境中讓敏感數(shù)據(jù)不離開自身控制范圍。對普通用戶而言本地模型并不一定適合所有任務(wù)但可以作為處理高度敏感信息時的一種備選方案。另外模型和服務(wù)更新很快不必把自己綁定在某一個工具上。重要的是持續(xù)了解數(shù)據(jù)政策、能力邊界和成本變化。關(guān)于“AI會失控”和AGI應(yīng)該如何看談到 AI 失控Andrew Ng 用飛機作了類比飛機也不可能被人類百分之百控制天氣、機械和操作都會帶來不確定性航空業(yè)通過測試、事故復(fù)盤、工程標準和監(jiān)管把風(fēng)險降低到大多數(shù)人可以接受的程度。他認為AI 也需要在逐步擴大能力的同時持續(xù)測試、發(fā)現(xiàn)問題并增加安全約束。這種觀點并不意味著 AI 風(fēng)險不存在而是強調(diào)不要把“無法絕對控制”直接等同于“必然失控”。至于 AGI也就是“通用人工智能”訪談中的關(guān)鍵分歧在于定義不同。如果把 AGI 定義為能夠完成任何人類智力任務(wù)的系統(tǒng)那么它不僅要會回答問題還應(yīng)能在陌生環(huán)境中快速學(xué)習(xí)完成長期復(fù)雜任務(wù)并擁有接近人類的適應(yīng)能力。Andrew Ng 認為按照這個標準AGI 仍然距離我們很遠可能還需要幾十年但如果降低標準不同人就可能在不同時間宣布“已經(jīng)實現(xiàn) AGI”。因此看到“我們已經(jīng)實現(xiàn) AGI”或“AGI 很快就會到來”這類標題時第一反應(yīng)應(yīng)該是追問這里采用的到底是什么定義展示的是哪一類任務(wù)有沒有可復(fù)現(xiàn)的評測AI時代最重要的能力是把想法變成結(jié)果這場訪談并沒有給出一個神奇的職業(yè)清單也沒有承諾 AI 會讓所有人輕松成功。它更像是在提醒我們重新理解機會AI 讓構(gòu)建工具更便宜、試錯速度更快也讓許多崗位可以承擔(dān)更大的業(yè)務(wù)范圍但它沒有消除判斷、專業(yè)知識、客戶理解和長期執(zhí)行的價值。對普通人來說最現(xiàn)實的行動路徑可能不是等待一個“不會被 AI 影響的職業(yè)”而是選擇一個真實的工作或生活問題學(xué)會用 AI 拆解它、分析它、做出一個小原型用真實反饋驗證結(jié)果而不是停留在聊天窗口里保留人工復(fù)核尤其是涉及隱私、資金和重大決策時同時補強 AI 技能與自己的專業(yè)能力。AI 的機會往往不在于誰最會談?wù)撐磥矶谟谡l能更早發(fā)現(xiàn)問題、更快做出驗證并把一次性的嘗試變成可靠的工作流程。如何學(xué)習(xí)大模型 AI 由于新崗位的生產(chǎn)效率要優(yōu)于被取代崗位的生產(chǎn)效率所以實際上整個社會的生產(chǎn)效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優(yōu)勢”。這句話放在計算機、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的開局時期都是一樣的道理。我在一線互聯(lián)網(wǎng)企業(yè)工作十余年里指導(dǎo)過不少同行后輩。幫助很多人得到了學(xué)習(xí)和成長。我意識到有很多經(jīng)驗和知識值得分享給大家也可以通過我們的能力和經(jīng)驗解答大家在人工智能學(xué)習(xí)中的很多困惑所以在工作繁忙的情況下還是堅持各種整理和分享。但苦于知識傳播途徑有限很多互聯(lián)網(wǎng)行業(yè)朋友無法獲得正確的資料得到學(xué)習(xí)提升故此將并將重要的AI大模型資料包括AI大模型入門學(xué)習(xí)思維導(dǎo)圖、精品AI大模型學(xué)習(xí)書籍手冊、視頻教程、實戰(zhàn)學(xué)習(xí)等錄播視頻免費分享出來。這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認證二維碼免費領(lǐng)取【保證100%免費】為什么要學(xué)習(xí)大模型我國在A大模型領(lǐng)域面臨人才短缺,數(shù)量與質(zhì)量均落后于發(fā)達國家。2023年人才缺口已超百萬凸顯培養(yǎng)不足。隨著AI技術(shù)飛速發(fā)展預(yù)計到2025年,這一缺口將急劇擴大至400萬,嚴重制約我國AI產(chǎn)業(yè)的創(chuàng)新步伐。加強人才培養(yǎng),優(yōu)化教育體系,國際合作并進是破解困局、推動AI發(fā)展的關(guān)鍵。大模型入門到實戰(zhàn)全套學(xué)習(xí)大禮包1、大模型系統(tǒng)化學(xué)習(xí)路線作為學(xué)習(xí)AI大模型技術(shù)的新手方向至關(guān)重要。 正確的學(xué)習(xí)路線可以為你節(jié)省時間少走彎路方向不對努力白費。這里我給大家準備了一份最科學(xué)最系統(tǒng)的學(xué)習(xí)成長路線圖和學(xué)習(xí)規(guī)劃帶你從零基礎(chǔ)入門到精通2、大模型學(xué)習(xí)書籍文檔學(xué)習(xí)AI大模型離不開書籍文檔我精選了一系列大模型技術(shù)的書籍和學(xué)習(xí)文檔電子版它們由領(lǐng)域內(nèi)的頂尖專家撰寫內(nèi)容全面、深入、詳盡為你學(xué)習(xí)大模型提供堅實的理論基礎(chǔ)。3、AI大模型最新行業(yè)報告2025最新行業(yè)報告針對不同行業(yè)的現(xiàn)狀、趨勢、問題、機會等進行系統(tǒng)地調(diào)研和評估以了解哪些行業(yè)更適合引入大模型的技術(shù)和應(yīng)用以及在哪些方面可以發(fā)揮大模型的優(yōu)勢。4、大模型項目實戰(zhàn)配套源碼學(xué)以致用在項目實戰(zhàn)中檢驗和鞏固你所學(xué)到的知識同時為你找工作就業(yè)和職業(yè)發(fā)展打下堅實的基礎(chǔ)。5、大模型大廠面試真題面試不僅是技術(shù)的較量更需要充分的準備。在你已經(jīng)掌握了大模型技術(shù)之后就需要開始準備面試我精心整理了一份大模型面試題庫涵蓋當(dāng)前面試中可能遇到的各種技術(shù)問題讓你在面試中游刃有余。適用人群第一階段10天初階應(yīng)用該階段讓大家對大模型 AI有一個最前沿的認識對大模型 AI 的理解超過 95% 的人可以在相關(guān)討論時發(fā)表高級、不跟風(fēng)、又接地氣的見解別人只會和 AI 聊天而你能調(diào)教 AI并能用代碼將大模型和業(yè)務(wù)銜接。大模型 AI 能干什么大模型是怎樣獲得「智能」的用好 AI 的核心心法大模型應(yīng)用業(yè)務(wù)架構(gòu)大模型應(yīng)用技術(shù)架構(gòu)代碼示例向 GPT-3.5 灌入新知識提示工程的意義和核心思想Prompt 典型構(gòu)成指令調(diào)優(yōu)方法論思維鏈和思維樹Prompt 攻擊和防范…第二階段30天高階應(yīng)用該階段我們正式進入大模型 AI 進階實戰(zhàn)學(xué)習(xí)學(xué)會構(gòu)造私有知識庫擴展 AI 的能力?？焖匍_發(fā)一個完整的基于 agent 對話機器人。掌握功能最強的大模型開發(fā)框架抓住最新的技術(shù)進展適合 Python 和 JavaScript 程序員。為什么要做 RAG搭建一個簡單的 ChatPDF檢索的基礎(chǔ)概念什么是向量表示Embeddings向量數(shù)據(jù)庫與向量檢索基于向量檢索的 RAG搭建 RAG 系統(tǒng)的擴展知識混合檢索與 RAG-Fusion 簡介向量模型本地部署…第三階段30天模型訓(xùn)練恭喜你如果學(xué)到這里你基本可以找到一份大模型 AI相關(guān)的工作自己也能訓(xùn)練 GPT 了通過微調(diào)訓(xùn)練自己的垂直大模型能獨立訓(xùn)練開源多模態(tài)大模型掌握更多技術(shù)方案。到此為止大概2個月的時間。你已經(jīng)成為了一名“AI小子”。那么你還想往下探索嗎為什么要做 RAG什么是模型什么是模型訓(xùn)練求解器 損失函數(shù)簡介小實驗2手寫一個簡單的神經(jīng)網(wǎng)絡(luò)并訓(xùn)練它什么是訓(xùn)練/預(yù)訓(xùn)練/微調(diào)/輕量化微調(diào)Transformer結(jié)構(gòu)簡介輕量化微調(diào)實驗數(shù)據(jù)集的構(gòu)建…第四階段20天商業(yè)閉環(huán)對全球大模型從性能、吞吐量、成本等方面有一定的認知可以在云端和本地等多種環(huán)境下部署大模型找到適合自己的項目/創(chuàng)業(yè)方向做一名被 AI 武裝的產(chǎn)品經(jīng)理。硬件選型帶你了解全球大模型使用國產(chǎn)大模型服務(wù)搭建 OpenAI 代理熱身基于阿里云 PAI 部署 Stable Diffusion在本地計算機運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優(yōu)雅地在阿里云私有部署開源大模型部署一套開源 LLM 項目內(nèi)容安全互聯(lián)網(wǎng)信息服務(wù)算法備案…學(xué)習(xí)是一個過程只要學(xué)習(xí)就會有挑戰(zhàn)。天道酬勤你越努力就會成為越優(yōu)秀的自己。如果你能在15天內(nèi)完成所有的任務(wù)那你堪稱天才。然而如果你能完成 60-70% 的內(nèi)容你就已經(jīng)開始具備成為一名大模型 AI 的正確特征了。這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認證二維碼免費領(lǐng)取【保證100%免費】