最近看到一篇关于人工智能领域专家吴恩达（Andrew Ng）在2026年达沃斯论坛发言的整理，读完后感触颇深，甚至有些后背发凉。
当时论坛上充斥着“AGI两年内到来”、“AI将取代80%人类工作”这类激进的声音。然而，吴恩达却提了一个很多人忽略的观点：对于许多工作而言，AI现在以及可预见的未来，只能完成其中30%到40%的任务。
乍一听，这好像是在给AI热潮降温，暗示它的能力没那么夸张。但仔细琢磨，这个看似保守的“30%-40%”比例，可能比全面替代论更值得我们警惕。因为它指向的不是简单的取代，而是一种更深层次的结构性冲击。
AI取代的是任务，不是工作
吴恩达反复强调一个核心观点：AI取代的是“任务”，而不是整个“工作”。
这听起来像是语义游戏？但其背后的逻辑相当现实，甚至有些残酷。假设一份工作由十个任务组成，现在的AI能搞定其中三四个。乐观的看法是，员工因此能从重复性劳动中解放，去从事更具创造性的部分。
但吴恩达指出了一个被忽视的陷阱：如果这三四个任务，恰好是初级员工用来入门和积累经验的基石任务呢？
传统的人才培养模式类似“学徒制”。初级分析师从整理数据、写简单SQL查询开始；律师助理从搜集判例、整理卷宗入手。这些工作看似价值不高，却是新人理解业务流程、积累隐性知识的关键阶梯。
现在，AI最擅长的，恰恰就是这类标准化、入门级的任务。
吴恩达将这种现象称为 “阶梯断裂”。想象一下，一栋楼的楼梯中间几级被抽走了，站在一楼的人再也无法通过常规路径走到二楼。过去，初级员工通过执行基础任务获得成长；如今，AI直接接过了这些任务，导致新人的成长路径出现了断层。
这催生了一个职场悖论：企业极度渴求有经验、能驾驭AI的高级人才，却越来越不愿意投入成本去培养初级人才。 因为培养周期长、成本高，而那些初级任务本身的经济价值，已经被AI极大地稀释了。
职场人才的“四梯队”分级
更引人深思的是吴恩达提出的“工程师效率四梯队”模型。他将当下的工程师分成了四个等级：
- 第一梯队：拥有十到二十年经验，同时精通AI工具的老兵。他们既深谙业务逻辑，又能熟练运用AI提效，综合效率最高。
- 第二梯队：应届毕业生，但精通AI工具。他们虽然行业经验不足，但借助先进工具，其生产力已经能够超越许多拒绝使用AI的中级工程师。
- 第三梯队：经验丰富但拒绝使用AI的老工程师。吴恩达对此直言不讳：“我绝不会再雇佣这样的人。”
- 第四梯队：既无经验，也不懂AI的毕业生。
这个分级初看有些夸张。一个刚毕业的“新手”，生产力能超过十年经验的“老师傅”？但回顾历史，这正是工具革命的常态——会用挖掘机的新手，效率必然超过只会用铁锹的老师傅。AI对编程等知识工作的改造，本质上是一场类似的“认知工具”革命。
这不禁让人联想到身边的情况。有些从业者资历很深，却对AI工具抱有抵触或漠视态度。按照这个模型，他们已悄然滑落至第三梯队。而那些一毕业就熟练使用Cursor、Claude Code等AI编程工具的年轻人，则直接跃升到了第二梯队。
“经验”曾是职场最硬的通货，但这条铁律正在被快速改写。
教育的滞后：大学还在为2022年的世界培养学生
吴恩达自2002年起便在斯坦福任教，对高等教育有深刻观察。他在达沃斯上说得非常直白：“不幸的是，高等教育正在辜负许多应届毕业生。因为它们还在让学生为那个已经不复存在的、2022年以前的世界做准备。”
他举了一个例子：有些计算机专业的毕业生步入职场时，竟然从未真正调用过一个API。
这种情况并不罕见。考察语法记忆的考试、禁止使用AI工具的作业要求，在某些课堂依然存在。这些学生毕业即面临巨大落差，直接被归入“第四梯队”。
教育体系的固有滞后性，在技术加速迭代面前暴露无遗。 学校教授的知识可能滞后行业三年，但职场要求的是应对未来三个月变化的能力。这个巨大的时间差，最终需要每个人自己去奋力填补。
AI不会取代人类，但使用AI的人将取代不使用AI的人
结合上述背景，再来理解吴恩达那句广为流传的话，就清晰多了：“AI不会取代人类，但使用AI的人将取代不使用AI的人。”
这并非鸡汤，而是正在发生的现实。
过去，初级员工的核心能力是“会执行基础任务”。现在，则变成了“会指挥AI去执行基础任务”。这一转变看似微妙，但对能力模型的要求是质的飞跃——你需要具备以往只有高级员工才拥有的系统思维、任务拆解和结果评判能力。
换句话说，职场的“入门门槛”被隐形地拔高了。 以前可能“会干活”就行，现在必须“会指挥AI干活”，这是两种截然不同的能力维度。
AI智能体：从聊天伙伴到“数字员工”
吴恩达在论坛上花了大量时间阐释 “AI智能体” 的概念。
过去几年，我们使用AI的主流模式是“一问一答”。吴恩达将这种模式比喻为“不允许使用退格键写文章”——要求作者一气呵成，不能打草稿、查资料或修改。即使是最聪明的人，在这种限制下也很难产出高质量作品，而这恰恰是我们前几年要求AI的工作方式。
他分享了一个银行的真实案例。传统的贷款审批流程平均需要一小时：信贷员手动查询信用记录、核对收入证明、评估抵押物、填写多张表格、计算风险评分、生成报告……步骤繁琐，环环相扣。
而现在，部署的AI智能体可以自主规划并执行整套流程：它将任务分解为“查信用”、“验收入”、“评风险”、“写报告”四个子步骤；然后自动调用外部工具登录征信系统、运行脚本计算评分；生成初稿后，它甚至会进行“自我反思”，质疑“这个评分是否合理？”、“有无遗漏风险点？”；最后输出完整的审批建议。整个过程被压缩到十分钟以内。
在此流程中，人类信贷员的角色从“执行者”转变为“监督者”，只需在AI遇到模糊或特殊边界情况时介入判断即可。
吴恩达特别强调了AI的“反思”能力：通过设计多轮迭代与反思，一个参数量较小的模型在特定任务上的表现，完全可以超越那些参数量巨大的顶尖模型的单次生成结果。
“100倍战略”：重新定义效率天花板
上述工作流的根本性重构，被吴恩达称为 “100倍战略”：我们能不能把事情做得快100倍？能不能产出多100倍？
当AI能够自主完成一系列长链条、多步骤的复杂任务时，这个问题的答案开始变为“可以”。
这个提法极具启发性。如果我们只将目标设定为“提升一点点”，比如让AI帮忙做两张图，那么我们通常不会推翻现有工作流程。但若将目标设定为“提升100倍”，就必须打破所有惯性思维，对流程进行彻底的重构与重建。
当然，这种强大能力有其代价。AI的多轮思考与反思会消耗大量算力，完成同一任务的成本可能是过去的十倍甚至百倍。但吴恩达认为这投资是划算的：如果一个AI智能体能为远洋货轮优化航线，节省10%的燃油成本（价值数百万美元），那么即使单次运行消耗十美元算力，投资回报率也极其惊人。
职业边界正在“坍缩”
吴恩达分享了一个有趣的观察：产品经理与工程师的比例正在发生“坍缩”。
在传统软件公司，一个产品经理通常对应四到八名工程师，分工明确。产品经理负责需求、文档、原型；工程师负责实现、测试、部署。
但随着AI编程辅助能力的增强，这一比例开始变化：从1:8到1:4，再到1:2，甚至1:1。吴恩达指出，现在这个比例正在“坍缩”进同一个人体内——同一个人既承担产品经理的职责，又扮演工程师的角色。
他自己的招聘偏好也印证了这一点：“我在招聘营销、招聘、前台甚至CFO时，都强烈偏好会写代码的人。并非要求他们去写生产环境代码，而是需要他们具备用代码自动化解决问题的思维方式。”
试想，当你的CFO会用Python构建财务预测模型，当你的营销总监能通过API自动调取数据并分析，整个组织的决策效率和敏捷性将发生质变。
这意味着什么？意味着固化的职业边界正在变得模糊。 未来的定位可能不再是“你是做什么的”，而是“你能解决什么问题”，而解决问题的方式将越来越依赖于驾驭AI工具的能力。
人力外包模式正在走向终结
在接受访谈时，吴恩达对印度的IT服务业发出了明确警告：传统依赖“人力套利”的外包模式正在走向终结。
该模式的基石是“写代码需要大量人力”。以往，欧美公司开发一个CRM系统，可能外包给印度一个50人的团队，耗时六个月。
现在，借助AI辅助开发，可能只需要一个10人的精锐团队，耗时两个月即可完成。
吴恩达的判断非常直接：“如果印度IT服务业还停留在提供人力的阶段，将面临生存危机。唯一的出路是从‘提供人力’转向‘提供AI原生的解决方案’。”
这一警告不仅针对印度，也适用于所有依赖人力规模而非技术创新与效率提升的行业。如果企业内部员工能借助AI高效完成许多任务，那么对于那些以“堆人头”为核心业务模式的外包公司而言，冲击将是巨大的。
AI的泡沫在哪里？
谈及AI领域是否存在泡沫，吴恩达的判断很清晰：“如果存在泡沫，那主要集中在‘基础模型训练’这一层。”
训练一个前沿大模型的成本动辄数十亿美元，但商业模式却相对单一（主要是API调用收费）。随着高质量开源模型的不断涌现，闭源模型的溢价空间被严重挤压。除了少数几家拥有绝对领先技术和生态的头部公司，大量中间层的模型公司可能因无法收回高昂的训练成本而难以为继。
相反，在应用层和推理优化层，吴恩达认为不仅没有泡沫，反而是投资不足的。他说：“不要只盯着那几家造大模型的公司，去看看那些正在用现有模型改造传统行业的公司，那里才是真正的金矿。”
真正能为企业创造降本增效价值的，是具体的、深耕场景的AI应用。这个判断，对于所有在AI领域寻找机会的开发者和创新者而言，是一个重要的方向指引。
与其观望，不如动手
梳理吴恩达的这些观点，一个强烈的感受是：变化并非将来时，而是正在进行时，且速度超乎许多人的想象。
- “阶梯断裂”意味着传统的职业成长路径已被打断。
- “四梯队”模型意味着职场竞争力的评价规则正在被重写。
- “100倍战略”意味着我们对生产效率的认知天花板需要被捅破。
- “职业边界坍缩”意味着过去泾渭分明的专业分工逻辑正在松动。
这对每个人而言，既是危机，也是机遇。危机在于，如果你仍停留在“纯粹执行者”的角色，你的可替代性正在急剧升高。机遇在于，如果你能快速转型为“AI指挥者”，你的个体生产力有望获得十倍乃至百倍的提升。
吴恩达在最后给了一个极其务实的建议：“与其观望，不如动手。你可以尝试用AI来辅助你各项的工作任务。只有当你真正亲手试过一遍，关于何时用、何时不用、怎么用最有效，你心里自然就有谱了。”
关键是要行动起来。在这个加速变化的时代，等待和犹豫，或许是最昂贵的选择。
关于AI如何重塑工作与教育，你有什么看法或亲身体验？欢迎在云栈社区与大家交流探讨。
发表于 2026-2-11 08:11:38
|
查看: 25|
回复: 0
