吴恩达：AI不会引发失业末日，但会重塑工作技能结构

DeepLearning.AI 创始人吴恩达（Andrew Ng）近日接受《经济学人》采访，直言："我们现在找不到足够的软件工程师。我已经看到，懂得运用 AI 的营销人员、销售人员和运营人员，同样供不应求。"

他直接否定了 AI 导致大规模失业的预测："AI 不会引发就业末日。所谓 50% 的人失业，甚至走上街头抗议，我看不到任何现实中可能发生的路径。"在吴恩达看来，AI 只能自动化一份工作中的部分任务，剩余工作仍需人类完成，早期数据也没有显示出此前担忧的严重就业冲击。真正的挑战，在于让人们掌握新的职业技能，而不仅仅是学会使用 AI。

最新就业数据也印证了这一判断：2026 年 4 月，美国新增非农就业 11.5 万人，远超市场预期的 5.5 万。失业率稳定在 4.3%，与 2020 年 3 月的 4.4% 几乎持平。

以下是他访谈的详细内容。

人工智能不会夺走工作，但会改变所需技能

我不认为会出现那种"人工智能引发就业末日"、导致半数人口失业的局面。但这绝不意味着 AI 对就业毫无影响。我们需要区分两个概念：将工作中的部分环节自动化，与让从事该工作的人变得多余。

目前的初步证据并未证实那些关于大规模失业的惊人预测。事实上，一些曾助推此类论调的机构也发现，AI 对就业的负面影响远没有人们担心的那么严重。

原因很简单：AI 只能实现大多数工作中部分环节的自动化，其余部分仍需人工完成。当前更紧迫的挑战在于，如何帮助人们掌握必要技能，在工作内容发生变化时依然能够高效地开展工作。

核心要点：

• AI 可实现部分工作环节的自动化，但在其无法胜任的领域，人类依然不可或缺。
• 能够将 AI 技能与更广泛的工程能力相结合的开发者，将能承担更有价值的工作。
• AI 的发展面临物理层面的制约，包括基础设施建设、电力供应以及实验所需的时间。
• 教育体系需要帮助初级从业者做好准备，满足雇主对"AI 原生"（AI-native）技能日益增长的需求。

任务自动化并不等同于岗位消失

软件工程领域就是一个很好的例子。尽管 AI 已经能完成其中相当一部分工作，但据我的观察，想找到足够多胜任的软件工程师依然困难。

在市场营销、销售和运营等领域，同样存在"AI 原生"人才短缺——即那些懂得如何将 AI 融入日常工作的人才。如果软件工程领域所经历的变革具有参考意义，那么最终结果很可能非常积极。

但有一个关键前提：人们需要获得学习新技能的机会，而且这种学习不应仅限于如何操作 AI 工具。随着自动化改变各项任务所需的时间投入，从业者可能还需要承担更广泛的工作职责。

从前端开发者到全栈工程师

以"前端工程师"为例。传统上，他们的工作重点在于网站或应用中与用户直接交互的部分，即界面外观及交互行为。

如今，AI 在前端开发方面的表现日益出色。一种观点认为，前端开发人员正变得多余。但我的观察是，许多前端开发人员正在转型为全栈开发人员。

他们不再仅仅专注于界面，而是将工作领域扩展到了以下方面：

• 构建应用背后的后端系统。
• 开发移动应用。
• 处理与安全相关的工作。
• 在整个开发过程中运用 AI 工具。

这些不仅是工作效率的提升，更是工作范畴的拓展。原本专注于应用某一层的开发人员，现在能够承担更多整体项目的工作。

这种扩展需要持续学习。懂得如何打造精美的用户界面，与懂得如何构建其背后的系统是两码事。开发人员既需要更强的 AI 应用能力，也需要更广泛的工程技术能力。一旦具备了这些综合能力，他们在就业市场上将变得极具价值——目前这类人才供不应求。

如果 AI 持续进化，会怎样？

针对上述观点，存在一种强有力的反驳：虽然当今的 AI 也许只能实现部分工作的自动化，但人们对失业的担忧并非仅限于现有系统。大家真正担心的是，如果这种快速进步持续一两年，甚至一直延续到 2030 年，会发生什么？

如果 AI 不断进步，我们凭什么认为人类总会有足够的工作可做？

我的回答并非"AI 会触及某种硬性极限"。我认为技术进步会持续下去，但在很长一段时间内，这种进步仍将是渐进式的。要让系统能够完成人类所能从事的所有智力任务，还需要实现多项重大突破。

我个人很欢迎这样的系统——或许届时我们大家都能去度假了。但这种系统何时问世，目前尚不明确。我不认为它会在未来六个月内出现，到 2030 年出现的可能性也极低。

"在多种任务中表现出色的 AI"与"能够完成人类所能做的一切的 AI"之间，存在着巨大的鸿沟。只要这条鸿沟依然存在，人类就依然有大量的工作可做。

递归式改进仍受限于物理瓶颈

"复合式进步"和"递归式改进"这类术语暗示，AI 在自我完善方面的能力会不断增强，从而引发能力提升的加速循环。然而就目前而言，这种说法中炒作的成分远多于现实。

利用计算机来辅助构建更先进的计算机，这并非新鲜事。几十年来，每一代半导体芯片都在辅助设计和生产下一代芯片。如今，AI 也开始助力 AI 自身的发展——在一些前沿实验室中，AI 已承担了相当大比例的代码编写工作。

但代码编写并非制约进步的唯一因素。其他瓶颈还包括：

• 计算基础设施：必须新建 GPU 服务器和数据中心。
• 电力：运行这些系统所需的电力基础设施，其建设也需要时间。
• 实验：研究者必须通过实验，才能验证哪些构想真正有效。

即便拥有超智能的 AI，也依然必须遵循物理定律。仅仅因为更聪明，并不能缩短建设数据中心或完成实验所需的时间。正因如此，我对那种"只要智能足够高，就能扫清一切进步障碍"的观点持怀疑态度。有些最严峻的制约因素，并非仅靠"更深入地思考"就能解决。

更棘手的问题：入门级岗位何去何从？

即便我们排除了"就业末日"的可能性，关于就业的种种担忧依然存在。其中，新进入职场的人群所面临的前景，尤其值得关注。

我斯坦福大学的同事埃里克·布林约尔松（Erik Brynjolfsson）及其合作者开展的一项研究指出，在那些更容易受 AI 影响的职业领域，处于职业生涯早期的人群可能会面临就业挑战。

这种担忧并不难理解：如果原本由初学者承担的常规编程工作改由 AI 代劳，那么初学者该如何找到第一份工作并积累经验呢？

我认为这项研究颇具深度，不过据我所知，后续数据呈现出的情况要乐观一些。在软件工程领域，核心挑战并非岗位匮乏，而是教育体系未能及时调整，以适应雇主当前对人才的实际需求。

这是两个截然不同的问题。前者暗示初级从业者已不再被需要；后者则表明，我们未能为他们做好充分的入职准备。

大学应教授雇主真正需要的工作技能

在一些大学，学生甚至可以在从未调用过前沿人工智能模型 API 的情况下，就拿到计算机科学学位。换言之，他们毕业时，可能从未编写过能够向此类大语言模型发送请求并利用其返回结果的软件。

对于不熟悉这一工作流程的人来说，大语言模型 API 文档可以提供具体的参考，展示将应用连接至 AI 模型究竟涉及哪些环节。

学生也完全可能在毕业时，从未接触过任何 AI 编程辅助工具。然而，我不会聘用从未通过 API 调用过前沿 AI 模型的软件工程师，我的团队也不会录用那些不懂得如何使用 AI 编程智能体（AI coding agent）的人。

这种教育差距并非仅仅停留在理论层面，它直接决定了毕业生是否具备当今雇主所寻求的技能。

但这并不意味着缺乏经验的人就没有立足之地。去年夏天，我的团队聘用了许多实习生，其中包括高中生、大学生以及刚毕业的学生。他们完成了大量有价值的工作，我非常高兴能有他们的参与。

我们对实习生的共同要求只有一个：具备"AI 原生"素养。丰富的过往工作经验并非必要条件，关键在于能否与 AI 高效协作。因此，当务之急绝非告诉年轻人"已经没有适合你们的工作"，而是要帮助他们掌握各种工具及更广泛的技能，以适应不断变化的工作需求。

AI 正在重塑工作方式，而我们的教育体系必须跟上这一变革的步伐。