吴恩达在Silicon Valley Girl播客访谈中系统回应AI就业恐慌。他认为AI不是取代岗位而是自动化其中30%-40%的任务，剩余人类工作因互补效应更有价值。大学课程迭代缓慢，年轻人需通过在线平台补充AI技能。AI虽擅长完成任务却不利于学习，认知卸载现象削弱知识留存。AI正在拓宽岗位边界，催生营销工程师等混合角色，招聘中最看重的已是主动性与构建能力。数据隐私方面建议敏感信息使用本地模型。黄仁勋称已实现AGI，但按"完成任何人类智力任务"定义，吴恩达判断仍需数十年。核心建议是学习AI、快速构建、与客户交流，在执行变便宜的时代，判断力和主动性才是人的新价值。

https://www.youtube.com/watch?v=o-wv_szZ0V0

0:00 大家好，这里是最佳拍档，我是大飞
0:03 如果只看过去一年关于AI的标题
0:05 你很容易得出一个悲观结论
0:08 模型越来越强
0:09 年轻人的第一份工作越来越难找
0:11 程序员首当其冲
0:13 大学课程还没教完就已经过时
0:15 于是有一个问题开始反复出现
0:17 当机器能够接手越来越多知识工作
0:20 人还剩下什么？
0:22 吴恩达（Andrew Ng）在最近与 Silicon Valley Girl 主持人玛丽娜·莫吉尔科（Marina Mogilko）的长谈里
0:26 给出的答案
0:27 并不是AI不会影响就业
0:29 相反
0:29 他承认AI正在快速改变岗位内部的任务结构
0:33 软件工程尤其明显
0:34 但他反对把这种变化
0:36 直接推演成就业末日
0:38 吴恩达一路从就业谈到大学
0:40 从学习谈到招聘，再谈到创业和AGI
0:44 背后其实贯穿着同一个判断
0:46 AI正在降低执行的价格
0:48 却同时抬高了判断、主动性、跨领域能力
0:52 以及对真实问题的理解
0:54 访谈一开始
0:54 主持人先提到今年夏天出现的一个越来越明显的AI悲观情绪
0:59 数据中心、就业、失控风险
1:01 几乎每一个话题都能迅速滑向恐惧
1:04 吴恩达对此并不认同
1:06 他的观点很鲜明
1:07 过去两三年AI领域存在大量误导性信息
1:11 一些领先AI公司不断强化风险叙事
1:14 并且试图借助监管
1:15 建立一个更有利于既有巨头的竞争环境
1:18 他的逻辑是这样的
1:20 如果你花了数十亿美元训练模型
1:22 另一支团队却训练出模型
1:24 并免费提供给全世界使用
1:26 这对你会非常不利
1:28 所以少数头部AI公司一直高声渲染恐惧
1:31 希望推动监管
1:32 制造一个偏袒既有公司的竞争环境
1:35 有人说AI像核武器
1:36 还有人声称AI数据中心的用水量远高于实际水平
1:40 这种不断重复的恐惧信息
1:42 正在拖慢美国采用AI的步伐
1:45 让美国的竞争力下降
1:46 这个判断带有吴恩达明确的个人立场
1:49 但是它解释了为什么他对AI就业末日的言论尤其警惕
1:53 当主持人问到失业和不平等时
1:55 吴恩达没有否认自动化
1:57 而是换了一个分析单位
1:58 他说，不要问AI能不能取代一个职业
2:01 而要把职业拆成任务
2:03 也许AI可以完成很多工作中30%到40%的任务
2:07 那意味着
2:08 人类完成的那60%会变得更加有价值
2:11 这是他整场访谈最重要的逻辑之一
2:14 因为当30%到40%的任务被自动化
2:17 成本下降
2:18 它们与剩余的人类工作形成了经济上的互补关系
2:22 岗位内部的价值分配也会随之改变
2:25 过去大量时间消耗在执行环节
2:27 现在执行更便宜了
2:29 真正稀缺的部分会被放大
2:31 斯坦福的经济学家埃里克·布林约尔松（Erik Brynjolfsson）
2:33 和MIT的安迪·麦卡菲（Andy McAfee）等人做过类似的研究
2:37 把岗位拆成单项任务来分析
2:39 吴恩达说了一句很关键的话
2:41 使用AI的人可能会取代不使用AI的人
2:44 但是对绝大多数岗位来说
2:46 AI还无法取代人
2:47 软件工程是他拿来说明这一点的第一个例子
2:50 他承认AI写代码已经非常强
2:52 也是目前受AI影响最明显的职业之一
2:55 但他观察到的
2:56 并不是优秀软件工程师突然无事可做
2:59 而是他们比过去更忙
3:01 软件工程职位的空缺数量反而在上升
3:04 真正陷入危险的
3:05 是仍然按照ChatGPT出现之前的方式工作的程序员
3:09 吴恩达说得很直接
3:10 不要再做那30%到40%可以被AI自动化的事情
3:14 让AI去做，然后提升自己的技能
3:16 去做AI做不了的另外60%到70%
3:20 这句话比学会使用AI更加具体
3:22 它要求每个人重新拆解自己的工作
3:25 哪些部分已经迅速商品化
3:27 哪些部分仍然需要专业知识、业务理解、沟通、取舍和责任承担
3:33 在当前能力边界下
3:34 人的工作重心必须跟着机器能力一起移动
3:37 主持人随后把问题推向最焦虑的一群人
3:40 刚毕业的年轻人
3:41 她提到此前与埃里克·布林约尔松的对话
3:44 AI对总体就业的冲击也许还没有想象中那么大
3:48 但是年轻劳动者已经显得更加脆弱
3:50 原因很直观，新人最先承担的
3:52 往往正是那些标准化、可重复、容易被AI接手的基础任务
3:57 吴恩达没有把答案归结为年轻人经验不足
3:59 而是把矛头指向教育体系的更新速度
4:02 他仍然强调自己支持大学和学术体系
4:05 但是大学课程的迭代机制天然缓慢
4:08 一个新技能出现，教师要先掌握
4:10 再设计课程
4:11 再经过课程委员会和院系程序
4:14 等它真正进入课堂
4:16 AI工具可能已经迭代了好几轮
4:18 他说
4:19 很多大学仍然在让学生为2022年的工作做准备
4:23 我们甚至应该让他们为2028年及以后的工作做准备
4:27 这不是一句大学没用的判断
4:29 恰恰相反
4:30 吴恩达建议学生继续认真上课、拿好成绩、向老师学习
4:35 区别只在于
4:36 不能再假设学校提供的课程
4:38 就是你进入就业市场所需要的全部能力
4:41 他建议通过Coursera、DeepLearning.AI、Udemy等平台
4:44 掌握大学课程还没纳入的前沿技能
4:47 尤其是AI技能
4:49 他拿自己办公室里的实习生举例
4:51 团队里既有在校大学生、刚毕业的年轻人
4:53 也曾经有高中生实习生
4:55 他们可以非常高效
4:57 关键是已经很AI原生
4:59 让AI承担AI能做的部分
5:00 同时主动投入到AI还做不了的部分
5:03 这改变了年轻人的竞争逻辑
5:05 过去，初级岗位的价值往往来自于
5:07 我愿意做繁琐的基础工作，而现在
5:10 这些工作恰恰最容易被机器压价
5:13 年轻人需要更早进入理解问题、调用工具、跨越职能边界的环节
5:17 并且对结果负责
5:18 紧接着这个话题
5:19 吴恩达做了一个很重要的延伸
5:21 他说，技能版图里最大的变化之一
5:24 是用AI进行构建，比过去容易得多
5:26 当一件事变得容易了
5:28 更多人就应该去做
5:29 不仅专业软件工程师应该借助AI构建软件
5:32 每个人用AI构建东西都会变得更容易
5:35 愿意拥抱它的人会更有生产力、完成更多事情
5:39 所以他明确提到
5:40 营销人员、招聘人员、HR和运营人员
5:43 如果学会用AI构建工具
5:45 无论原本承担什么岗位
5:47 都能完成更多工作
5:49 主持人顺着这个话题问了一个很实际的问题
5:52 部署AI后
5:53 怎么衡量生产力的提升呢？
5:55 公司有统一的KPI吗？
5:57 吴恩达的回答也很务实
5:58 他说AI带来的业务结果更多取决于业务本身
6:01 而不是AI
6:03 对有些企业
6:04 指标可能是客户增长和留存
6:06 对另一些企业
6:07 可能是服务客户的速度提高
6:09 或者某项任务的准确率提升
6:11 KPI通常与业务相关
6:13 而不是与AI本身相关
6:16 主持人随后分享了她自己团队的做法
6:18 她为每个社交媒体平台建立了单独的AI项目
6:21 系统能够掌握历期嘉宾的全部分析数据
6:24 按照若干标准给每位候选嘉宾评分
6:27 包括是否被广泛引用、是否对AI持有明确观点等等
6:31 不同条件有不同权重，最终满分40分
6:34 40分代表第一档，30分代表第三档
6:37 还有一个项目会分析每一期播客
6:39 建议她应该怎样提问
6:41 系统了解她的表达语气、个人档案和商业战略
6:44 每个平台仍由一位员工负责
6:46 由人作出战略决定
6:48 团队还有一个机器人扫描所有的聊天记录来收集反馈
6:52 她正在努力闭合反馈循环
6:54 让AI持续从反馈中学习
6:56 越来越了解她的品味
6:58 吴恩达对此做了一个很精妙的补充
7:00 他说
7:00 AI作为数据科学家或者头脑风暴伙伴时
7:04 通常会提出一两个好点子、两三个平庸点子
7:07 以及四个糟糕透顶的点子
7:10 你有时会想
7:11 AI怎么可能认为那是一个合理方案呢？
7:13 但这恰恰跟就业末日问题是直接相关的
7:17 在很长时间内
7:18 每一个人都会比AI拥有巨大的情境优势
7:21 许多事情对你而言显而易见
7:23 你一眼就知道某个点子很糟
7:25 但是AI并不知道
7:26 因为多年经验让你积累了大量知识
7:29 与客户交谈时看到一个细微表情
7:31 就知道对方不喜欢
7:33 经理说过自己特别在意某件事
7:35 你也会记住
7:36 人类知道大量的信息
7:38 但是把这些信息完整输送给AI的基础设施并不存在
7:42 而且在可预见的未来，也不会存在
7:44 人们常说，人类判断力或品味很重要
7:48 对吴恩达而言
7:49 人类判断和品味优于AI的底层技术原因
7:52 就是这种情境优势
7:53 它是一项长期优势
7:55 几年内不会被解决
7:57 聊完情境优势
7:58 主持人把话题引向一个看似顺理成章的方向
8:01 这是否意味着教育反而更加重要呢？
8:03 因为教育和多年的知识积累才是情境优势的来源
8:07 她提到另一种常见说法
8:08 有了AI就不再需要教育
8:10 所有信息都唾手可得
8:12 直接问ChatGPT就行
8:14 吴恩达的回答出乎很多人意料
8:16 一个长期做AI教育、创办了Coursera和DeepLearning
8:19 AI的人，却公开说
8:21 以今天最常见的使用方式来看
8:23 大语言模型并不是好的学习工具
8:26 他的理由不是AI会给错答案
8:28 而是AI太擅长替人把任务完成了
8:31 越来越多的研究显示，学生使用AI后
8:34 作业表现会提高
8:35 但是长期保持和后续表现反而更差
8:38 因为在完成任务的同时
8:40 一部分本该由学习者自己承担的认知过程被外包了
8:44 他把这种现象称为认知卸载（cognitive offloading）
8:46 对工作来说
8:47 认知卸载往往正是生产力提升的来源
8:50 但是对学习来说，问题恰好相反
8:53 你真正需要的不是把答案交出去
8:55 而是让自己的大脑经历那段困难的推理
8:58 他说维基百科和网络搜索都是很好的工具
9:00 提供了大量的事实
9:02 但是当你让AI代替自己工作时
9:04 你是在把认知任务外包出去
9:06 吴恩达也承认自己会掉进同样的陷阱
9:09 他做项目时遇到前后端组件问题
9:11 会直接让AI给出答案
9:13 项目很快推进
9:14 但六个月后再次碰到类似问题
9:16 他发现自己没有记住
9:17 只能重新问一次
9:19 他说
9:20 至少以今天绝大多数人使用AI模型的方式来看
9:23 它对学习非常糟糕
9:25 他随即补上了边界
9:26 这并不是说AI不存在好的教育用法
9:29 而是直接替学习者完成任务
9:31 并不是一种好的学习机制
9:33 这也是他现在领导新教育机构LearnVector的背景
9:36 这个项目获得了Coursera 1亿美元投入
9:39 吴恩达希望下一代在线教育从过去一对多的统一课程
9:42 转向更个性化的一对一体验
9:44 十五年前他参与在线课程运动
9:47 改变了很多人学习方式
9:48 但是那种体验仍主要是一对多
9:51 所有人观看同样的视频
9:53 如今技术已经能创造更加个性化的一对一体验
9:56 真正困难的地方
9:57 不是让AI回答更多问题
9:59 而是设计一种机制
10:01 让AI知道什么时候应该给答案
10:03 什么时候应该逼学习者自己想
10:06 团队预计明年年初会展示更多的成果
10:09 从教育回到职场
10:10 吴恩达提出了另一个容易被忽略的变化
10:12 AI不仅让人做得更快
10:14 也在重新划分岗位边界
10:16 软件工程已经给出了一个预演
10:18 前端和后端
10:19 过去可以是相对独立的专业分工
10:22 而AI辅助编程降低了跨栈工作的门槛
10:25 越来越多人可以覆盖更完整的软件开发流程
10:28 吴恩达认为这种变化会扩散到营销、招聘、HR和运营
10:33 一个过去只负责营销流程协调的人
10:35 未来可能覆盖更完整的营销周期
10:38 过去只负责寻找候选人的寻访人员
10:40 也可能承担端到端招聘
10:43 承担这些更宽广的岗位
10:44 需要学AI技能，但又不能只学AI
10:47 还要掌握营销、招聘或其他专业技能
10:51 这会产生强烈的再学习需求
10:53 不过掌握之后，人就能完成更多事情
10:56 承担更有趣的项目
10:57 也可能获得更高收入
10:59 吴恩达还提到一封让他印象很深的来信
11:01 一个即将上大学的学生正在学习在线课程
11:04 却很难决定大学专业
11:06 因为担心四年后AI会完成所有的工作
11:09 自己所学的一切都会过时
11:11 吴恩达说，答案当然是否定的
11:13 不会所有知识都过时
11:14 但他担心的是，如果持续传播恐惧
11:17 就会让人怀疑自己未来是否仍然有价值
11:20 也让人不愿主动学习那些能够改善自身处境的技能
11:24 他说
11:24 在这个愿意投入的人将蓬勃发展的时代
11:28 让人们放弃
11:28 是我们能做的最糟糕的事情之一
11:31 主持人也问到
11:32 在AI时代最值得学习的专业是什么
11:35 吴恩达说他不知道哪个专业最好
11:37 优秀的专业有很多
11:38 就像问世界上最好的工作是什么
11:41 他的女儿想成为宇航员
11:43 他甚至不知道大学是否有成为宇航员这个专业
11:46 但他说，一定要学习AI
11:48 也一定要学习用AI构建东西
11:50 吴恩达团队最近在做一份AI工程技能地图
11:53 让他有些意外的是
11:54 数据里越来越频繁出现的招聘要求
11:57 并不是某个模型、某种编程语言
12:00 而是agency
12:01 这个英文很难用一个中文词完全覆盖
12:04 它既包括主动性
12:06 也包括自驱力和把事情真正推进下去的能力
12:09 他说，我们正在加速离开那个
12:12 人们坐在那里等老板告诉自己该做什么的时代
12:15 为什么AI反而会提高对主动性的要求呢？
12:18 因为过去一个普通员工即使发现问题
12:21 也可能缺预算、缺工程资源、缺跨部门支持
12:24 只能等待组织安排
12:26 现在，AI把第一次尝试的成本压低了
12:29 主持人说
12:29 她越来越希望员工像自己领域里的创业者
12:32 可以调用工具，可以找外部资源
12:35 可以判断一个选题值不值得继续
12:37 吴恩达认同这种方向
12:38 并且谈到大公司里常见的待在泳道里的文化
12:42 指的是管理者要求员工只做自己职责范围内的事
12:45 坦率讲
12:46 这往往是因为经理自己的职业发展过于依赖那件事
12:50 在他看来
12:51 AI让人第一次更容易越过这条边界
12:54 你看到一个问题
12:54 可以先负责任地探索、做出东西
12:57 再证明它有没有价值
12:58 他说
12:59 未来那些鼓励人们学习AI、快速构建、负责任地行动并与客户交流的公司
13:04 会比更等级化、更孤立的组织创造更多价值
13:09 这就引出一个很实际的问题
13:10 怎样才算真正熟练使用AI？
13:13 吴恩达给出的招聘标准
13:15 比会不会写提示词高得多
13:17 他说，他所有的营销人员都会写代码
13:20 面试营销岗位时
13:21 团队会直接问候选人做过什么
13:23 如果一个人从来没有构建过任何软件
13:26 这会成为非常明显的能力差异
13:28 他举了几个具体的例子
13:30 他的财务团队里
13:31 首席财务官发现团队每周要花好几个小时在文档之间点击、打开文件、把数字复制粘贴到其他地方
13:38 于是她开始构建定期运行的自动化脚本
13:41 自动打开文件、检查内容和一致性
13:44 如果出现异常或新增文档
13:46 系统就会主动提醒团队
13:48 团队不再等待工程师替他们完成
13:50 而是能够自行构建仪表盘和数据管理基础设施
13:54 还有一位营销同事
13:55 为文章选题开发了一套工具
13:57 它会抓取网络、寻找相关研究
13:59 并在电脑上运行一个定制桌面应用
14:01 突出显示相关文章
14:03 他还可以与整个系统对话
14:05 在自己正在撰写的内容和相关资料之间导航
14:08 招聘团队则拥有招聘工程师
14:10 也就是真正坐在招聘团队里的专业工程师
14:13 专门开发复杂的招聘工具
14:15 吴恩达由此推演
14:16 未来还会出现更多营销工程师、HR工程师等混合型角色
14:21 这也是他为什么不担心工程工作会做完
14:24 AI让写代码更便宜
14:26 并不意味着世界对软件的需求已经满足；
14:28 相反
14:29 过去因为太小、太碎而不值得开发的软件需求
14:32 现在第一次有可能被大量满足
14:35 技术能力因此开始从独立部门向业务一线渗透
14:38 真正发生的不所有人都变成工程师
14:41 而是越来越多岗位开始拥有一点过去只有工程师才具备的杠杆
14:47 访谈还触及了一个很多人关心的话题
14:49 数据隐私
14:50 主持人提到自己授权Perplexity扫描投资账户
14:53 让AI跟踪投资组合并提醒再平衡
14:56 吴恩达的回答很谨慎
14:58 说这很大程度取决于你把数据交给哪家公司
15:01 他相信大型云服务商会完全遵守服务条款
15:04 违背承诺不符合它们的文化
15:06 也会严重破坏长期商业模式
15:08 但至少有一家AI公司似乎会不时修改服务条款
15:12 突然弹出提示说可以保留你的数据或用它训练模型
15:16 没仔细阅读就点错按钮
15:17 就等于授权对方以你不舒服的方式访问数据
15:21 他提到自己的团队AI Aspire与大型企业合作
15:24 其中包括拥有高度敏感金融数据的银行
15:27 他们绝不会把重大非公开信息交给前沿模型实验室
15:31 必须先认真设计护栏和隐私保护
15:33 许多银行会把模型部署在虚拟私有云或本地环境
15:37 数据从不离开自己的控制范围
15:39 对个人而言，遇到高度敏感信息时
15:42 他有时也会运行本地模型
15:44 他提到Meta最近的模型不错
15:46 最新版本的千问也很好
15:47 但模型几乎每隔一周就会变化
15:50 最佳实践是持续尝试新模型
15:53 主持人还问到AI失控风险
15:55 她提到曾采访过约书亚·本吉奥（Yoshua Bengio）
15:57 后者反对在没有监管的情况下自由开放AI
16:01 描绘了一些可怕场景
16:02 基本逻辑是
16:03 我们无法控制比自己更聪明的东西
16:06 吴恩达用了飞机的类比
16:07 他说没有人能造出一架可以被完美控制的飞机
16:11 风会使它颠簸
16:12 早期开发飞机时
16:13 确实有飞机坠毁并造成人员死亡的案例
16:16 那非常悲惨
16:17 但我们从早期教训中不断学习
16:20 越来越好地控制飞机
16:22 今天大多数人登上飞机时
16:24 不必过度担心生命安全
16:26 AI也是如此
16:27 运行过程中已出现过少量事故
16:29 其中一些也造成了真实损害
16:32 但无论飞机、电路还是AI
16:34 工程方法都是谨慎提高系统能力
16:37 在受控环境中测量哪里出了问题
16:39 再不断调整
16:40 我们永远无法完美控制AI
16:42 但已能把它控制到足够好的程度
16:45 他还谈到了深度伪造和儿童
16:48 他说未经本人同意制作的私密深度伪造影像
16:51 是他见过最令人厌恶的事情之一
16:53 美国国会正在采取行动立法禁止并施以严厉处罚
16:57 关于孩子
16:58 主持人说她五岁的女儿每当答不上来就会说问ChatGPT
17:02 吴恩达自己也有一个五岁和一个七岁的孩子
17:05 他说孩子们拥有光明的未来
17:07 在这个时代长大令人兴奋
17:09 但AI损害学习的问题令他担忧
17:12 教孩子数学时
17:13 他可以不让他们用计算器
17:14 而是要求亲自计算乘法
17:16 但等孩子再大一些
17:18 他很担心认知外包损害长期学习和知识留存
17:22 他自己还因为不喜欢现有的打字学习工具
17:25 给孩子构建了一个应用
17:26 帮助女儿学打字
17:28 七岁的孩子已经可以输入所有小写字母
17:30 只是大写字母还不太熟练
17:33 他说成人在监督下使用数字工具对孩子很有价值
17:36 但设计正确的激励机制非常重要
17:39 到访谈最后几分钟
17:40 主持人才问出那个核心问题
17:42 2026年
17:43 一个普通人如果想围绕AI做产品
17:45 最大的机会在哪里？
17:47 吴恩达没有报出热门赛道
17:49 也没说Agent、机器人或者医疗
17:51 他的答案反而非常朴素
17:53 他说，因为构建成本已经大幅下降
17:56 我鼓励大家学习AI、快速构建
17:58 并和客户交流
18:00 他说自己现在几乎每周、每个周末都在做东西
18:03 前一个周末
18:04 他需要分析大量脱敏后的关键业务指标
18:06 没有时间自己处理
18:08 也没有时间先找数据科学家排期
18:10 于是在确认数据保留政策符合要求后
18:13 直接调用前沿模型做分析
18:15 这类例子真正重要的不是吴恩达也在用AI写代码
18:18 而是它揭示了软件经济学正在发生的变化
18:21 当构建成本大幅下降
18:24 过去最昂贵的环节不再是把第一版做出来
18:27 挑战正在转移到决定要构建什么
18:29 吴恩达把它称为产品管理瓶颈
18:32 创始人、工程师和产品经理如果能够与客户交谈
18:35 形成判断该构建什么的品味
18:37 再借助AI快速构建和迭代
18:40 就会拥有大量令人兴奋的机会
18:42 但吴恩达紧接着给这股人人都能创业的乐观降了温
18:46 周末做一个简单应用已经很容易
18:48 建立一家真正有意义的公司仍然非常难
18:51 真正的公司往往需要两类东西中的至少一种
18:54 足够深的技术能力
18:55 或者足够深的客户洞察与客户集成
18:58 复杂软件仍然可能需要数月甚至数年
19:01 理解客户同样需要长期交流、观察反馈、反复验证
19:06 他还提到
19:06 虽然可以同时尝试多个想法
19:09 但单线程领导
19:10 也就是一个人全身心专注一件事
19:12 仍然很有价值
19:14 所以AI没有让深度失去价值
19:16 它只是把浅层执行变便宜之后
19:18 让深度变得更醒目
19:21 访谈最后，主持人问到AGI
19:23 她提到黄仁勋（Jensen Huang）曾说我们已经实现了AGI
19:25 而吴恩达认为还需要数十年
19:28 吴恩达也首先强调
19:29 不同人宣布AGI已经到来
19:31 或者AGI还很远
19:33 很多时候只是因为定义不同
19:35 他最熟悉的定义是
19:36 AI能够完成任何人类能够完成的智力任务
19:39 他给了两个尺度完全不同的例子
19:41 一个人可以用五年时间学习并完成博士论文
19:45 另一方面
19:45 一个人也可以经过几十分钟练习
19:48 就学会在陌生而复杂的环境里驾驶卡车穿过茂密雨林
19:52 AI什么时候既能完成前一种长期原创研究
19:56 又能像人一样快速适应后一种全新环境？
19:59 在他看来
20:00 类似尚未解决的能力还有很长一张清单
20:03 所以他判断时间尺度仍可能是几十年
20:06 希望只需要数十年，也可能更久
20:08 但他同时提醒
20:09 AGI的门槛可以被人为调整
20:12 标准降得足够低
20:13 人们甚至可以声称几十年前就已经实现某种AGI
20:17 而企业的经济激励也可能影响它们何时愿意宣布某个里程碑
20:21 比如OpenAI和微软过去曾有一项协议
20:24 虽然目前似乎已经重新谈判
20:26 但OpenAI曾经存在较早宣布达到AGI的经济动机
20:30 吴恩达在这场访谈里反复说一个词
20:33 build
20:34 去学，去做
20:35 去和真实的客户交流
20:36 发现问题之后先动手试一试
20:38 这个词背后的意味
20:40 不是在要求每一个普通人都变成AI专家
20:43 也不是告诉我们必须拼命追上每一次技术更新
20:46 恰恰相反，它是在提醒我们
20:48 不要因为未来变化得太快
20:49 就提前放弃对自己生活的主动权
20:52 你可以不会训练模型
20:54 可以看不懂最新的论文
20:55 甚至不需要知道AGI究竟会在五年、二十年还是五十年后到来
21:00 但你可以从今天开始
21:02 少做一点机器已经很擅长的事情
21:04 多花一点时间去理解自己的行业、身边的人和真正的问题；
21:08 可以试着用AI解决一个以前解决不了的小麻烦
21:11 也可以认真学会一件你不愿意永远交给AI替你完成的事情
21:15 AI越强，那些机器做不了的东西
21:17 反而越容易被看见
21:19 感谢收看，我们下期再见