吴恩达近期接受《华盛顿邮报》深度访谈，就AI核心争议表态。他回顾2010年越大越聪明信念如何催生Transformer与现代AI革命，指出企业买AI许可证不等于获得竞争优势，落地核心在找真实场景。针对开源闭源之争，他明确反对以危险论打压开源，强调企业必须保持模型切换灵活性，直言美国反开源游说已阻碍自身发展。关于Kimi 3蒸馏论，他从时间窗口指出大规模蒸馏不可能完成，认为是被夸大的FUD策略。他判断算力终将被消化、AI不会造成大规模失业，软件工程反而缺工程师；指出应用层价值被严重低估，类比互联网时代思科与应用的关系；企业护城河来自将既有资产与AI深度结合的领导决心，以摩根士丹利为例。他认为数据中心抵触本质源于对AI的不适，集中计算反而更环保，呼吁教育面向2028年重新定义各行业技能。

https://www.youtube.com/watch?v=2OUGXI9Y1sk

0:00 大家好，这里是最佳拍档，我是大飞
0:02 关于AI行业的各种话题
0:04 比如说开源闭源之争
0:06 模型蒸馏论
0:07 算力泡沫论
0:08 AI失业潮
0:09 一直争论不断
0:10 这些讨论呢
0:11 往往情绪大于事实
0:13 立场多过证据
0:14 可能很多人不知道
0:15 吴恩达是这个行业里极少数既当过萨姆·奥特曼（Sam Altman）老板
0:19 也当过达里奥·阿莫代伊（Dario Amodei）老板的人
0:21 他同时在斯坦福、谷歌、百度、投资基金、教育平台等多个维度
0:25 深度参与了AI产业的发展
0:28 所以今天我们来听听他的判断是怎样的
0:30 时间回到2010年
0:32 那时候深度学习还远没有今天的热度
0:34 吴恩达找到了谷歌创始人拉里·佩奇（Larry Page）
0:37 提出了一个在当时备受争议的想法
0:39 如果我们能构建一个极其庞大的神经网络
0:42 给它喂海量的数据
0:43 它们就能学到不可思议的东西
0:46 这个想法听起来其实挺简单的
0:48 就是越大越聪明
0:49 但是在那个时候，大多数人并不买账
0:52 后来吴恩达组建了谷歌大脑团队
0:54 首要方向就是构建超大规模的AI系统
0:57 正是谷歌大脑这种追求规模化的文化
1:00 最终催生了Transformer的发明
1:02 这项技术后来被OpenAI和整个业界广泛采用
1:05 直接引爆了我们现在正在经历的这场现代AI革命
1:08 说起来也有意思
1:10 推动这一切的核心理念
1:11 其实早在吴恩达斯坦福时期的早期研究中
1:14 就已经萌芽了
1:15 造的AI越大
1:16 它就越聪明，这个朴素的信念
1:18 直到今天还在推着整个行业往前走
1:20 即便在14年前
1:22 吴恩达对AI的未来就非常乐观
1:24 现在他依然充满期待
1:26 但是他也坦诚，有时候会非常兴奋
1:28 有时候又会纳闷
1:30 为什么我们没有走得更远
1:32 一个很现实的观察是
1:33 尽管AI技术本身已经非常惊人
1:36 但是很多企业依然觉得这项技术还没能真正帮到他们
1:39 为什么？
1:40 因为没有哪家公司能够仅仅通过购买ChatGPT或者微软Copilot的许可证
1:45 就获得竞争优势
1:46 这是一个很多人不愿意承认的真相
1:49 真正的问题不在于你买没买最新的模型
1:52 而在于你能不能找到合适的应用场景
1:54 这涉及到人员的变革管理
1:56 需要让合适的人理解这项技术
1:58 把它和实际业务场景结合起来
2:01 当然也离不开基础设施的支持
2:03 不是买个工具就完事了
2:04 这是一套系统工程
2:06 说到AI真正落地干活
2:08 吴恩达最近和朋友罗汉·普拉萨德（Rohan Prasad）一直在开发一款开源的桌面AI Agent
2:13 叫做OpenWorker
2:14 这款产品的思路很直接
2:16 你不只是和它聊天
2:17 它实际上还能替你完成工作
2:19 现在很多人用ChatGPT、Claude、Gemini这类工具
2:22 主要还是提问然后拿答案
2:24 再自己复制粘贴去整理
2:26 但是AI完全可以走得更远
2:28 它可以直接生成一份排版精美的完整文档
2:30 而不是给你一堆文本让你自己去调格式
2:33 它可以直接帮你发电子邮件
2:35 在Slack这类工作通讯软件里帮你发消息
2:38 甚至帮你搭建一个数据看板
2:40 OpenWorker是完全开源免费的
2:42 任何人都可以在自己的电脑上跑这些功能
2:44 吴恩达也特别提到
2:46 他其实非常看好Claude的Computer Use功能、ChatGPT的相关能力以及Gemini
2:50 这些产品都非常优秀
2:52 OpenWorker做的事情
2:53 是给大家提供一个任何人都可以免费使用的开源版本
2:57 聊完具体产品
2:58 话题进入这两年最大的一个争议
3:00 开源模型和闭源模型之争
3:02 吴恩达在这个问题上的立场非常鲜明
3:04 但也很微妙
3:06 他首先做了一个澄清
3:07 他可能是唯一一个既当过Sam的老板也当过Dario的老板的人
3:11 所以他实际上非常支持OpenAI和Anthropic
3:14 由衷希望他们发展得很好
3:16 顺利完成出色的IPO
3:17 他真的希望这些伟大的美国企业能够成功
3:20 但是，这些企业的成功
3:22 不能以切断其他人对开源模型的访问为代价
3:25 这个表态其实很有意思，他没有站队
3:27 而是划出了一条清晰的边界
3:29 OpenAI、Anthropic、谷歌在训练闭源专有模型方面确实做得非常出色
3:34 他们以相当高的价格出售API访问权限
3:37 这是他们的商业模式
3:39 而开源模型
3:39 是人们在互联网上公开发布、任何人都可以免费使用的模型
3:44 这些模型性能极其卓越
3:45 非常智能，而且通常成本要低得多
3:48 真正让吴恩达感到震惊的是
3:50 少数企业投入了大量资源进行游说
3:53 声称开源模型是危险的
3:55 他用了荒谬这个词来评价这种说法
3:58 还有一种说词是
3:59 开源模型在某种程度上不如闭源模型
4:01 他说自己完全无法理解这种逻辑
4:04 开源模型给企业带来的最核心价值是什么？
4:06 是选择
4:07 它意味着你不会被锁定在某一个闭源专有模型提供商那里
4:11 吴恩达给企业领导者的一个建议非常实在
4:14 我建议所有在做AI落地决策的人都认真听一听
4:17 他说，我无法预测一年甚至六个月后
4:20 哪个模型会成为最顶尖的模型
4:22 因此在构建业务时
4:24 最重要的事情之一就是保持选择的灵活性
4:26 不要被单一供应商绑定
4:29 他自己就同时使用OpenAI、Claude、Gemini
4:31 也使用很多不同的模型
4:33 但不会让自己受制于其中任何一家
4:35 因为一年后
4:36 我们肯定希望用最好的那个
4:38 不管它是一个成本更低的开源模型
4:40 还是一个闭源专有模型
4:42 因此，保持这种灵活性至关重要
4:45 更何况
4:45 全球的供应链都在使用开源模型
4:48 确保能够继续使用开源模型
4:49 对商业运转本身就很重要
4:52 那其他国家在开源模型上的推进呢？
4:54 有观点试图把开源模型和其他国家的模型画等号
4:57 再拿国家安全来说事
4:59 吴恩达认为这个等式根本不成立
5:02 几年前ChatGPT刚发布的时候
5:04 美国在生成式AI技术上
5:05 确实占据了决定性的领先优势
5:08 但是从那以后
5:08 其他地区的应对非常出色
5:11 其中做得最对的一件事
5:12 就是积极拥抱开源模型
5:14 事实证明
5:15 当你把模型免费开放给所有人用的时候
5:17 它固然帮助了全世界
5:19 但是对你自身的帮助
5:20 甚至远远超过对全世界的帮助
5:23 开放性、沟通的自由
5:24 以及知识的快速传播
5:26 让这些地区正在飞速发展
5:28 正在逼近与领先模型同等的水平
5:31 反观美国
5:32 大量研究工作都投入到了闭源专有模型中
5:35 如果你在开发中遇到问题
5:36 很难知道该去请教谁来解决这个建模难题
5:39 顶多是一家公司以天价挖走另一家的工程师
5:43 然后才有一些知识的传播
5:45 吴恩达直言
5:45 这种反对开源模型的游说活动
5:47 已经阻碍了美国AI领域的发展
5:50 当然美国也有非常出色的开源模型
5:52 比如英伟达的Nemotron模型就很强大
5:55 AI初创公司Mistral的表现也非常亮眼
5:57 他很乐意看到更多这样的成果涌现
6:00 他的核心立场是
6:01 专有模型和开源模型都有成功的空间
6:04 最重要的是维持一个公平的竞争环境
6:07 让人们有选择使用最佳模型的权利
6:10 不过，有一件事让他觉得很遗憾
6:12 那就是全世界都将广泛使用开源模型
6:15 全球很大一部分地区都会依赖开源模型
6:17 但是美国在开源模型上投资不足
6:20 意味着像非洲国家这样对价格敏感的地区
6:23 在寻求技术采用时只能转向其他选项
6:26 在美国可能感觉不明显
6:28 但是在这些地区
6:29 其他地区的开源模型已经占据了巨大的市场份额
6:33 这非常遗憾
6:34 因为他希望美国的开源模型能够在全球更具竞争力
6:37 商业账其实算起来很简单
6:39 如果一个开源模型能让你以五分之一或者三分之一的成本
6:43 获得相应的智能算力
6:44 你却不使用，那就是巨大的竞争劣势
6:47 对于每一个想构建AI应用的开发者来说
6:50 如果你的算力成本比别人高出三倍
6:52 这在商业层面就是非常致命的劣势
6:55 说到中国开源模型的进步
6:56 有一个说法最近传得很广
6:58 认为中国开源模型取得的成绩
7:00 很大程度上要归功于知识蒸馏
7:02 而不是自身研发
7:03 吴恩达对这个说法的反驳非常直接
7:06 首先他指出，美国有伟大的技术创新
7:08 中国同样有卓越的技术创新
7:10 事实上，很多美国前沿实验室
7:12 都在积极阅读其他地区实验室发表的大量开源研究成果
7:16 因为必须这么做
7:17 不这么做就太不明智了
7:19 所以美国的实验室也绝对在从这些研究中受益匪浅
7:23 他认为
7:24 把知识蒸馏视为中国模型进步的主要因素
7:26 这个观点被极度夸大了
7:28 这里存在一个关于公平性的核心问题
7:31 世界各地的AI实验室都从公开的互联网上获取数据
7:35 把互联网上的知识蒸馏到他们的AI模型中
7:38 如果他们回过头来说
7:39 我已经把互联网知识蒸馏到我的模型里了
7:42 从现在起任何人都不能再从我的模型里蒸馏
7:45 这公平吗？
7:46 吴恩达认为
7:47 社会究竟该如何界定这里的公平与否
7:49 本身就是一个悬而未决的问题
7:52 具体到最近发布的Kimi 3
7:54 有人声称它主要是通过蒸馏训练出来的
7:57 考虑到它的基础模型在很短的时间内开源可用
8:00 吴恩达说他发现这种说法很难令人信服
8:02 因为他们根本不可能在这么短的时间内
8:05 获取那么庞大的数据
8:06 Kimi 3怎么可能在这么短的时间内就训练完成呢？
8:10 时间窗口显然对不上
8:11 这是一个非常硬的逻辑漏洞
8:13 他在政策讨论中感觉到的是
8:15 有些人为了攻击开源模型
8:17 可谓无所不用其极
8:19 还有一个很有意思的观察
8:20 当你获得一个开源模型时
8:22 无论它是哪个实验室发布的
8:24 只要你在美国的基础设施上运行它
8:26 它基本上就变成了一个由美国基础设施控制的模型
8:30 就好像如果你在美国把代码发布到网上
8:33 然后被其他国家使用了
8:34 从那一刻起就是那个国家在控制它了
8:37 所以那些想要延缓美国采用开源模型的恐惧、不确定和怀疑情绪
8:41 实在太多了
8:43 那开源模型怎么赚钱呢？
8:45 闭源厂商按Token收费
8:47 有利润空间支撑庞大的算力建设
8:49 开源模型的资金从哪来呢？
8:51 吴恩达提到
8:52 比尔·格利（Bill Gurley）最近在《华盛顿邮报》发表了一篇文章
8:55 专门探讨开源作为一种成熟商业模式的可行性
8:58 红帽公司就是一个经典案例
9:00 通过开源Linux操作系统建立了一项伟大的业务
9:03 还有很多其他企业也是建立在开源基础之上的
9:06 如何把这种模式具体应用到开源模型上
9:08 细节还在摸索之中
9:10 但是，在股票市场上
9:11 已经有一些上市公司凭借开源战略不仅吸引了聪明的投资者
9:15 而且发展得相当不错
9:17 诚然，训练开源模型的资本支出
9:19 确实远高于编写传统软件
9:21 但是他相信适合的商业模式终究会被摸索出来
9:25 只要开源模型能带来根本性的成本优势
9:27 这就值得高度关注
9:29 聊完模型本身，我们把视角拉远一点
9:32 AI不仅仅是发生在线上的数字故事
9:35 它也是一个发生在物理世界的故事
9:37 围绕AI的大规模基础设施建设
9:39 正在推动经济增长
9:41 数据中心、电网、半导体、冷却设备
9:43 这些实体设施是AI运行的基础
9:46 吴恩达说
9:47 全球正在投资建设更多、规模更大的数据中心
9:50 这是好事
9:51 但这个故事里有一个容易被忽视的部分
9:53 大量资金被投入到数据中心建设、GPU采购
9:56 以及基础设施层的资本支出中
9:59 毫无疑问
9:59 我们迫切需要更多的推理算力
10:01 就是模型训练完成后
10:02 用来输出智能结果的算力
10:04 这方面的算力似乎永远都不够用
10:07 然而
10:07 真正更有价值且被严重低估的部分
10:10 是建立在这些基础设施之上的所有应用程序的价值
10:14 吴恩达举了一个很形象的例子
10:16 当年互联网兴起的时候
10:17 思科表现极为出色，赚得盆满钵满
10:20 但是
10:20 建立在互联网之上的那些应用程序
10:22 创造的价值要庞大得多
10:24 事情必然会这样发展
10:26 因为你必须依靠那些构建应用程序的人
10:28 去创造足够的收入
10:29 才能支付给基础设施提供商
10:32 所以在他的AI Fund
10:33 他和合伙人Kiristy Tan花了大量时间帮助大型企业思考
10:37 到底哪些应用程序能真正改变商业模式
10:40 而不是仅仅跟聊天机器人聊聊天、复制粘贴文本或者修改邮件语法
10:45 他们要找的是能带来颠覆性自动化的场景
10:48 这不只是为了节省成本
10:49 更令人兴奋的是它们能够驱动业务的实质性增长
10:53 人们至今还没有充分意识到
10:54 这些应用场景将比目前高度关注的基础设施建设故事
10:58 更具商业价值
11:00 说到企业应用
11:00 就不得不提一个所有投资者和创业者都关心的问题
11:04 如果你投资的公司或者你做的产品
11:06 很可能被前沿模型厂商的下一次产品更新
11:09 直接实现相同功能，那该怎么办呢？
11:12 企业的护城河到底在哪里呢？
11:14 吴恩达的回答非常务实
11:15 无论是小型初创企业还是大型传统公司
11:18 大家都在思考什么是能够让企业具备防御性、维持长期生存的护城河
11:23 对于大型企业来说
11:24 他们许多现有的资产
11:26 都是经过几十年甚至更长时间积累起来的
11:29 这其实非常难以被取代
11:31 但是他们真正需要做的
11:32 是建立正确的自上而下的领导机制
11:35 去思考
11:35 基于我们已经积累的所有宝贵资产
11:37 包括客户关系、技术积累、海量数据、供应链体系
11:41 我们应该在哪个环节引入AI来提升效率
11:43 或者更激动人心的是
11:45 以此来推动业务的大幅增长
11:47 他举了一个非常新的例子
11:49 就在访谈当周的早些时候
11:51 他拜访了摩根士丹利
11:52 和首席执行官泰德·皮克（Ted Pick）以及丹·西姆科维茨（Dan Simkowitz）、安迪·萨珀斯坦（Andy Saperstein）交流
11:57 他发现这正是一家伟大的金融机构
12:00 从最高管理层定下基调全面拥抱AI的绝佳案例
12:04 摩根士丹利提出
12:05 要在全球范围内为每一位员工提供AI培训
12:08 还推行了一系列叫挑战实验室的实践活动
12:11 把业务负责人和技术负责人聚集在一起
12:13 共同探索AI应用场景
12:15 吴恩达发现
12:16 业务与技术领导者之间的这种合作
12:19 往往能挖掘出真正有价值的应用场景
12:21 这些场景绝不是仅仅带来微小的效率提升
12:24 当你深入思考企业是如何创造价值的时候
12:27 你不会满足于让某项任务的执行成本降低百分之几
12:31 相反你可能会想
12:32 怎么把这项服务规模扩大一百倍来推动增长
12:35 或者把服务速度提升十倍
12:37 从而更迅速地响应客户
12:39 提供更高价值的产品
12:41 这些探索非常激动人心
12:42 它们产生的价值
12:43 将远远超过人们日常谈论的那种基础业务提效和成本节约
12:48 聊到基础设施投资
12:49 就绕不开一个问题
12:50 现在这么多钱砸进去
12:52 会不会有泡沫呢？
12:53 吴恩达首先声明
12:54 他不给任何人投资建议
12:56 但有一点他深信不疑
12:57 那就是我们需要多得多的推理算力
13:00 拿软件工程来说
13:01 这是AI提速最快、赋能最深的领域
13:03 因为AI正在编写海量的代码
13:06 这里有两个很有意思的观察
13:08 首先，AI的渗透率依然很低
13:10 很多软件工程师还没有完全接纳AI工具
13:12 但那些已经用上AI的人
13:14 不仅工作速度和生产力大幅提升
13:16 而且在工作中也获得了更多乐趣
13:19 当下
13:19 我们就已经处于推理算力供不应求的状态了
13:22 所以随着AI在软件领域的渗透不断加深
13:25 对AI算力的需求只会越来越大
13:27 这并不意味着
13:28 投资硬件设施就一定稳赚不赔
13:30 但是他相信，无论建出多少算力
13:33 最终都会被完全消化掉
13:35 关于AI还有一个最耸人听闻的论调
13:37 就是所谓的失业狂潮
13:39 有人宣称50%的人将丢掉饭碗
13:42 吴恩达的判断非常明确
13:43 这根本不会发生
13:44 相反
13:45 软件工程领域已经非常生动地展示了截然不同的景象
13:49 尽管AI正在将大量工作自动化
13:51 但现实是
13:52 我们依然极度缺乏熟练的AI工程师
13:55 AI正在为软件工程师赋能
13:57 不仅让工程师的价值不降反升
13:59 也让软件工程类的招聘需求持续增长
14:02 整个行业依然非常健康且在不断扩张
14:05 AI会首先渗透到软件领域
14:07 然后逐步深入营销、招聘等其他行业
14:10 整体来看，虽然会有少数例外
14:11 但对于绝大多数工作类别而言
14:14 AI不可能包揽一切
14:15 我们依然需要人类来引导和辅助AI
14:18 真正的挑战在于人们需要掌握新的技能
14:21 我们不能指望继续用两年前写代码的方式来保住现在的饭碗
14:25 可即便是大家改变了技能结构、学习了新技能
14:28 我们依然找不到足够的软件和AI工程师
14:31 随着AI步入更多领域
14:33 软件行业的现状预示了其他行业将要面临的一个趋势
14:36 那就是你确实需要提升和更新技能
14:39 但与此同时，人类也能胜任更多工作
14:42 并且有望获得更丰厚的报酬
14:44 所以我们面临的挑战
14:45 不是如何应对失业狂潮
14:47 而是如何帮助每个人掌握未来必不可少的新技能
14:51 那推理算力怎么来呢？
14:53 最直接的方法之一就是建更多的数据中心
14:56 吴恩达说得很实在
14:57 如果建了更多数据中心
14:58 他相信这些设施全都会派上用场
15:01 至于具体是盈利还是亏损
15:02 他现在很难断言，但他确信
15:05 市场对推理数据中心的需求是极其庞大的
15:08 那未来会不会有更有创意的方法
15:10 或者突破性的新技术来
15:12 进一步大幅降低成本呢？
15:14 从他观察到的研究动向来看
15:16 他对此充满信心
15:17 认为也许正是因为AI的出现
15:19 计算机和数据中心的价值比以往任何时候都要高
15:22 大规模建设它们是完全合乎逻辑的
15:25 虽然我们还需要进一步精确测算具体需求量
15:28 但显而易见的是
15:29 我们需要更多的数据中心
15:31 除了数据中心本身
15:32 另一项基础设施建设重点是数据架构
15:35 他提到自己刚和埃森哲的合作伙伴聊到这个
15:38 事实证明AI是由数据驱动的
15:40 他看到许多大型企业正在重新思考如何组织数据
15:43 来确保数据不仅仅是为人类准备的
15:46 更是为AI Agent准备好的
15:48 未来的数据仍然会被人类使用
15:50 但也会被Agent频繁调用
15:52 而企业解锁海量商业价值的关键途径之一
15:54 就是让你的数据架构适合Agent使用
15:57 Agent使用数据的方式和人类截然不同
16:00 它们访问频率极高
16:01 访问模式有时也更加无序
16:03 所以需要建立自动化接口
16:05 打个比方
16:06 如果你的Agent想要访问数据
16:08 它总不能每隔60秒就停下来让你输入一次密码
16:10 这些都是底层基础设施上的细节问题
16:13 但这些细节
16:14 恰恰是在企业中解锁海量价值的另一块基石
16:17 对于数据中心建设的反对声浪
16:19 有些地方甚至出台了为期一年的数据中心暂停建设令
16:23 吴恩达的评价非常直接
16:25 如果想要拖慢AI的发展步伐
16:26 恐怕再也找不到比这种暂停建设令更好的借口了
16:30 他并不是要无视民众的担忧，确实
16:33 数据中心建在某些地方可能有些碍眼
16:35 也许该想办法把它们设计得更美观一些
16:38 但是
16:38 除此之外的很多问题都被过度炒作了
16:41 一个反直觉的事实是
16:42 我们能为环境保护做的最好贡献之一
16:45 就是将计算资源集中在数据中心里
16:48 吴恩达说自己办公室里就有一台服务器机架
16:50 但无论是从能源消耗、水资源消耗
16:53 还是其他任何角度来看
16:54 他这台机架的效率都远远低于那些经过专门设计、极度高效的数据中心
16:59 所以把所有本地部署的设备
17:01 统统转移到数据中心集中管理
17:03 是对环境最好的保护
17:05 不可否认，由于算力高度集中
17:07 数据中心确实会消耗大量能源和水
17:09 但这总比算力设备分散各处要环保得多
17:12 真正的问题在于
17:13 我们正在消耗如此庞大的算力
17:16 这势必会产生一定的环境影响
17:18 但既然我们必须使用这么多算力
17:20 将它们集中在数据中心显然是更优解
17:23 吴恩达甚至提出了一个很值得玩味的观察
17:25 他怀疑人们对数据中心的抵触
17:27 很大程度上源于对AI的不适与抵触
17:30 而不仅仅是对数据中心本身的排斥
17:33 这让他感到担忧
17:34 因为AI将会让许多人的生活变得更美好
17:37 从他个人的角度来说
17:38 AI帮他处理掉了一些枯燥的琐事
17:40 让他的生活变得更有趣了
17:42 他将AI视为一股非常积极的力量
17:45 然而不知为何
17:46 现在涌现了太多奇怪的反AI游说活动
17:49 如果任由这种情况发展下去
17:51 将真正损害发展的利益
17:53 最后两人聊到了和我们每个人都相关的一个话题
17:55 教育和技能
17:57 吴恩达创办了DeepLearning.AI
17:59 目的就是帮助人们培养机器学习和AI领域的职业技能
18:02 他观察到一个很多国家都面临的共同挑战
18:06 传统教育体系适应新技术的发展过于缓慢
18:09 现实情况是
18:10 我们不能再用2022年的标准来培养软件工程师了
18:13 甚至都不能用2026年的标准
18:15 我们应该着眼于2028年乃至更遥远未来的岗位需求
18:19 来培养他们
18:20 但怎么让教育体系跟上步伐呢？
18:22 软件和AI工程未来的发展方向
18:24 在他脑海中越来越清晰
18:26 他认为自己能够看清人们需要具备哪些新技能
18:29 实际上他也在努力弄清楚
18:31 其他所有岗位未来的技能需求
18:34 我们不可能让每个人都去当软件工程师
18:36 虽然那很有趣
18:37 但并不现实
18:38 不过对于记者、营销人员、招聘人员、人力资源专家以及运营专员来说
18:43 他们的工作形态必将发生改变
18:46 他不认为这些岗位会消失
18:47 我们绝对依然需要大量的人来从事这些工作
18:50 但问题在于
18:51 要想成为新一代的营销人员、新一代的招聘人员或者新一代的记者
18:55 他们需要掌握哪些新技能呢？
18:58 吴恩达对此有自己的见解
18:59 但是他也认为需要将这些见解系统化
19:02 为人们提供一条清晰的学习路径
19:04 这正是Coursera、DeepLearning.AI
19:06 以及他和合作伙伴们正在努力实现的目标
19:09 听完吴恩达这一整轮访谈
19:11 我自己最大的感受是
19:12 在这个行业情绪起伏越来越剧烈的时刻
19:15 这种同时跨越学术、产业、投资、教育多个维度的声音
19:19 反而显得异常清醒
19:21 开源和闭源不是非此即彼的站队游戏
19:24 真正重要的是保持选择的灵活性
19:26 算力泡沫和失业恐慌更多是情绪放大
19:29 真实的商业逻辑和就业市场给出的信号恰恰相反
19:33 企业的护城河不在模型本身
19:34 而在你能不能用几十年积累的资产和AI真正结合
19:38 数据中心的争议背后
19:40 藏着的是人们对新技术本身的不适
19:42 吴恩达的这些判断不一定每一条都完全正确
19:45 但至少提供了一个脱离情绪战的思考框架
19:48 不知道大家怎么看吴恩达的这些观点呢？
19:50 欢迎在评论区分享讨论
19:52 感谢收看，我们下期再见