本文根据Andrew Ng访谈内容，指出AI将改变工作组成而非直接取代工作。强调学会使用AI、判断问题和落地想法的重要性。讨论AI在软件工程、营销、财务、招聘等领域的应用，提出构建工具成本下降使业务人员也能借助AI实现自动化。强调AI时代人的优势在于上下文理解、判断力和专业知识，并提醒避免过度依赖AI导致认知外包。最后给出AI时代个人发展建议：学好专业，主动补齐AI能力，培养发现问题并推动解决的能力。

当人们还在争论“AI会不会抢走一半工作”时，人工智能教育家 Andrew Ng 给出了一个更务实的判断：真正值得关注的，不只是模型参数有多大、榜单排名有多高，而是越来越多的人可以用 AI 把想法变成工具，把重复流程变成自动化系统。

这并不意味着工作会原封不动地保留下来，也不意味着 AI 已经无所不能。更准确的说法是：AI 正在改变工作的组成方式。会使用 AI、会判断问题、会把想法落地的人，可能会逐渐拉开与只等待指令、只重复旧流程的人的差距。

先别被“AI末日叙事”带偏

访谈一开始，Andrew Ng 讨论了一个现实问题：关于 AI 的公共讨论，往往在“万能神话”和“世界末日”之间来回摆动。

他认为，部分 AI 公司为了维护大型模型带来的商业优势，可能会放大 AI 风险、推动有利于现有巨头的监管环境。对于这一判断，读者应将其视为受访者的个人观点，而不是已经被独立证明的事实。

但他提出的更普遍提醒值得重视：讨论 AI 时，不能只挑选极端案例，也不能把“可能发生的风险”直接写成“必然发生的灾难”。

例如，AI 确实会带来隐私、深度伪造、就业结构变化和安全问题；与此同时，它也能降低软件开发、数据分析、内容制作和业务自动化的门槛。真正有价值的讨论，应当同时回答两个问题：

1. AI 能带来哪些真实收益？

2. 哪些风险需要通过产品设计、行业规范和法律规则来约束？

如果只制造恐惧，可能让一部分学生、职场新人和企业因为“反正未来都会被替代”而放弃学习；如果只宣传 AI 无所不能，又会让人低估验证、监督和专业判断的重要性。

AI更可能先改变工作，而不是直接消灭工作

Andrew Ng 在访谈中引用了一种任务拆解的思路：一份工作通常不是一个整体，而是由许多不同任务组成。AI 可能先接管其中一部分，而不是立刻完成一个职业的全部工作。

他提到，AI 也许能够完成许多工作中 30%—40% 的任务。这个数字属于访谈中的概括性表达，并非适用于所有行业的统一测量结果。关键在于：剩下的 60%—70% 可能因此变得更有价值，因为它们往往包含客户沟通、目标判断、复杂协作、责任承担和现场决策。

换句话说，未来更可能出现的不是“AI 取代所有人”，而是：

使用 AI 的人，逐渐替代不会使用 AI 的人；能够重新设计工作流程的人，逐渐超过只重复旧流程的人。

软件工程是访谈中被重点讨论的例子。AI 已经很擅长生成代码，因此程序员中一些机械性的编码任务会减少。但这并不等于软件工程师没有价值。需求理解、系统设计、代码审查、故障排查、产品取舍和与用户沟通，仍然需要更强的综合能力。

Andrew Ng 的建议不是继续重复 2022 年以前的编程方式，而是把 AI 擅长的部分交给 AI，自己转向更高层次、更宽范围的工作。

这也解释了一个趋势：一些前端或后端开发者借助 AI，开始承担更完整的全栈工作；营销、招聘、财务和运营人员，也可能从单一执行岗位转向更完整的业务角色。

最大的机会：从“使用 AI”走向“用 AI 构建”

访谈中最值得普通读者关注的一句话是：构建软件和工具的成本正在快速下降。

过去，市场人员、招聘人员、财务人员或运营人员有一个想法，通常需要先找到工程师，再排期、写需求、开发、测试。现在，很多小型工具、数据看板、自动化脚本和内部应用，可以由业务人员先借助 AI 做出原型。

这并不是说每个人都要立刻成为专业程序员，而是说“会描述问题、会拆解流程、会用 AI 试做工具”正在变成一种新的通用能力。

1. 营销人员可以做什么

============

访谈中提到，Andrew Ng 团队的营销人员会用 AI 和代码搭建工具：输入一个选题后，系统自动检索相关资料，整理相近文章，并把值得关注的内容集中展示出来，帮助团队判断是否值得继续写作。

对普通内容团队来说，不一定要一开始就做复杂系统。可以先从这些小任务入手：

自动整理选题、素材和来源链接；

根据既定标准给内容初稿评分；

分析不同平台的阅读、点击和转化数据；

把一次性提示词改造成可反复使用的内容工作流。

2. 财务团队可以做什么

============

访谈还举到一个财务自动化案例：团队原本需要反复打开文件、复制数据、检查数字和寻找异常，后来开始用脚本自动读取文档、核对内容，并在出现新文件或异常情况时提醒相关人员。

这类应用的重点不在“让 AI 自己做财务决策”，而在于把机械的查找、搬运和初步检查自动化，让专业人员把时间投入到解释数据、判断风险和做出决策上。

3. 人力资源和招聘团队可以做什么

=================

Andrew Ng 提到，他们的招聘团队中甚至有专门嵌入业务团队的工程人员，帮助招聘人员搭建更复杂的工具。

这说明一个重要方向：未来的工程工作不一定只存在于传统技术部门，也可能出现更多“营销工程师”“招聘工程师”“人力资源工程师”等交叉岗位。

这些岗位的共同点是：既理解业务流程，又能用 AI 和软件把流程改造出来。

AI时代，人的优势仍然是“上下文”和判断力

AI 能快速提出许多答案，但答案多并不等于答案好。

Andrew Ng 形容，AI 往往能给出一两个不错的想法、几个普通想法，甚至还有一些非常糟糕的想法。问题在于，模型并不知道某个方案为什么在你的客户、团队或行业里明显不可行。

人类长期积累的经验，构成了 AI 暂时难以完整获得的“上下文优势”。

上下文可以理解为：你知道客户之前说过什么，见过对方听到某个方案时的表情，了解公司内部的限制，也清楚某个决定会影响哪些人。这些信息不一定存在于公开网页或数据库中，但它们往往决定了一个方案到底能不能落地。

因此，所谓“人的判断力”和“人的品味”并不是神秘能力。很多时候，它们来自更丰富的经历、行业知识、现场观察和对后果的理解。

AI 可以帮我们扩大搜索范围、生成备选方案、快速制作原型；人仍然需要判断哪些方案值得保留，哪些方案从一开始就不应该推进。

这也是为什么专业知识不会因为 AI 出现就完全失去价值。相反，越能看懂业务、理解用户、判断风险的人，越能把 AI 变成真正有用的工具。

一个重要提醒：AI适合做事，不一定适合直接替你学习

访谈中 Andrew Ng 对 AI 学习提出了一个相当尖锐的提醒：按照目前大多数人的使用方式，AI 可能非常适合“帮你把事情做完”，却不一定适合“帮你真正学会”。

例如，学生使用 AI 后，作业分数可能提高；但如果 AI 直接替他完成思考过程，长期记忆和独立解决问题的能力可能变弱。Andrew Ng 把这种现象称为认知外包：把原本需要自己完成的思考交给工具。

这并不意味着学习时不能用 AI，而是要区分两种用法：

代做型使用：直接让 AI 写完答案、代码或作业，自己只负责复制提交；

教练型使用：让 AI 提问、提示、指出错误、设计练习，并要求自己先尝试。

如果目标是完成工作，代做型使用可能很高效；如果目标是掌握能力，就要避免把所有思考都外包出去。

更好的学习提示词可以这样写：

不要直接给出完整答案。 先判断我目前掌握到哪一步，再通过提问引导我自己思考。 如果我的思路有错误，请指出错误所在，但先不要替我完成全部推导。 最后再给出一份简短总结和练习题，检查我是否真正理解。

未来的 AI 教育，也可能从“一套课程教很多人”逐渐转向更个性化的一对一学习体验。Andrew Ng 在访谈中提到，他正在参与探索更个性化的学习产品，但相关内容属于其团队的项目方向，具体产品能力和时间安排仍应以官方后续信息为准。

大学生和职场人的学习重点是什么

Andrew Ng 并没有给出一个“AI时代唯一正确的专业”。他的建议更像是一组通用原则：学好专业本身，同时主动补上学校课程暂时没有覆盖的 AI 能力。

这是因为大学课程更新通常需要经历教师学习、课程设计、委员会审批等流程，而 AI 工具变化的速度要快得多。学校可能仍在教学生准备几年前的工作，但企业已经开始寻找能够适应新流程的人。

对在校生和职场新人来说，可以从三个方向积累能力：

1. 学会使用 AI，而不是只会聊天

==================

理解提示词、上下文、结构化输出、文件处理、工具调用和结果验证。重点不是记住某个模型的按钮位置，而是知道如何把一个模糊问题拆成可执行步骤。

2. 保留一项真正的专业能力

==============

AI 技能不能替代行业理解。营销、设计、财务、法律、教育、工程等领域的专业知识，仍然决定了你是否能提出正确问题、检查错误答案，并判断结果能不能用于现实世界。

3. 培养主动性

========

访谈中提到，越来越多职位描述开始重视“主动发现问题并推动解决”的能力。

过去，很多人等待上级分配任务；在 AI 降低构建成本之后，一个人可以先发现流程中的低效环节，做一个小工具验证，再拿着结果与团队讨论。主动性不等于盲目越权，而是能在边界清晰、风险可控的情况下，先把问题弄清楚、把原型做出来。

创业机会增加了，但创业本身没有变简单

Andrew Ng 给想做产品的人一个非常实用的建议：学习 AI、快速构建、与客户交流。

AI 让做出一个原型变得更容易，但真正做成一个有价值的产品，仍然需要技术深度、客户洞察、持续迭代和长期执行。

这可以用一个简单公式理解：

AI 降低了“做出东西”的成本，却提高了“决定做什么”的重要性。

当任何人都能在周末做出一个小应用时，代码本身就不再是唯一壁垒。真正稀缺的可能变成：

你是否理解一个具体用户群体的真实痛点；

你是否知道哪些需求值得长期投入；

你是否能通过交流和观察发现用户没有明确说出来的问题；

你是否能把原型变成稳定、安全、可持续使用的产品。

因此，适合个人的路径可以是先广泛尝试小想法，再选择一两个领域深入，而不是同时经营一堆缺少真实需求验证的项目。

效率、隐私和安全：别把“能做”误认为“该做”

AI 工具越强，权限管理就越重要。

访谈中讨论了把金融账户等敏感信息交给 AI 分析的风险。Andrew Ng 的态度并不是简单地说“所有云端 AI 都不安全”，而是强调要关注服务商的隐私政策、数据保留规则、企业文化和实际使用场景。

使用 AI 处理资料时，可以遵循几个基本原则：

不把身份证件、银行卡、未公开财务数据、商业机密直接上传到不了解的数据服务；

使用企业版或 API 前，先确认数据是否会被保存、用于训练或供人工查看；

对需要外部工具访问的文件和账户，采用最小权限原则；

对高敏感内容，考虑在本地运行开源模型，或先做脱敏处理；

AI 输出涉及资金、法律、医疗或重大业务决策时，必须由专业人员复核。

Andrew Ng 还提到，银行等机构可能会把模型部署在私有云或本地环境中，让敏感数据不离开自身控制范围。对普通用户而言，本地模型并不一定适合所有任务，但可以作为处理高度敏感信息时的一种备选方案。

另外，模型和服务更新很快，不必把自己绑定在某一个工具上。重要的是持续了解数据政策、能力边界和成本变化。

关于“AI会失控”和AGI，应该如何看

谈到 AI 失控，Andrew Ng 用飞机作了类比：飞机也不可能被人类百分之百控制，天气、机械和操作都会带来不确定性；航空业通过测试、事故复盘、工程标准和监管，把风险降低到大多数人可以接受的程度。

他认为，AI 也需要在逐步扩大能力的同时，持续测试、发现问题并增加安全约束。这种观点并不意味着 AI 风险不存在，而是强调不要把“无法绝对控制”直接等同于“必然失控”。

至于 AGI，也就是“通用人工智能”，访谈中的关键分歧在于定义不同。

如果把 AGI 定义为能够完成任何人类智力任务的系统，那么它不仅要会回答问题，还应能在陌生环境中快速学习，完成长期复杂任务，并拥有接近人类的适应能力。Andrew Ng 认为，按照这个标准，AGI 仍然距离我们很远，可能还需要几十年；但如果降低标准，不同人就可能在不同时间宣布“已经实现 AGI”。

因此，看到“我们已经实现 AGI”或“AGI 很快就会到来”这类标题时，第一反应应该是追问：这里采用的到底是什么定义？展示的是哪一类任务？有没有可复现的评测？

AI时代最重要的能力，是把想法变成结果

这场访谈并没有给出一个神奇的职业清单，也没有承诺 AI 会让所有人轻松成功。它更像是在提醒我们重新理解机会：

AI 让构建工具更便宜、试错速度更快，也让许多岗位可以承担更大的业务范围；但它没有消除判断、专业知识、客户理解和长期执行的价值。

对普通人来说，最现实的行动路径可能不是等待一个“不会被 AI 影响的职业”，而是：

1. 选择一个真实的工作或生活问题；

2. 学会用 AI 拆解它、分析它、做出一个小原型；

3. 用真实反馈验证结果，而不是停留在聊天窗口里；

4. 保留人工复核，尤其是涉及隐私、资金和重大决策时；

5. 同时补强 AI 技能与自己的专业能力。

AI 的机会，往往不在于谁最会谈论未来，而在于谁能更早发现问题、更快做出验证，并把一次性的尝试变成可靠的工作流程。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】