原文链接：Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI - YouTube

Stanford CS230 | Lecture 9: AI职业建议

视频信息

• 时长: 约1小时45分钟
• 主讲人: Andrew Ng（吴恩达）& Laurence Moroney（Google AI Advocate）
• 课程: Stanford CS230 | Autumn 2025

---

一、开场：AI的黄金时代（Andrew Ng）

1.1 AI发展速度惊人

Andrew Ng分享了一个来自METR组织的研究数据：

• AI能完成的任务复杂度正在以每7个月翻一倍的速度增长
• 几年前，GPT-2只能完成人类需要2秒完成的任务
• 现在，AI可以完成人类需要数分钟甚至更长时间的任务
• AI编程能力的翻倍时间更短：约70天

💡 启示：这意味着几年前只有大公司才能构建的系统，现在个人开发者也能实现。

1.2 AI编码工具的变革

• 曾经需要10分钟写的代码，现在AI可以越来越多地代劳
• 保持工具更新至关重要：每3-6个月，你最喜欢的AI编程工具可能就会改变
• 从Claude Code到OpenAI Codex，工具迭代速度惊人
• 落后半代工具版本意味着生产力明显下降

1.3 核心建议：去构建吧！（Build Stuff）

Andrew强烈建议学生：

1. 不要只上课：参加在线课程很重要，但还不够
2. 真正去构建：利用AI编程工具快速将想法变成现实
3. 展示给他人看：把作品集展示出来

🎯 行动指南：想做什么就去尝试。失败了你只会浪费一个周末，但会学到东西。

1.4 产品管理成为新瓶颈

Andrew提出了一个深刻洞察：

• 过去：工程是瓶颈（写代码太慢）
• 现在：由于AI编码，工程变得又快又便宜
• 新瓶颈：决定"构建什么"——即产品管理能力

这带来的趋势：

• 工程师与产品经理比例正在变化：从传统的4:1或8:1 → 2:1甚至1:1
• 全栈型开发者崛起：既会写代码，又能与用户沟通、理解需求的人将成为最快的人

1.5 选择队友比选择公司更重要

Andrew分享了一个案例：

一位斯坦福高材生收到一家"热门AI公司"的offer，但这家公司拒绝告诉他会被分配到哪个团队。结果他加入后被安排去做Java后端支付系统，与AI毫无关系。一年后他沮丧地离开了。

建议：

• 拒绝告诉你团队分配的公司值得三思
• 一个好的团队（有聪明、努力、有知识的人）比一个品牌响亮的公司更重要
• 我们从公司logo学不到东西，从日常相处的同事那里才能学到

1.6 人脉网络的价值

• 社会学研究表明：你最亲密的5个朋友的习惯会影响你
• 斯坦福的独特优势：与前沿AI实验室的丰富联系
• 这些"内幕知识"不会都发表在互联网上
• 建议：在斯坦福期间建立深厚的社交网络，这是世界任何其他大学都无法复制的优势

---

二、就业市场现状（Laurence Moroney）

2.1 市场真相

现实挑战：

• ✅ 科技行业大规模裁员
• ✅ 招聘放缓
• ✅ 初级岗位竞争激烈

但：

• ❌ "感觉"职位很少 ≠ 实际职位很少
• 机会依然存在，但需要战略性方法

2.2 理解市场周期

Laurence解释了近年来的市场周期：

时期	发生了什么
2021-2022	新冠疫情导致大规模招聘冻结
2022-2023	疫情后反弹 + AI爆发 = 大规模超额招聘
2024-2025	泡沫觉醒：企业意识到过度招聘，人才实际不合格
现在	回归理性：更谨慎、更注重实际技能

2.3 三个成功支柱

Laurence认为在AI领域成功需要三个支柱：

支柱1：深度理解（Understanding in Depth）

学术层面：

• 深入理解机器学习原理
• 能读懂论文并理解其内容
• 知道如何将理论付诸实践

行业趋势层面：

• 把握行业趋势的信号 vs 噪音
• 能区分真正有价值的技术和炒作

支柱2：商业聚焦（Business Focus）

关键转变：

• 过去：只要会做AI项目就很好
• 现在："能做什么用于生产？"才是关键

商业聚焦的三个现实：

1. 商业聚焦是不可妥协的

   • 公司现在必须盈利
   • 不能再只追求"酷"的项目
   • 要问：这个项目如何驱动业务价值？

2. 风险管理是工作的一部分

   • 理解将业务流程AI化有哪些风险
   • 如何缓解这些风险
   • 这是面试中最重要的技能之一

3. 责任感的演变

   • 过去：责任感 = 确保AI对每个人都公平（理想主义）
   • 现在：责任感 = 先确保AI能用、能驱动业务，再确保公平

支柱3：交付导向（Bias Towards Delivery）

“想法很便宜，执行才是关键。” —— Jeff Bezos（虽然不是原话）

面试中的表现：

• 有模糊想法但无法落地的人 → 通常不被录用
• 有半成品但能很好落地的人 → 被录用

---

三、负责任地使用AI编程

3.1 技术债务框架

Laurence用技术债务来解释AI编程的本质：

好债务 vs 坏债务：

好债务（房贷）	坏债务（冲动消费）
30年期限	高利息
资产升值	价值不增
租金替代	鞋还是那双鞋

软件开发的技术债务：

• ✅ 好债务：目标清晰、满足需求、业务价值交付
• ❌ 坏债务：没有明确目标、代码没人理解、只是为了"酷"

3.2 避免技术债务的清单

构建AI编程项目时，问自己：

1. 目标清晰吗？我达到目标了吗？

   • AI帮助我更快构建，但前提是我知道要构建什么

2. 有业务价值吗？

   • 不是"这很酷"，而是"这如何帮助业务？"

3. 代码可理解吗？

   • 变量命名有意义吗？
   • 有文档吗？
   • 其他人能接手吗？

3.3 " vibe coding"的正确姿势

不要：

• 直接打开ChatGPT开始生成代码
• 追求华丽演示而忽视实用性
• 写完代码就离职，留下一堆烂摊子

要：

• 明确你的目标
• 让AI帮助你更快实现目标
• 确保代码质量和可维护性

---

四、识别和避免炒作（Hype）

4.1 社交媒体上的噪音

关键认知：

• 社交媒体的货币是参与度，不是准确性
• LinkedIn、X（Twitter）上充斥着AI生成的"引人注目"的帖子
• 信息像滚雪球一样被放大

4.2 成为一个"可信赖的顾问"

如何做到：

1. 能够过滤信号和噪音
2. 能够向他人解释什么是真正重要的
3. 能够把复杂的东西变得平凡（理解底层原理）

方法：

• 看到热门新闻时，先问"为什么？"
• 不要只看标题，深入理解技术细节
• 理解这项技术真正在做什么

4.3 代理（Agent）工作的真实案例

Laurence分享了一个案例：

一家欧洲公司找到他，说"请帮我们实现一个Agent"。

Laurence的第一个问题不是技术问题，而是：为什么？

经过深入沟通，发现他们真正想要的是：让销售人员更高效。

最终方案：

• 销售人员80%时间做调研，20%时间做销售
• 目标：让调研时间从80%降到60%
• 最终AI帮助销售人员节省了10-15%的时间

💡 教训：没有人会因为"我们有Agent"而付钱。他们会为"解决问题"付钱。

4.4 理解Agent工作流的四步骤

1. 理解意图（Intent）：LLM可以帮助理解任务
2. 规划（Planning）：分解任务，确定可用工具
3. 执行（Action）：使用工具获得结果
4. 反思（Reflection）：回顾结果，是否满足意图？没有就循环

---

五、AI行业未来趋势

5.1 大小模型的分叉

Laurence观察到AI正在分叉成两个方向：

大AI（Big AI）	小AI（Small AI）
GPT、Gemini、Claude等	可自行托管的开源模型
追求AGI	追求特定任务优化
大公司主导	隐私敏感场景需要
可能先面临泡沫	正在快速增长

5.2 小模型的崛起

为什么重要：

• 大公司不会把核心IP（如电影剧本、医疗记录）上传到第三方AI
• 需要能自行托管的模型
• **微调（Fine-tuning）**技能将变得越来越重要

案例：

• 好莱坞制片厂想要用AI分析电影剧本成功率
• 但不能把剧本发给OpenAI
• 他们需要自行托管的小模型来执行这些分析

5.3 泡沫终会到来

历史上的教训：

• 互联网泡沫（2000年）：pets.com倒闭，但Amazon、Google存活
• 关键区别：理解业务基础的公司才能存活

AI泡沫的迹象：

• VC投资正在收紧
• 不切实际的估值
• "我也是"产品泛滥

如何避免在泡沫中溺水：

• 关注基本面
• 构建真正的解决方案
• 多元化你的技能

---

六、面试建议

6.1 态度比技术更重要

Laurence分享了一个故事：

一个技术出色的年轻人在面试中表现得"强硬"，被指出代码问题时会"坚守立场"。结果他面试了Meta、微软、亚马逊等公司都失败了。

问题根源：

• 他误解了"坚定立场"的含义
• 在面试官看来，他显得敌对和难以合作

解决方案：

• 自信 ≠ 傲慢
• 可以不同意，但要专业和友好
• 团队合作能力是首要考量

6.2 展示你的工作

Laurence第三次申请Google时改变了策略：

• 提前做了一个Java应用在Google Cloud上跑
• 用这个应用预测股票价格
• 面试变成了讨论他的代码，而不是回答随机问题

🎯 策略：为你想要的职位构建作品，而不是为你现有的技能构建作品。

6.3 理解风险

面试时展示你理解AI项目的风险：

• 数据隐私风险
• 模型偏见风险
• 技术失败风险
• 业务连续性风险

---

七、技能多元化建议

7.1 不要成为"一招鲜"

• 过去：会某个特定框架就够了
• 现在：框架迭代太快，专精一个风险很大

7.2 跨领域技能组合

核心技能	补充技能
AI/ML	产品思维
编程	商业理解
模型训练	用户体验
技术深度	沟通能力

7.3 理解端到端

• 不仅是训练模型
• 还有数据收集、清洗、部署、监控
• 了解Scaling（扩展）意味着什么
• 理解用户体验设计

---

八、核心要点总结

Andrew Ng的核心观点

1. ✅ 这是AI的黄金时代：构建更强大软件的速度前所未有
2. ✅ 去构建：不要只学习，要动手做
3. ✅ 产品管理是新瓶颈：学会决定"构建什么"
4. ✅ 选择队友比选择公司重要：好的团队塑造好的职业
5. ✅ 人脉网络是无价资产：特别是斯坦福的联系

Laurence Moroney的核心观点

1. ✅ 商业聚焦不可妥协：公司需要盈利
2. ✅ 风险管理是核心技能：理解AI转型的风险
3. ✅ 交付导向：想法便宜，执行关键
4. ✅ 过滤噪音：社交媒体追求参与度，不追求准确性
5. ✅ 理解业务问题：没人会为"Agent"付钱，会为解决问题付钱
6. ✅ 技能多元化：不要只有一招鲜
7. ✅ 小模型崛起：微调技能将更值钱
8. ✅ 为想要的职位构建作品：主动展示而非被动回答

---

九、实用行动清单

立即可做

• 更新你的GitHub/作品集，展示你的AI项目
• 学习使用最新的AI编程工具（保持更新）
• 练习向非技术人员解释AI概念
• 建立LinkedIn等职业网络连接

短期目标

• 完成1-2个端到端的AI项目（从数据到部署）
• 理解你感兴趣领域的商业模式
• 练习模拟面试（特别是团队协作场景）
• 阅读你目标公司最近的技术博客/论文

长期发展

• 建立跨领域技能组合
• 培养产品思维（不只是技术能力）
• 建立有价值的职业人脉
• 学会识别炒作和真正的机会

---

最后一句话

“世界充满了炒作。但对于那些能够过滤信号、专注于基础、持续构建的人来说，机会是巨大的。” —— Laurence Moroney