关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。