原文链接Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI - YouTubeStanford 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 MoroneyGoogle AI Advocate课程:Stanford CS230 | Autumn 2025一、开场AI的黄金时代Andrew Ng1.1 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 StuffAndrew强烈建议学生不要只上课参加在线课程很重要但还不够真正去构建利用AI编程工具快速将想法变成现实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 Moroney2.1 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有业务价值吗不是这很酷而是这如何帮助业务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Hype4.1 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、XTwitter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能够过滤信号和噪音能够向他人解释什么是真正重要的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工作流的四步骤理解意图IntentLLM可以帮助理解任务规划Planning分解任务确定可用工具执行Action使用工具获得结果反思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AIBig AI小AISmall AIGPT、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✅这是AI的黄金时代构建更强大软件的速度前所未有✅去构建不要只学习要动手做✅产品管理是新瓶颈学会决定构建什么✅选择队友比选择公司重要好的团队塑造好的职业✅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✅商业聚焦不可妥协公司需要盈利✅风险管理是核心技能理解AI转型的风险✅交付导向想法便宜执行关键✅过滤噪音社交媒体追求参与度不追求准确性✅理解业务问题没人会为Agent付钱会为解决问题付钱✅技能多元化不要只有一招鲜✅小模型崛起微调技能将更值钱✅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