吴恩达来信：AI正在奖励一种新型通才

原文：

Dear friends,As AI increasingly automates coding, it frees up developers to spend time on high-level software development tasks traditionally reserved for senior engineers, like deciding on technical architecture and participating in scoping product requirements. Demand for this type of work is growing, since it is an economic complement to coding, which is becoming cheaper. This is why I’m confident there will be rising demand for broad AI engineering skills. I see a similar pattern starting to emerge in other AI-influenced fields as well, and am cautiously optimistic — contrary to predictions of a “jobpocalypse” — that AI will generally increase demand for people with the right skills.

Take marketing. AI is helpful for drafting and editing marketing copy, gathering market data, and performing very basic data analysis. (In my experience, analyses by even frontier models are frequently wrong. So do use AI to help with your data-science tasks, but don’t blindly trust its confidently stated conclusions!) This frees up marketers to spend more time on higher-level tasks. I’m seeing that rather than specializing in narrow marketing roles like social media marketer or copy editor, AI-native marketers are rising up to help coordinate broader marketing campaigns end-to-end, from conception to multi-threaded execution to analyzing lessons learned.

Just as AI is turning many specialized developers (like frontend, backend, mobile, etc.) into full-stack developers, I am seeing early signs that it is turning many more marketers into full-stack marketers.

Or take recruiting. Some companies have separate roles for sourcer (who finds candidates online), coordinator (who handles scheduling) and recruiter (who runs the hiring process). But sourcing is increasingly automated, and coordination also partially automated. As a consequence, I’m seeing more AI-native recruiters run the full-cycle themselves, doing all of the above.

As AI enters more fields, I expect more people to start to play “full-stack” or “full-cycle” roles within their disciplines, meaning they will play broader roles that integrate traditionally separate roles. This lets individuals do more, and I believe it will ultimately lead to increased demand for skills as well as higher pay.The broader pattern is this: In many job roles, as you rise in seniority, you become better at managing integration complexity — weaving together many disparate work streams like frontend, backend and data engineering to form a greater whole. As AI automates certain parts of one’s work — usually the more verifiable parts — it creates more room for individuals to play broader roles.This pattern is not applicable to all job roles. In some, rising in seniority means increasing specialization. This corresponds loosely to people progressing in the IC (individual contributor) career track rather than the managerial/tech lead track. For example, a machine learning engineer acquiring extremely deep understanding of a technical niche, a financial expert growing from a generalist finance analyst to a specialist in an important sector (such as auditing cross-border deals), or a medical doctor developing deep expertise in just one medical condition. In many, but not all, such areas, I expect the demand for human skill to grow, but AI’s impact on any specialty will depend on how rapidly AI’s jagged frontier advances along that dimension. I’ll share more on this in a future letter.

Until then, I invite you to consider: Back in 2022, what tasks would your teammates have done? Those were likely complements to what you are doing. So if you are able to use AI to do more of those tasks yourself — which might require learning new skills — it could be one path to you becoming more effective with AI.

Keep building!

Andrew

Professionals collaborate on laptops around a table, indicating diverse roles like marketing and engineering team.

这是吴恩达老师在近日来信中提出的判断。

他观察到，随着AI越来越多地承担编程、写作、数据整理等执行性工作，人的时间开始从“亲手完成每一步”，转向架构设计、产品判断、用户理解和结果验收等更高层次的工作。

这不仅发生在软件行业。

招聘人员可以借助AI完成职位分析、候选人搜寻、沟通材料准备和流程管理；营销人员可以横跨用户研究、内容生产、渠道投放和数据复盘；产品经理能够直接制作原型，工程师也可以更深入地参与产品决策。

原本需要多个岗位协作完成的事情，正在被更小的团队，甚至一个人端到端地完成。

吴恩达将这类人称为能够构建新技能的“Generalists”。

但在我们看来，这里的“通才”，绝不是“什么都知道一点、什么都不精通”的人。

它代表的是一种新的职业能力：

拥有一项足够深的核心专长，同时能借助AI快速获得相邻能力，并对最终结果负责。

一、AI真正改变的，不只是效率，而是价值链上的瓶颈

过去开发一个产品，可能需要产品经理提出需求、设计师制作界面、工程师编写代码、测试人员验证功能、市场团队负责推广。

每一个环节都需要专业人员，每一次交接都会产生等待、沟通和信息损耗。

当AI让编程速度提高之后，代码可能不再是最慢的环节。新的瓶颈会转移到：

? 我们究竟应该解决什么问题？

? 用户是否真的需要这个功能？

? 应该选择什么技术和产品架构？

? AI给出的结果是否可靠？

? 产品如何进入市场并持续迭代？

? 谁对最终结果负责？

就像一条水管，某一段突然变宽之后，整个系统的流量仍然取决于剩下最窄的地方。

因此，AI并不会自动让所有组织都变得更高效。它只会让那些能够重新设计工作流程的人率先受益。

未来真正稀缺的能力，不再只是“把一件事做出来”，而是：

发现问题、定义问题、调动资源、完成交付，并根据反馈继续改进。

二、未来最有竞争力的，不是纯粹通才，而是“有根的通才”

谈到通才，很容易产生一种误解：既然AI可以提供专业知识，我们是不是不再需要深入学习任何领域？

答案恰恰相反。

AI越强，人的专业判断越重要。

一个不懂财务的人，可以让AI制作一份财务分析，但他可能无法发现关键假设存在问题；一个没有工程经验的人，可以让AI生成大量代码，却未必能够识别安全漏洞和架构风险；一个不理解用户的人，也可以批量生成营销内容，但这些内容很可能只是更加高效地制造噪声。

AI可以快速生成答案，却无法替我们承担答案带来的后果。

因此，未来真正有价值的不是“无根的通才”，而是“有根的通才”：

? 有一项经过真实项目验证的核心能力；

? 能够借助AI快速进入相邻领域；

? 能够判断输出质量，而不是盲目接受答案；

? 能够把不同专业连接成完整的业务闭环；

? 能够为最终结果承担责任。

我们可以把它概括为：

一项深度专长 × 多项相邻能力 × AI杠杆 × 结果责任

缺少深度，通才容易变成浅尝辄止；缺少广度，专才又容易被限制在越来越窄的任务里。

AI时代奖励的，正是站在两者之间的人。

三、我们对未来行业趋势的五个判断

1. 团队会变小，但个人的责任范围会变大

过去，一个人通常只负责价值链中的某个环节。

未来，越来越多岗位会从“完成分配给我的任务”，转向“负责一个完整结果”。

工程师不只是提交代码，还要理解用户和产品；营销人员不只是生产内容，还要理解数据、转化和收入；招聘人员不只是安排面试，还要参与人才画像、雇主品牌和组织能力建设。

组织中的岗位边界会变得模糊，围绕结果组成的小团队将越来越常见。

2. 职位说明书将从“任务清单”转向“结果清单”

当AI可以承担大量标准化任务，企业将越来越少为某个固定动作付费，而会更多为结果付费。

企业真正需要的不是“每天写五篇文案的人”，而是能建立内容增长系统的人；不是“整理候选人简历的人”，而是能提高招聘质量和效率的人；也不是“完成某个功能的人”，而是能推动产品解决真实问题的人。

这意味着，未来个人介绍中最重要的内容，将不再是“我会什么软件”，而是：

我曾经解决过什么问题，创造过什么结果。

3. 初级岗位正在提前“高级化”

AI正在接管许多过去用于培养新人的基础堡作，但企业同时开始要求年轻人更早展现判断力、沟通力和业务意识。

普华永道2026年全球AI就业晴雨表分析了超过10亿条招聘信息。报告发现，高AI暴露度的初级岗位，要求领导力、创造力和判断力等传统高级能力的概率，是低AI暴露岗位的7倍；这类“高级化的初级岗位”自2019年以来增长了35%。

这会带来一个明显变化：

未来年轻人不能只证明自己能够执行，还要尽早证明自己能够判断和负责。

4. AI工具会迅速普及，真正的差距在工作流

会使用某一个模型、记住几十条提示词，并不能形成长期壁垒。

模型会更新，产品会迭代，今天稀缺的操作技巧，明天可能就会成为软件默认功能。

真正有价值的是把AI嵌入完整工作流的能力：

? 知道什么时候应该使用AI；

? 知道应该提供什么上下文；

? 知道如何拆解复杂目标；

? 知道如何验证结果；

? 知道如何把一次成功沉淀为可重复流程。

所以，不要只收藏工具，而要建立系统。

5. 判断力、品位和责任感会变得更加昂贵

微软2026年工作趋势报告显示，成熟的AI使用者并不会把思考全部交给AI。他们更重视质量控制、批判性思维，以及判断哪些工作应该由AI完成、哪些必须由人完成。

当内容、代码和方案都可以被大规模生成之后，“能够生成”本身会逐渐贬值。

真正稀缺的是：

? 知道什么值得做；

? 能够分辨好与坏；

? 理解具体的人和场景；

? 在信息不完整时作出判断；

? 愿意为选择承担责任；

? 能够获得他人的长期信任。

AI提高的是能力上限，但决定我们能走多远的，依然是判断和责任。

四、作为个人，我们应该如何行动？

第一步：找到自己的“能力锚点”

不要急着把自己训练成一个什么都会的人。

先回答三个问题：

1. 哪个领域是我已经积累了真实经验的？

2. 哪类问题是别人愿意来找我解决的？

3. 哪项能力即使AI参与，我仍然有能力判断结果好坏？

这个领域就是你的能力锚点。

它可以是软件工程、销售、设计、财务、制造、教育、医疗、法律，也可以是某个非常具体的行业知识。

先站稳一个点，再向周围扩展。

第二步：绘制自己的工作地图

把日常工作拆成四类：

? 重复执行类；

? 信息整理类；

? 分析判断类；

? 沟通与责任类。

前两类通常最适合优先交给AI；后两类则需要人保持深度参与。

这样做的目的不是单纯“节省时间”，而是把节省出来的时间投入到更高价值的工作：理解客户、改善产品、学习新技能和推动结果。

第三步：每12周增加一项相邻能力

不要同时学习十个方向。

每12周选择一个距离核心能力最近、又能帮助你完成更大闭环的技能。

例如：

? 工程师学习用户研究和产品决策；

? 产品经理学习原型制作和基础编程；

? 设计师学习数据分析和增长实验；

? 营销人员学习自动化、销售和商业分析；

? HR学习数据、内容与组织诊断；

? 管理者学习如何设计人机协作流程。

判断是否真正学会的标准，不是看完多少课程，而是：

能否用这项技能完成一个真实项目。

第四步：建立自己的AI工作系统

一个成熟的个人AI系统，至少应该覆盖：

? 信息获取；

? 分析与决策支持；

? 内容或产品生产；

? 数据处理；

? 自动化执行；

? 质量检查；

? 知识沉淀。

每当AI帮助你完成一项任务，都可以进一步追问：

? 这件事能否变成固定流程？

? 哪些输入应该标准化？

? 哪些步骤需要人工审核？

? 怎样让下一次做得更快、更稳定？

? 哪些经验值得沉淀为自己的模板和知识库？

你积累的工作流越多，AI带来的收益就越能复利。

第五步：用作品证明能力，而不只是罗列技能

未来简历上写着“熟练使用AI”不会有太大意义，因为几乎所有人都会这样写。

真正有说服力的是具体成果：

? 我把一个流程从两天缩短到了两个小时；

? 我独立完成了从用户调研到原型验证；

? 我建立了一套可以持续运行的内容系统；

? 我用AI和自动化解决了一个真实业务问题；

? 我发现并纠正了AI方案中的关键错误。

技能可能会过时，但解决问题的证据不会。

五、不要成为“更快的旧自己”

很多人使用AI，只是为了更快地完成原来的工作。

以前一天写一篇文章，现在一天写十篇；以前手工整理表格，现在让AI自动整理；以前自己搜索资料，现在让AI生成摘要。

这些当然有价值，但还不够。

更重要的问题是：

AI是否让你开始做过去做不到的事情？

是否让你承担了更完整的责任？

是否帮助你进入了新的领域？

是否让你从执行者变成了问题解决者？

如果答案始终是否定的，那么AI只是让你更快地留在原地。

真正的升级，是利用AI扩大自己的能力边界。

结语

AI时代真正的分水岭，可能不是“使用AI的人”和“不使用AI的人”。

而是：

一类人只用AI提高旧技能的效率；另一类人用AI不断生长出新的能力。

前者会发现，同样的工具很快会被所有人掌握，效率优势越来越短暂。

后者则会逐渐成为一种新型人才：既有专业深度，又能跨越岗位边界；既能调动AI，又保留独立判断；既能完成任务，也能定义问题并对结果负责。

过去，我们常常通过岗位定义自己：

我是工程师，我是设计师，我是老师，我是销售。

未来，更重要的自我介绍可能是：

我能发现什么问题，调动哪些资源，并把它真正解决。

AI并没有让人的潜力变得不重要。

恰恰相反，它正在压缩我们从“想做到”到“真正做到”之间的距离。

这是一个属于持续学习者、建设者和行动者的时代。

而我们每个人要做的，就是保留自己的根，然后借助AI，不断长出新的枝叶。