「吴恩达CS230」AI辅助编码时代下的新型生产力与职业发展

02 Oct, 2025

内容概述

概述
Andrew Ng在CS230课程中梳理了AI辅助编码工具（如Copilot、Gemini CLI等）对编程和开发者职业发展的深远影响。他强调：AI正在极大改变编程方式，个体生产力显著提升，快速原型和创新变得前所未有的高效。新一代开发者不仅要精通AI工具，更要打牢计算机基础。随着工作要求变化，纯靠传统编程经验难以满足行业需求，精通AI辅助和新技术的工程师成为企业核心。课程鼓励所有人跨专业提升AI能力，迎接更高生产力与创新的未来。

主题梳理

一、AI辅助编码革新编程模式与生产力边界

• Andrew Ng开篇对AI辅助编码的普及现象做了现场调研，大部分学生已日常使用Copilot、Gemini CLI等工具。他坦言，“现在再也不希望手动编码”，AI辅助让开发体验颠覆性地提升。

• 编程工作可区分为“快速原型开发”和“生产级软件开发”。对原型阶段，AI辅助最大幅度提升了实验效率——学生和开发者可以大胆尝试各种想法，通过沙盒环境快速决策，而无需过分担心大规模系统的安全性、可靠性和可扩展性。

• 比如学生咖啡馆偶遇手动写代码人士都让他略感“时空倒错”——这反映出AI辅助模式已成为行业主流。

• 但对生产级别软件，Andrew Ng警示AI工具潜在风险：如自动化工具错误擦除数据库记录等。他和团队普遍采取“有策略的谨慎”——生产环境下更强调代码审查和工具甄别。

• 快速原型“失败率高”不应被视为负担。Andrew Ng坦言：“只要原型成本足够低，就算做20个只成1个也值得”。这是现代创新节奏的常态和优势。

二、AI加速创新与反馈迭代循环

• 在构建AI与软件应用时，“你永远无法100%预测结果”。机器学习成果不仅取决于代码，还深受数据影响。真实世界数据有奇妙变量，必须通过实践应用才能洞察——如语音识别中遇到意外的口音、噪音、说话习惯等。

• 因此，原型开发与用户测试的速度决定了团队对数据和需求的响应能力。现代开发讲究“快速构建-快速用户反馈-快速修正”的高效循环。

• “快速行动，打破常规”固然被争议，但他主张“快速且负责任”更适宜AI开发。只有足够快，才能及时发现漏洞、调整方向并控制风险。

• 具备高原创性和迭代能力的团队，最终往往也是实际责任感最强的团队，因为他们通过不断输出，掌握了迭代的主动权，更易及时修正问题，实现创新突破。

三、AI辅助与编程基础的协同新范式

• “不要学编程”已成最糟糕职业建议——AI让编程门槛降低，应吸引更多人进入，而不是减少。回溯历史，每当工具进步、编程更易，学习人群总会扩大（从COBOL到IDE到AI辅助）。

• Andrew Ng点出现象矛盾：美国CS毕业生失业率上升，但企业却招不到会AI和深度学习的新人才。关键问题在于课程老化，人才技能未更新。传统“没有AI能力”的开发者需求骤减。

• 他以招聘为例，现在不会雇用只会纯手动编码的工程师，也不会选择对AI毫无了解但经验丰富者。相反，倾向选择精通AI的年轻开发者，即使只有一两年经验也能脱颖而出。

• 但最顶级的开发者，往往是“有深厚CS基础+熟练AI工具”的结合。这种“双修”能力让他们能像艺术家一样，精准驾驭AI创作和控制编码细节，输出质量远超只靠prompt的用户。

四、面向未来的跨界融合与AI职业新动能

• Andrew Ng鼓励所有专业的学生都应学AI和编程。未来AI与编程门槛将会更低，教育、气候科学、工程甚至人文领域的生产力都极大提升。

• 现代企业青睐的技能组合是“具备AI技术栈+创新能力+跨界项目经验”。仅靠过时技能，无视AI趋势，已难以立足。企业招聘标准也在调整，有些尚未建立起深度AI面试体系，需要业界和高校共同推动能力评价更新。

• 非技术专业也可借助AI成为“创造者”，为社会提供独特价值。课程鼓励大家不仅是AI的消费者，更应主动创造，用AI工具赋能自身领域创新。

五、AI领域现阶段的核心技能体系与新兴工具

• 当下生成式AI领域，除了会用AI辅助编码，还需掌握一系列新兴技术，如RAG（检索增强生成）、向量数据库、多模态大模型、模型安全护栏（Guardrails）、知识图谱与LLM集成、模型评估与微调、agentic workflows（代理型工作流）等。

• 面试和实际开发中，企业更看重“会用AI工具+掌握新型AI技术栈”的候选人。这是高生产力团队和个人的明显特征，决定了创新速度与能力上限。

框架与心智模型（Framework & Mindset）

1. 快速原型—负责任创新模式

• 开发者应在AI辅助下，最大化快速原型能力，广泛试验各类创新方案，降低失败的心理与成本压力。这要求团队建立高效的反馈循与实践机制。

• 在安全、可控沙盒中，支持开发者“大胆试错”，以安全、非生产环境推进实验项目。主张团队可以以极低成本尝试20种方案，哪怕只有一两种能落地，也价值巨大。

• 速度是发现数据异常、用户需求和潜在技术瓶颈的第一步。与其战战兢兢慢慢来，不如在安全框架下“行动迅速并负责任”地推进创新，这样能更早发现和纠正错误，实现产品快速成长。

• 创业型和创新型团队尤应培养这样的节奏，将批量实验和快速淘汰机制作为产品开发主流方法，极大提升整体创新产出。

2. AI新时代下的技能升级与择业观

• 只掌握传统编程技能将被淘汰，精通AI辅助编码及新兴工具（如RAG、向量数据库、多模态LLM等）才是竞争力核心。“双修”能力（AI工具+计算机基础）成为价值最高人才标配。

• 新技能更新极快，企业招聘偏好已根本变化。但高端岗位对深入理解生成式AI、深度学习底层原理的复合型人才仍有极大渴求。

• 鼓励同学跨界学习、拓展视野，不仅在技术圈内卷，更要服务于教育、气候、工程等多行业，发挥更广泛社会价值。

3. 以“创造者”视角重新定义未来

• Andrew Ng期望每个学生都成为“创造者”，不仅做AI工具的使用者，更要主动用AI进行创新与赋能。AI工具发展越快，创造者的能力和生产力就越大。

• 鼓励大家打破本专业壁垒，把AI辅助应用扩展到任意领域。教育、气候、机械工程等，懂AI和编程者将拥有最快创新节奏。

• 主张终身学习和主动分享的心态，帮助身边所有人进入AI与智能工具领域，实现更普惠的成长和社会价值最大化。

基本信息

• Title: Stanford CS230 | Autumn 2025 | Lecture 1: Introduction to Deep Learning

• Author: Andrew Ng, Kian Katanforoosh

• URL: YouTube

内容实录：AI领域的趋势与洞察

这门课的好处之一是，Kian和我可以偶尔与大家分享我们在更广阔的世界里看到的一些东西。嘿，顺便问一下，你们中有多少人使用专门的AI辅助编码工具，比如Copilot、Cursor、Gemini CLI、Codex或者Windsurf？太棒了，几乎是所有人，但不是全部。有意思。

是的，编程领域发生的最激动人心的事情之一就是AI辅助编码。我个人觉得，我希望自己再也不用回到手动编码的时代了。这很有趣，我经常在周末去咖啡馆工作。几周前，我坐在一家咖啡馆里，旁边坐着一个正在手动编码的人，这看起来太奇怪了。我便问他（当然是以一种尊重的方式）：“你在做什么？”原来他在做另一所大学的作业，要求手动编码。

我发现一个令人兴奋的事情是，个体程序员的生产力比以往任何时候都要高得多。我想和大家分享一下我的观察。我发现，在我所做的软件工作中，我可能会将其分为两类：一是构建快速粗糙的原型（quick and dirty prototypes），看看某个想法是否可行；二是有时我需要编写生产级别、企业级别的、健壮可靠且可扩展的软件。我发现，AI辅助编码在构建快速粗糙原型方面带来的改变是最大的。

而对于生产级别的软件，我的一个合作者今天早上就给我发了一条Slack消息说，他用的某个自动化编程工具（我就不说是哪个了）出了一个数据库迁移错误，把所有的数据库记录都清空了——幸运的是，这只是一个有五个用户的测试应用。但这种事确实发生了。所以我发现，对于生产级软件，我使用这些自动化工具时会更加小心。

然而，对于构建快速粗糙的原型，只要你不是以一种不负责任的方式发布软件，这些原型的依赖关系要少得多。你不需要与旧有的数据基础设施集成。接下来我要说的话可能听起来有点不该说，但我还是要说：我发现，当我运行代码时，人们常常担心软件的安全性、可靠性或保密性。我经常对我的团队说，如果你正在构建一个只在你自己的笔记本电脑上运行，并且不使用任何敏感信息的原型，那么除非你打算恶意攻击自己的电脑，否则安全要求可以降低。因此我发现，在构建快速粗糙原型时，拥有一个可以让你在其中快速操作的沙盒环境，意味着你可以更快地做出许多决策，而不用过多担心可扩展性、安全性或可靠性——只要这个沙盒环境能确保这些东西不会泄露出去，或造成安全漏洞。这正是让我们能够行动得更快的部分原因。

我发现，由于原型制作的速度加快了，只要你能以负责任的方式去追求创新想法，我的团队会越来越多地尝试20件事，然后看哪一件能成功。我知道很多团队在抱怨，许多概念验证（proof of concepts）项目最终都未能投入生产。你尝试了一些东西，但它行不通。有些团队对此感到焦虑。我其实有不同的看法。我认为，如果一个概念验证的成本足够低，那么就算你需要做20个才能找到那一两个真正有效的东西，又有什么关系呢？

在这门课中你会听到，无论是在构建机器学习应用还是很多软件应用时，你通常都不知道结果会怎样。这有一个特定的原因：机器学习算法的输出，既取决于你写的代码，也取决于你用来训练的数据。虽然你百分之百控制代码，但你通常并不真正知道，这个世界给你的那些奇妙而古怪的数据里到底有什么。

例如，我在多家公司、多种背景下都曾深入研究过语音识别。即使是现在，当我做语音识别时，我有时仍然会感到惊讶，比如，“哦，这份数据里带有某种口音的人比我想象的要多”，或者“人们说话的速度不知何故变快了”，或者“天哪，当人们在车里使用时，背景噪音真大”。即使我多次从事语音识别工作，最近一个应用中，背景中说话人的数量也让我感到惊讶。他们先跟我们说话，然后又去跟另一个人说话，再回来跟我们说，这让我们很困惑。

我发现，世界给我们的数据常常是奇妙而古怪的。只有通过构建一个系统，你才能开始发现数据中的这些东西，从而取得进展。对于很多软件应用也是如此，除了机器学习应用之外，我最终需要发现的很多东西是：用户到底想要什么？我百分之百控制我的代码，我可以写任何我想要的代码。但我无法控制你的用户会对你的系统作何反应。我发现，我们快速构建粗糙原型的能力，既能帮助我们发现数据中的内容，也能让我们接触用户看看他们是否喜欢，这使我们能够驱动比以往任何时候都更快的反馈循环，从而帮助我们构建越来越有价值的软件。

我知道，“快速行动，打破常规”（move fast and break things）这句口号名声不太好，因为它确实打破了东西。我发现有些团队从中得出的结论是，我们不应该行动得快。但我认为这是个错误。我通常对我的团队说的是：“快速行动并负责任”（move fast and be responsible）。尽管有各种关于AI导致人类灭绝风险或者其他在我看来有些奇怪的炒作，但我发现，当团队行动得非常快时，我们就能以一种负责任的方式实施、测试，并更快地发现问题并解决它们。我发现，我所知道的许多最负责任的团队，那些能够真正快速把事情做成的团队，往往是行动最快的团队之一。因为正是这种执行速度，让你最终能够实现它，弄清楚你的数据里有什么，弄清楚你的用户想要什么，这也是找出潜在问题并确保它们不会真正发生的最佳方式。

我假设这门课里的每个人都会编程。如果你还没学过编程，你可能暂时还不想上这门课。但我发现，有些人，包括非常高层的商业领袖，建议别人不要学编程，理由是AI会把它自动化。我想和大家分享这一点，不是因为我认为你需要学编程，而是因为我希望你们能帮我把这个信息传播出去：去告诉你们在其他院系的所有朋友，“不要学编程”这个建议，我们回头看时，会发现这是有史以来最糟糕的职业建议之一。

原因是，当编程变得更容易时，应该有更多的人去做，而不是更少。当人类从打孔卡片转向键盘和终端时，编程变得更容易了，于是更多的人学习了编程。当我们从汇编语言转向当时现代的编程语言时，编程变得更容易了，更多的人学习了编程。我回头查了关于COBOL——一种非常老派的编程语言——被发明时的文章，当时真的有人说：“哇，现在我们有了COBOL编程语言，编程太简单了，谁还需要程序员呢？”显然，事实恰恰相反。从文本编辑器到集成开发环境（IDE），再到AI辅助编码，随着编程变得越来越容易，应该有更多的人去学习编程。

另一件我看到的事情是，我知道最近计算机科学毕业生的失业率有所上升，比过去十年都要高。我知道这对正在学习计算机科学的人来说，引起了一些忧虑。我想分享一下我的看法。

事实是，我在硅谷内外看到的情况是，我们根本找不到足够多具备这些技能的人。我知道很多大企业愿意招聘一千名具备生成式AI、深度学习和机器学习技能的人，但他们很难找到这样的人才。相反，仍然有一些大学的课程设置自2002年以来，也就是生成式AI兴起之前，就没怎么变过。所以我确实看到，许多新的计算机科学毕业生，不是斯坦福的，而是来自全国各地的，正在为找工作而挣扎。因为不幸的是，那种旧的、没有AI赋能的技能组合，需求已经没那么大了。

就我个人而言，今天我不会雇佣一个不知道如何使用AI辅助编码的软件工程师。这完全没有道理。就像我不会雇佣一个还在用打孔卡片而不是键盘和终端的人一样。我认为，当世界从打孔卡片进化到键盘和终端时，打孔卡片的工作岗位还存在了一段时间，但最终它们都消失了，因为这不再有意义。所以今天，手动编码的工作仍然存在，可能在一些非常底层的、AI不擅长的专业领域。事实证明AI在某些类型的GPU编程上表现不佳。在一些细分领域，手动编码仍然是有意义的。

几个月前，我曾连续面试了两位工程师。一位还没有大学毕业，但对生成式AI编码非常精通。我与这位候选人交谈，他知道如何使用AI，能快速构建程序。紧接着，我面试了另一位有十年全栈工程师经验的人，但他的技能组合和2002年时完全一样，没有尝试过任何AI辅助编码。他有十年经验，技能很好。但对我来说，选择非常明确：我选了那位即将毕业的大学毕业生，而不是那个有十年经验的人。所以，我认为确保你掌握这些新技能至关重要。我看到的是，企业在填补拥有这些新技能的人才缺口方面存在巨大困难。但对2022年那种软件工程、全栈工程技能组合的需求，已经不复存在了。

我还发现，计算机科学的基础知识（CS fundamentals）真的非常重要。所以除了上面提到的，虽然我雇佣了一个应届大学毕业生而不是一个有十年经验的人，但这个故事还有另一部分：我所认识的最好的程序员也不是应届毕业生。我无意冒犯即将从斯坦福毕业的同学们。我所认识的最好的程序员，是那些既精通AI辅助编码，又深刻理解计算机科学基础的人。

让我用一个简短的故事来说明这一点。当我教授一门在线课程时，我的团队想生成一些像这样的背景图片作为装饰。当我在做这个名为“Generative AI for Everyone”的课程时，我与一位懂艺术史的合作者Tommy Nelson一起工作。我的合作者了解艺术的语言，他知道艺术流派、灵感来源、调色板，所以他可以用艺术的语言来提示Midjourney这样的AI图像生成工具。因此，他能生成像这样漂亮的图片。相比之下，我不懂艺术史，我希望我懂。所以我能做的就是去Midjourney，输入：“请为我制作漂亮的机器人图片”。我永远无法像我的合作者Tommy那样，对生成过程有那么好的控制力。这就是为什么我们用了他所有的图片，而一张我的都没用。

我在计算机科学领域也看到了同样的情况。未来最重要的技能之一，就是理解计算机是如何工作的，理解生成式AI、深度学习和机器学习是如何工作的，这样你才能用AI的语言，用这些工具的语言，准确地告诉计算机你想要什么，然后让计算机为你完成。一个只学会了提示LLM，却不理解计算机或AI真正工作原理的人，与一个能够分析问题，然后通过AI辅助编码告诉计算机如何执行下一步的人之间，表现上存在着巨大的差异。这就是为什么我认为计算机科学基础知识非常有价值。计算机科学基础、机器学习基础、深度学习基础——我和我的团队每天都在运用这些知识来做出相当重要的决策。我希望你们能从这门课以及斯坦福的许多其他课程中获得这些。

我真心希望你们能去告诉校园里所有院系的朋友们，鼓励他们成为一个创造者（builder）。因为我看到的另一件事是，对于计算机科学专业人士来说，使用AI辅助编码、掌握计算机科学基础、创造酷炫的东西，这很明确。但对于其他非计算机科学或非AI的学科，我发现，那些懂得如何构建软件的教育专业人士、气候科学家或机械工程师，他们的生产力更高，能完成更多的工作。而现在，进入AI和编程领域的门槛是我们一生中最低的。所以，坦白说，这是一个很好的时机——我希望每一位斯坦福学生都能学会用AI辅助来构建软件。我希望你们能去帮助你们在校园各处的朋友们也掌握这些技能。

问： 我听到很多业界人士说，他们宁愿雇佣一个有十年经验、只了解如何应用生成式AI（比如只是用来编码）的人，也不愿雇佣一个对深度学习、机器学习和生成式AI有深刻基础理解的应届本科生，仅仅因为前者有更多的项目经验。您也看到了这种趋势吗？

答： 好的。让我来给生产力排个序，分成四个等级。我这么说，是带着对每个人的极大尊重的，谈论生产力并不是对任何人或其工作的不敬。我认为，生产力最低的是既没有经验也不懂AI的人。之上一个等级是，比如说，有十年经验但不了解AI的人。再往上，我宁愿选择一个了解AI的应届大学毕业生。但生产力最高的，是既有十年经验，又非常精通AI的人。所以，在这两个因素之间，真正驾驭AI非常重要，但经验也很重要。我所认识的最好的开发者，他们交付代码的速度是两三年前都无法想象的，他们都是经验非常丰富的开发者，并且同时非常精通如何使用最新的AI技术。

关于就业市场，还有一点。我发现很多雇主还没有弄清楚如何进行恰当的招聘。坦白说，如果一个公司里没有人懂生成式AI，他们甚至不知道该如何正确地进行面试。这也是我们需要解决的一个问题。