斯坦福開學(xué)第一課｜吳恩達(dá)：別把 AI 當(dāng)選修，這是生存

全文 4,000字 | 閱讀約 13 分鐘

（吳恩達(dá)CS230開學(xué)演講概述 | 2025斯坦福秋季課程）

2025年9月底，斯坦福大學(xué)CS230深度學(xué)習(xí)課程正式開課（computer science 230是斯坦福計(jì)算機(jī)系的深度學(xué)習(xí)課程代號(hào)，由吳恩達(dá)等教授主講，是AI領(lǐng)域的經(jīng)典課程之一）。

在這場(chǎng)一個(gè)多小時(shí)的開學(xué)演講中，吳恩達(dá)沒有講 AI 會(huì)如何顛覆世界，也沒有渲染失業(yè)危機(jī)，而是用大量實(shí)戰(zhàn)案例說(shuō)清楚一件事： AI 時(shí)代，什么樣的人最有競(jìng)爭(zhēng)力？

答案不是“最懂AI的人”，而是“既掌握計(jì)算機(jī)基礎(chǔ)，又會(huì)用AI工具的人”。

他直言不諱地說(shuō)：

今天，我不會(huì)雇用不知道如何用AI輔助編程的軟件工程師。

這不是危言聳聽。歷史總是這樣：從打孔卡到鍵盤，從匯編語(yǔ)言到Python，每一次工具進(jìn)化都降低了門檻，也擴(kuò)大了使用人群。AI輔助編程，只是這個(gè)進(jìn)程的延續(xù)。

但關(guān)鍵在于：工具降低了門檻，但沒有降低對(duì)基礎(chǔ)知識(shí)的要求。

真正高效的人，不是只會(huì)用工具，而是既懂底層原理、又能用AI工具放大自己能力的人。

在這場(chǎng)演講中，吳恩達(dá)給出了清晰的學(xué)習(xí)路徑：

• CS基礎(chǔ)是你指揮AI的語(yǔ)言

• 深度學(xué)習(xí)讓你能解決提示詞解決不了的問題

• 快速原型能力決定你的迭代速度

• 有紀(jì)律的開發(fā)流程能讓團(tuán)隊(duì)效率提升10倍

AI技能不只是加分項(xiàng)，它正在成為標(biāo)配。 但更重要的是，現(xiàn)在正是最好的學(xué)習(xí)時(shí)機(jī)。

第一節(jié)｜深度學(xué)習(xí)的突破：規(guī)模決定能力

很多人以為，AI 的成功是因?yàn)橛腥税l(fā)明了多么聰明的算法。

吳恩達(dá)卻說(shuō)：關(guān)鍵不是算法變聰明了，而是我們終于找到了一條“規(guī)模化”的路。

在開學(xué)第一節(jié)課上，他畫了這樣一張圖：

（吳恩達(dá)講解深度學(xué)習(xí)的規(guī)模法則：數(shù)據(jù)量越大，模型表現(xiàn)越好（斯坦福CS230課堂，2025年9月））

橫軸是數(shù)據(jù)量，縱軸是模型表現(xiàn)。 用傳統(tǒng)算法，比如邏輯回歸或決策樹，表現(xiàn)很快就會(huì)到頂。無(wú)論你喂它多少數(shù)據(jù)，都無(wú)法繼續(xù)提升。 但如果用深度學(xué)習(xí)模型，比如神經(jīng)網(wǎng)絡(luò)，結(jié)果就完全不一樣：數(shù)據(jù)越多，效果越好，幾乎沒有上限。

他原話是：

“舊一代算法不知道怎么處理這么多數(shù)據(jù)。深度學(xué)習(xí)，是第一批能真正吸收得動(dòng)這些數(shù)據(jù)的算法。”

? 從斯坦福宿舍到規(guī)模法則

吳恩達(dá)回憶起十五年前的一個(gè)晚上：

“我第一臺(tái)用 GPU 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的機(jī)器，是斯坦福一個(gè)本科生在宿舍里組裝出來(lái)的，他叫 Ian Goodfellow。”

對(duì)，就是后來(lái)提出 GAN 的那位 Ian。

那臺(tái)宿舍服務(wù)器使用當(dāng)時(shí)還很新的CUDA編程語(yǔ)言，在GPU上訓(xùn)練神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果令人震撼：深度學(xué)習(xí)的效果隨著模型規(guī)模和數(shù)據(jù)量的增加，持續(xù)上升，毫無(wú)瓶頸。

這背后的原理被后來(lái)稱為“規(guī)模法則”（Scaling Laws）。

什么規(guī)模法則？

簡(jiǎn)單說(shuō)：你給模型加一倍數(shù)據(jù)，訓(xùn)練時(shí)花兩倍算力，性能就能穩(wěn)穩(wěn)提升一截。

不是玄學(xué)，不靠運(yùn)氣，而是一種“可預(yù)測(cè)的增長(zhǎng)”。

吳恩達(dá)說(shuō)：

你可以預(yù)測(cè)：如果買這么多 GPU、灌入這么多數(shù)據(jù)，結(jié)果會(huì)是多少。AI 的訓(xùn)練效果第一次變得可規(guī)劃了。

這就解釋了為什么從百度到OpenAI，都在做同一件事：把模型做大，把數(shù)據(jù)規(guī)模擴(kuò)大，把 GPU 算力堆上。

過(guò)去十年，AI的躍升并非來(lái)自算法突破，而是靠"大模型+大數(shù)據(jù)+大算力"這套組合穩(wěn)步攀升。

它靠的是規(guī)模，而非巧思。

? 你需要學(xué)什么？

想用好 AI，你不需要重新發(fā)明什么算法。

你需要知道的是：哪種組合方式真正有效，如何把這些組件搭建起來(lái)，讓它解決現(xiàn)實(shí)問題。

吳恩達(dá)： “你不是來(lái)當(dāng)研究員的，你是來(lái)學(xué)會(huì)怎么把這些工具用起來(lái)，讓它們真正落地。”

這門課要教所有人，第一件事：不是發(fā)明新算法，而是學(xué)會(huì)駕馭規(guī)模的力量。

第二節(jié)｜調(diào)參能力：決定項(xiàng)目是幾天成型，還是幾月才見效

在開學(xué)演講里，吳恩達(dá)花了相當(dāng)多的時(shí)間講“調(diào)參”。 在很多非技術(shù)人的印象中，調(diào)參像是魔法，隨便調(diào)幾個(gè)數(shù)字就行。 吳恩達(dá)直接打破這個(gè)幻想：

“我博士期間凌晨?jī)牲c(diǎn)還在調(diào)超參數(shù)。 有時(shí)候能在三點(diǎn)搞定回家睡覺；有時(shí)候調(diào)不出來(lái)，要七點(diǎn)才能回家。”

他笑著補(bǔ)了一句：

“我不是鼓勵(lì)你們熬夜，而是想告訴你，而是想說(shuō)調(diào)參能力真的能決定你多快做出一個(gè)有效的模型。”

在他看來(lái)，調(diào)參決定了一個(gè)模型能否落地，一個(gè)項(xiàng)目是幾天成型還是幾個(gè)月才見到效果。

? 為什么要從零開始寫神經(jīng)網(wǎng)絡(luò)？

他對(duì)學(xué)生說(shuō)：

“在這門課里，我們不會(huì)只教你用 TensorFlow 或 PyTorch 這些工具。我們會(huì)用純 Python從零開始寫出一個(gè)小型神經(jīng)網(wǎng)絡(luò)， 這樣你能看到每一步在干什么，也能知道為什么要調(diào)這個(gè)數(shù)字而不是那個(gè)。”

為什么要這么做？

因?yàn)橹挥杏H手搭過(guò)底層結(jié)構(gòu)，才能在模型表現(xiàn)不佳時(shí)找到真正的原因： 是數(shù)據(jù)不夠？是網(wǎng)絡(luò)太小？還是學(xué)習(xí)率太高？

吳恩達(dá)提醒：

“經(jīng)驗(yàn)不足的團(tuán)隊(duì)，常常在不知道問題在哪的情況下去搜集更多數(shù)據(jù)、買更多 GPU。有時(shí)這根本沒有用。”

他舉了個(gè)自己遇到的真實(shí)場(chǎng)景： 有一家大型企業(yè)看新聞?wù)f“GPU 能力越大越好”，花了大錢買 GPU， 結(jié)果 CTO 指著他的侄子說(shuō)： “我侄子懂 AI，我給他這些 GPU 預(yù)算，他會(huì)給我做 AI。” 最后什么都沒做出來(lái)。

這就是為什么他想教一套系統(tǒng)化的開發(fā)流程。

不是憑感覺決策，也不是看新聞跟風(fēng)，而是先診斷問題，再對(duì)癥下藥。

他把這種方法比作醫(yī)生看病：先查病因，再開處方。采用這種方法的團(tuán)隊(duì)，往往能快10倍達(dá)成同樣目標(biāo)。

? 模擬演練：診斷比代碼更重要

所以在 CS230，他和助教會(huì)安排模擬演練： 學(xué)生分組開發(fā)“刷臉解鎖”應(yīng)用，從攝像頭采集到人臉識(shí)別、圖像處理、身份比對(duì)、防偽檢測(cè)，每個(gè)環(huán)節(jié)都要自己診斷瓶頸、選擇方案。

吳恩達(dá)強(qiáng)調(diào)：

“我希望你們離開這門課時(shí)， 不只是會(huì)寫模型， 而是知道先做哪一步最有效， 這樣才能在幾天內(nèi)搞定別人幾周、幾個(gè)月都做不出來(lái)的東西。”

這就是他眼里真正的“實(shí)戰(zhàn)能力”：

不是寫多少行代碼，而是知道先抓哪個(gè)環(huán)節(jié)，怎么調(diào)試，才能最快拿到結(jié)果。

第三節(jié)｜提示詞很好用，但成本和能力都有天花板

很多人以為，生成式 AI 工具已經(jīng)足夠強(qiáng)了，只要想好怎么提問，AI 就能搞定一切。

但吳恩達(dá)在講臺(tái)上，講了個(gè)更現(xiàn)實(shí)的故事：

“我們做過(guò)很多原型項(xiàng)目，前期都靠大語(yǔ)言模型（LLM）跑得很快。 但當(dāng)用戶量上來(lái)以后，賬單增長(zhǎng)的速度讓人難以承受。”

他笑著說(shuō)了一句意味深長(zhǎng)的話：

“我們真的愛提供這些 LLM 服務(wù)的公司，但他們的賬單實(shí)在太高了。”

? 從幾百到幾萬(wàn)：成本是真實(shí)的壓力

在他參與的多個(gè)項(xiàng)目中，原型階段每月可能只花幾百塊美金調(diào)用 ChatGPT 或 Claude。

一旦產(chǎn)品被更多用戶使用，調(diào)用量成倍增長(zhǎng)，每個(gè)月的成本變成了幾萬(wàn)、幾十萬(wàn)甚至更多。

這時(shí)候，光靠?jī)?yōu)化提示詞已經(jīng)不夠了。必須自己動(dòng)手，用深度學(xué)習(xí)工具搭建和微調(diào)模型，才能在降低成本的同時(shí)提升效果。

“知道怎么訓(xùn)練一個(gè)小模型，怎么調(diào)整參數(shù)，怎么接入自己的數(shù)據(jù)，是決定產(chǎn)品能否持續(xù)運(yùn)營(yíng)的關(guān)鍵。”

這不僅是成本問題，還有能力邊界。

吳恩達(dá)指出： “大語(yǔ)言模型擅長(zhǎng)處理文字類任務(wù)。 但如果你要處理音頻、圖像、結(jié)構(gòu)化數(shù)據(jù)（比如大表格），就很難完全靠它。”

他舉了幾個(gè)真實(shí)的困境：

• 想讓 LLM 理解用戶上傳的 Excel 表，結(jié)果總是讀錯(cuò)單元格；

• 想讓模型識(shí)別視頻中的說(shuō)話人，但噪音太多，模型誤判嚴(yán)重；

• 想讓生成式 AI 寫一段代碼，但它對(duì)上下文理解有限，結(jié)果出錯(cuò)概率很高。

吳恩達(dá)的解決辦法不是“優(yōu)化提示詞”，而是用深度學(xué)習(xí)方法直接解決這些問題：

“很多人花一個(gè)月試圖寫出更好的提示詞，但準(zhǔn)確率還是上不去。最后，還是要回到基礎(chǔ)工具，調(diào)整模型，效果才能穩(wěn)定提升。”

? 原型快，但生產(chǎn)環(huán)境需要真功夫

生成式 AI 用來(lái)做原型很合適：速度快、上手快。但一旦要上生產(chǎn)環(huán)境，要控制成本、精細(xì)調(diào)整表現(xiàn)，就需要真正懂深度學(xué)習(xí)的人。

他給一個(gè)很實(shí)用的建議：

“我們會(huì)教你怎么用預(yù)訓(xùn)練模型，怎么根據(jù)自己的數(shù)據(jù)進(jìn)行微調(diào)。這樣你不用從頭訓(xùn)練超大模型，也能做出可靠的 AI 應(yīng)用。”

所以在這里，除了學(xué)習(xí)如何寫神經(jīng)網(wǎng)絡(luò)、調(diào)整參數(shù)，你還會(huì)掌握當(dāng)生成式AI不夠用時(shí)，如何深入一層用深度學(xué)習(xí)工具做出效果。

不是每個(gè)問題都能靠提示詞解決。

真正的能力，是在提示詞不再起作用時(shí)，你還有第二種方法可以選擇。

第四節(jié)｜AI 會(huì)寫，但聽不懂你才是問題

吳恩達(dá)講到 AI 編程工具時(shí)，說(shuō)了一個(gè)挺有意思的場(chǎng)景：

“我周末在咖啡店寫代碼，旁邊有人在手動(dòng)寫程序。 我看了一眼，覺得太奇怪了，就問他們?cè)诟陕铩?原來(lái)是在做別的學(xué)校布置的作業(yè)，老師不讓用 AI 工具，只能手寫代碼。”

他說(shuō)這話時(shí)，現(xiàn)場(chǎng)不少學(xué)生笑出聲來(lái)。

因?yàn)樵?2025 年的今天，AI 編程助手幾乎已經(jīng)是標(biāo)配。 不管是 Cursor、Codex，還是 Gemini CLI，幾乎人人都在用。

但吳恩達(dá)提醒大家：

工具能幫你寫，但你得知道怎么讓它理解你的意圖。

他說(shuō)自己也試過(guò)不用思考、直接靠 AI 生成代碼，但效果不理想。 真正能用好 AI 編程工具的人，往往都是那些了解計(jì)算機(jī)基礎(chǔ)的人。

你不懂程序邏輯，就很難讓 AI 寫出你想要的程序。

? 一個(gè)關(guān)于藝術(shù)史的類比

為了說(shuō)明這個(gè)道理，他講了一個(gè)更形象的比喻：

“我有個(gè)同事懂藝術(shù)史，他可以用很專業(yè)的語(yǔ)言跟 Midjourney（AI 圖像工具）交流，生成非常漂亮的畫面。 我不懂藝術(shù)史，只會(huì)輸入‘請(qǐng)畫個(gè)好看的機(jī)器人’，結(jié)果做出來(lái)的圖根本不能用。所以我們最后用的是他做的圖。”

換句話說(shuō)：AI 是可以幫你干活的，但前提是你得說(shuō)得清楚、說(shuō)得專業(yè)。

而這個(gè)“說(shuō)清楚”的能力，本質(zhì)上就是計(jì)算機(jī)科學(xué)的基礎(chǔ)知識(shí)。

所以吳恩達(dá)直言：

不要聽別人說(shuō)AI會(huì)寫代碼就不學(xué)編程。這可能是歷史上最差的職業(yè)建議之一。

他舉例說(shuō)，以前從打孔卡到鍵盤，從匯編語(yǔ)言到 Python， 每一次工具升級(jí)都讓更多人能寫程序，而不是更少。

現(xiàn)在輪到 AI 輔助寫代碼了，也一樣：

“當(dāng)工具變得更容易用時(shí)，應(yīng)該有更多人學(xué)會(huì)使用，而不是放棄學(xué)習(xí)”

最強(qiáng)的開發(fā)者，永遠(yuǎn)是既懂 AI 工具，又有扎實(shí)編程基礎(chǔ)的人。

? 未來(lái)最重要的技能：用專業(yè)語(yǔ)言指揮AI

未來(lái)最重要的能力，是你能否清楚地告訴AI你要什么，讓它準(zhǔn)確實(shí)現(xiàn)。

這個(gè)能力不是靠口號(hào)，而是靠你能否真正看懂代碼邏輯、調(diào)對(duì)接口參數(shù)、寫準(zhǔn)確的需求描述。

計(jì)算機(jī)基礎(chǔ)知識(shí)，是你指揮AI的語(yǔ)言。

沒有這個(gè)基礎(chǔ)，你只能說(shuō)“請(qǐng)幫我做個(gè)好看的”；有了這個(gè)基礎(chǔ)，你能說(shuō)“用這個(gè)算法、這種數(shù)據(jù)結(jié)構(gòu)、這樣的接口設(shè)計(jì)”。

差別就在這里。

第五節(jié)｜需求缺口巨大，但具備AI技能的人太少

吳恩達(dá)說(shuō)，他最近常聽到抱怨： “CS專業(yè)也不好找工作了”、“學(xué) AI 的人太多，崗位已經(jīng)飽和了。” 但他卻直接反駁：

不是機(jī)會(huì)少了，是具備 AI 技能的人還遠(yuǎn)遠(yuǎn)不夠。

他說(shuō)，很多大公司想招聘 1000 個(gè)會(huì)用AI工具的工程師，但一直招不滿。 而另一邊，確實(shí)也有大量剛畢業(yè)的學(xué)生在找工作。

為什么會(huì)出現(xiàn)這種錯(cuò)配？

? 技能沒跟上時(shí)代

吳恩達(dá)給出了解釋：

"很多人學(xué)的是2002年以前的軟件技能。這些技能過(guò)去很有用，但今天已經(jīng)跟不上工作需求了。"

不是他們不努力，而是能力沒更新，工具也沒用上。

他講了自己的面試經(jīng)歷：

“我面試過(guò)一個(gè)10年經(jīng)驗(yàn)的全棧工程師，技術(shù)很扎實(shí)，但完全沒接觸過(guò)AI編程工具。緊接著，我又面試了一個(gè)剛畢業(yè)的大學(xué)生，能用Claude、Gemini開發(fā)出小程序。最后我選了那個(gè)新人。”

這不是否定經(jīng)驗(yàn)的價(jià)值，而是強(qiáng)調(diào)：最好的程序員，不只是代碼寫得多，而是能用AI快速把想法變成可用的產(chǎn)品。

然后，他把今天的就業(yè)能力，劃成了四個(gè)層級(jí)：

1、不懂 AI，也沒實(shí)戰(zhàn)經(jīng)驗(yàn)

“這種人現(xiàn)在真的很難找到落腳點(diǎn)。”

2、有工作經(jīng)驗(yàn)，但不懂 AI

“這是最危險(xiǎn)的狀態(tài)，看起來(lái)能力很強(qiáng)，但缺口非常大。”

3、剛?cè)胄校莆樟?AI 工具

“這是我非常看重的一類人，我更愿意給他們機(jī)會(huì)。”

4、有經(jīng)驗(yàn)，也熟練掌握 AI 編程工具

“這類人現(xiàn)在是最搶手的。”

他說(shuō)自己團(tuán)隊(duì)里表現(xiàn)最好的人，幾乎都在第四層。

? 企業(yè)也在摸索

但讓他更擔(dān)心的是另一個(gè)問題：很多企業(yè)連怎么篩選 AI 技能都不會(huì)。自己沒用過(guò)AI，就不知道該怎么面試會(huì)用 AI 的人。

這導(dǎo)致很多真正掌握AI技能的人，在面試時(shí)反而沒被識(shí)別出來(lái)。

吳恩達(dá)認(rèn)為，這個(gè)問題短期內(nèi)不會(huì)解決，但對(duì)懂 AI 的人來(lái)說(shuō)反而是機(jī)會(huì)：

只要你真的會(huì)，別人遲早會(huì)發(fā)現(xiàn)你的價(jià)值。

他鼓勵(lì)所有人持續(xù)學(xué)習(xí)AI技能。他打趣道：

“可以把AI課程當(dāng)成寶可夢(mèng)，遇到就抓。”

機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、提示工程、模型微調(diào)，每個(gè)方向都值得探索，而且不限專業(yè)背景。

他強(qiáng)調(diào)AI能力不只是CS專業(yè)的事：我見過(guò)很多教育、氣候科學(xué)、醫(yī)療背景的人，學(xué)了AI工具之后，做出了非常實(shí)用的產(chǎn)品。

AI能力的本質(zhì)，是把想法變成現(xiàn)實(shí)的能力。

無(wú)論你在哪個(gè)領(lǐng)域，都可以用 AI 做出真正有價(jià)值的東西。這不是技術(shù)壁壘，而是新的創(chuàng)造機(jī)會(huì)。

結(jié)語(yǔ)｜不是技術(shù)課，是生存提醒

吳恩達(dá)在演講最后說(shuō)：

我希望你們離開這門課后，能清楚地知道：AI能做什么，你該怎么做，而不是只看著別人做。

這句話的重點(diǎn)在“動(dòng)手”。

過(guò)去幾年，很多人對(duì)AI的態(tài)度是觀望。現(xiàn)在，工具已經(jīng)成熟，關(guān)鍵變成了：你會(huì)不會(huì)用？敢不敢動(dòng)手？

吳恩達(dá)沒有講遙遠(yuǎn)的愿景，也沒有渲染失業(yè)恐慌。他說(shuō)得更務(wù)實(shí)： “未來(lái)最重要的能力，是你能否清楚地告訴AI你想要什么，然后讓它幫你實(shí)現(xiàn)。”

這不是關(guān)于參數(shù)和算法，而是關(guān)于把想法變成現(xiàn)實(shí)的能力。

這個(gè)能力不只屬于計(jì)算機(jī)專業(yè)。無(wú)論你在教育、醫(yī)療、氣候、商業(yè)哪個(gè)領(lǐng)域，AI都可以成為你的工具。

現(xiàn)在是最好的學(xué)習(xí)時(shí)機(jī)。

不是因?yàn)椤安粚W(xué)就會(huì)被淘汰”，而是因?yàn)殚T檻從未如此之低，機(jī)會(huì)從未如此之多。

本文由AI深度研究院出品，內(nèi)容翻譯整理自吳恩達(dá)2025年9月斯坦福大學(xué)CS230深度學(xué)習(xí)課程開學(xué)演講。未經(jīng)授權(quán)，不得轉(zhuǎn)載。

星標(biāo)公眾號(hào)， 點(diǎn)這里 1. 點(diǎn)擊右上角 2. 點(diǎn)擊"設(shè)為星標(biāo)" ← AI深度研究員 ? ← 設(shè)為星標(biāo)

https://www.youtube.com/watch?v=_NLHFoVNlbg&t=1126s

來(lái)源：官方媒體/網(wǎng)絡(luò)新聞，

排版：Atlas

編輯：深思

主編：圖靈