这是斯坦福大学的一堂CS230 Deep Learning课程中的一节课，AI领域的泰斗吴恩达（Andrew Ng）和资深行业专家劳伦斯·莫罗尼（Lawrence Moroni）分享了他们对当前行业格局的深刻见解，并就AI 职业发展建议与市场展望给出了大佬的观点。
梗概
一、课程背景与核心主题
- 课程来源：斯坦福大学 CS230 Deep Learning
- 主讲嘉宾
- Andrew Ng（吴恩达）：AI 学术与产业领军人物
- Lawrence Moroney：前 Google AI Advocate，现 Arm AI 负责人
- 核心议题
- AI 行业是否正在放缓？
- 当下 AI 人才市场真实状况
- AI 从业者如何规划职业路径
- Vibe Coding / 生成式编程对工程师意味着什么？
二、Andrew Ng：AI 时代的职业判断与个人建议
1. AI 是否正在放缓？------用「任务复杂度」看趋势
- 误区：以"是否接近 100% 准确率"判断 AI 停滞
- MER Meter 研究结论
- AI 能完成的「任务复杂度」≈ 每 7 个月翻倍
- 编程相关能力翻倍周期更短（约 70 天）
- 关键结论：AI 并未放缓，而是在持续加速解决更复杂的问题
2. 这是构建 AI 应用的"黄金时代"
- 两大原因
- 构件更强
- 构建速度更快
- 核心判断：今天的普通开发者，能做出一年前顶尖专家都做不到的系统
3. 真正的新瓶颈：不是写代码，而是"决定做什么"
- AI 编程带来的结构性变化：从「写代码难」→「定义问题难」
- 产品管理（PM）成为新瓶颈
- 决定做什么
- 写清楚需求与规范
- 快速迭代并验证用户反馈
- 工程师/PM 比例正在下降：从 7:1 → 2:1 → 甚至 1:1
4. 工程师 × 产品能力的融合趋势
- 行业观察：能同时写代码 + 理解用户的工程师，推进速度最快
- 个人反思：并非所有工程师都适合做 PM（Andrew 的早期教训）
- 现实建议
- 不要求人人做 PM
- 但具备产品直觉的工程师正在获得巨大优势
5. 职业发展的隐藏变量：你身边的人
- 学习速度 ≈ 周围 5--10 个最亲密合作者的平均值
- "结缔组织（Connective Tissue）"的价值
- 非公开信息
- 一手经验
- 技术方向判断
- 斯坦福的独特优势：与顶级 AI 实验室的密集连接网络
6. 选公司 ≠ 选 Logo，而是选团队
- 真实案例：AI 学生进"大厂"，却被分配做无关项目
- 核心判断标准
- 你每天和谁一起工作
- 你是否被分配到真正成长的方向
- 警惕信号:公司拒绝说明你将加入哪个团队
7. 关于努力工作的"政治不正确"建议
- 现实判断：几乎所有顶级成功者，都在某个阶段极度努力
- 若你当前具备条件，努力工作 = 放大机会窗口
三、Lawrence Moroney：AI 就业市场的真实逻辑
1. 面试的双向选择：能力 + 人格
-
真实案例：技术能力极强，却屡屡面试失败
-
问题根源：将"坚持立场"误解为"对抗性沟通"
-
核心结论：公司不仅评估能力，也评估合作体验
2. 当前 AI 就业市场的真实状态
-
表象：裁员新闻、初级岗位减少、竞争激烈
-
深层原因：疫情后 AI 过度招聘（Overhiring）、2024--2025 行业"纠偏期"
-
判断： 不是"没有机会"，而是"匹配变难"
3. AI 从业者的三大成功支柱
深度理解（Understanding in Depth）
商业聚焦（Business Focus）
偏向交付（Bias Toward Delivery）
4. AI 工作已进入"生产导向时代"
-
从"能做酷东西" → "能创造业务价值"
-
核心关键词：Production、UX、成本、收入、风险
5. 四个 AI 职业现实（必须面对）
-
商业聚焦不可商量
-
风险缓解是核心能力
-
责任（Responsible AI）正在进化
-
价值优先于意识形态
四、Vibe Coding：机会、风险与工程师价值
1. 工程师不会被取代，反而更重要
- 生成代码 ≠ 理解代码
- 工程师是最懂生成代码后果的人
2. 技术债务：理解 Vibe Coding 的关键框架
- 所有代码都会产生债务
- 好债务 vs 坏债务
- Vibe Coding 本质：用未来维护成本换取当前速度
3. 负责任的 Vibe Coding 三原则
-
清晰目标
-
可验证的业务价值
-
人类可理解性（文档、命名、结构）
五、如何在"炒作周期"中保持清醒
- 社交媒体奖励的是互动，不是正确性
- AI 领域噪音极高
- 稀缺能力：
- 从噪音中提取信号
- 成为"可信赖顾问（Trusted Advisor）"
六、课程核心结论总结
- AI 并未降温，而是在进入更理性、更成熟的阶段
- 技术能力 ≠ 职业成功
- 复合型能力正在成为主流：工程 × 产品 × 商业 × 风险意识
- 在 AI 时代，真正稀缺的是：能持续交付价值、管理复杂性、影响他人的工程师
全文
以下为AI领域的泰斗吴恩达（Andrew Ng）和资深行业专家劳伦斯·莫罗尼（Lawrence Moroni）在斯坦福大学课程《AI 职业发展建议与市场展望》逐字逐句稿。
Andrew Ng（吴恩达）:
今天我想做的是和大家聊聊关于 AI 领域的职业建议。往年这部分讲座大多由我自己来完成。但今天我的想法是，我先分享几点简短的看法，然后把讲台交给我的好朋友 Lawrence Moroney。我邀请了他作为演讲嘉宾，他非常友善地同意从他居住的西雅图远道而来，来到旧金山。他将与大家分享他在就业市场上看到的非常广阔的图景，以及在 AI 领域发展职业生涯的建议。
在把话筒交给 Lawrence 之前，我有两张幻灯片和另一个想法想分享。现在的感觉真的是构建 AI 应用和在 AI 领域建立职业生涯的最佳时机。几个月前，我知道在社交媒体和传统媒体上，有一些关于"AI 发展是否正在放缓"的疑问。有人说，"GPT-5 真的有那么好吗？"我认为它其实相当不错，但关于 AI 进步是否放缓的问题确实存在。我认为这个问题被提出的部分原因在于，如果 AI 的基准是 100% 的完美答案，那么如果你进步神速，在某个时间点你也无法超过 100% 的准确率。
但对我思考影响最大的一项研究是 MER meter 这个组织所做的工作。他们研究了随着时间推移，AI 所能完成的任务的复杂性，衡量标准是"人类完成该任务所需的时间"。几年前，也许 GPT-2 可以完成人类几秒钟就能做完的任务；然后它们能做人类需要 4 秒的任务，然后是 8 秒，然后是 1 分钟、2 分钟、4 分钟，以此类推。这项研究估计，AI 所能完成的任务长度（复杂性）每 7 个月就会翻一番。基于这个指标，我对 AI 将继续取得进步感到乐观，这意味着以人类完成任务所需时间衡量的任务复杂性正在迅速翻倍。同一项研究用较小的数据集论证，AI 编程能力的翻倍时间甚至更短，可能只有70 天左右。所以，那些以前我要花 10 分钟、20 分钟、40 分钟写的代码，现在 AI 能做得越来越多。
我认为这是构建的黄金时代，是我们所见过的最好的时机，原因可能有这在大主题：更强大和更快速。你们在这个房间里的所有人，现在都能编写出比一年前地球上任何人------即使是最资深的用户------所能构建的软件都更强大的软件。这是通过使用 AI 构件（Building Blocks）实现的。AI 构件包括大语言模型（LLMs）、RAG（检索增强生成）、智能体工作流、语音 AI，当然还有深度学习。事实证明，许多 LLM 对深度学习有着相当不错、至少是基础的理解。如果你提示一个前沿模型为你实现一个尖端的神经网络------比如试着提示它为你实现一个 Transformer 网络------它实际上能很不错地帮你使用这些构件快速构建软件。所以我们拥有了非常强大的构件，而这些构件在一两年前是非常难以获得或者根本不存在的。
同时也因为 AI 编程，你能编写软件的速度比以往任何时候都快。我个人发现，紧跟工具的前沿同样重要，因为 AI 编程工具的变化真的非常快。几个月前，我个人最喜欢的工具变成了 Cloud Code，这比早期的几代工具进步了很多；然后我认为自从 GPT-5 发布后，OpenAI Codex 实际上取得了巨大的进步；而就在今天早上，Gemini 3 发布了------我还没时间玩它，因为它只是今天早上刚发布------但看起来又是巨大的飞跃。所以如果你每三个月问我一次我最喜欢的编程工具是什么，答案实际上可能都会变，肯定每六个月会变，甚至可能每三个月就变。我发现，在这些工具上落后半代意味着生产力会大打折扣。我知道每个人都说 AI 发展太快了，但在 AI 的所有领域中，有些东西也许并不像炒作说的那样快，但 AI 编程工具确实是我看到进步速度惊人的一个领域。保持使用最新一代的工具，而不是落后半代，会让你更高效。
鉴于我们能够构建更强大的软件，并且构建速度比以往任何时候都快，我现在比一年前或两年前更强烈地给出一条建议：去构建东西。除了在斯坦福上课、修网课之外，去构建并向他人展示你的成果的机会比以往任何时候都大。
但这带来了一个奇怪的暗示，也许现在还没被广泛认知，那就是产品管理（PM）的瓶颈。**当从清晰编写的软件规范转变为代码变得越来越容易时，瓶颈就日益转移到了"决定构建什么"，或者日益转移到"为你真正想构建的东西编写清晰的规范"上。**当我构建软件时，我通常会设想一个循环：我们写一些软件，写一些代码，展示给用户以获取用户反馈。我认为这是 PM 或产品管理的工作。然后根据用户反馈，我会修正我对用户喜好的看法------比如这个 UI 太难用，他们想要这个功能，不想要那个功能------并改变我要构建什么的构想，然后多次通过这个循环，希望能迭代出一个用户喜爱的产品。因为 AI 编程，构建软件的过程变得比以前便宜得多，也快得多，但这讽刺地将瓶颈转移到了决定构建什么上。
我在硅谷和许多科技公司看到了一些奇怪的趋势。人们经常谈论工程师与产品经理（Engineer-to-PM）的比例。你要对这些比例持保留态度，因为它们到处都是，但你听到公司谈论的比例大约是 4:1，7:1 或 8:1。这种观念是一个写产品规范的产品经理可以让 4 到 8 个工程师忙碌起来。但因为工程速度在加快，而产品管理并没有被 AI 像工程那样加速那么多，我看到工程师与 PM 的比例正在下降，甚至可能到了 2:1 或 1:1。我合作的一些团队，提议的人员配置甚至是 1 个 PM 对应 1 个工程师，这与几乎所有传统的硅谷公司都不一样。
**我看到的另一件事是，既能做工程又能塑造产品的工程师行动速度极快。**你可以更进一步，把工程师和 PM 的角色融合在一个人身上。我发现确实有些工程师喜欢做工程工作，不喜欢和用户交谈，不喜欢工作更人性化、同理心的一面。但我发现，越来越多的那部分学会与用户交谈、获取反馈、对用户产生深刻同理心以便决定构建什么的工程师，是目前我在硅谷看到行动最快的人。在我职业生涯的最早期，有一件事我后悔了很多年。在我担任的一个职位中，我试图去说服一群工程师去做更多的产品工作。我实际上让一群非常优秀的工程师因为不擅长做产品经理而感到难过。那是我的一个错误，我为此后悔了很多年，我不应该那样做。现在我的一部分感觉是，我又要回去重复那个一模一样的错误了。话虽如此，我发现既然我可以写代码，也可以与用户交谈来塑造要做什么，这让我和能做到这一点的工程师走得更快。所以我觉得值得重新审视工程师是否可以多做一点这类工作。因为如果你不等待别人把产品需求带给客户，而是自己写代码，对下一步做什么有直觉并快速迭代，那种执行速度是快得多的。
在把话筒交给 Lawrence 之前，我想分享的最后一件事是关于职业导航的。**我认为预测你学习速度和成功水平的最强指标之一，是你周围的人。我认为我们都是社会性动物，我们都向周围的人学习。**事实证明，社会学研究表明，如果你的五个密友都是吸烟者，你成为吸烟者的概率就很高。请不要吸烟，这只是个例子。我不知道是否有研究表明，如果你的 5 到 10 个密友是非常勤奋、坚定、学习迅速、试图用 AI 让世界变得更美好的人，你也更有可能这样做。但我认为这几乎可以肯定是真的。如果你能找到一群好的人一起工作，这会推动你前进。
在斯坦福，我很幸运，这里有很棒的学生群体和教职员工。我认为我们在斯坦福很幸运拥有的另一件事是**结缔组织"（Connective Tissue）**。坦率地说，许多在前沿 AI 实验室工作的人都是斯坦福不同教授以前的学生。这种丰富的结缔组织意味着，在斯坦福我们经常能听到很多并未被广泛知晓的事情，因为有这些关系和友谊。当某家公司做了什么事，我的教授朋友可能会打电话给公司里的某个人说："嘿，这很奇怪，这真的管用吗？"这种丰富的结缔组织意味着，就像我们试图拉着朋友前进一样，我们的朋友也用知识、结缔组织和前沿诀窍拉着我们前进，而不幸的是，这些并不是目前都在互联网上公开的。所以，当你在斯坦福的时候，去交朋友，形成那种丰富的结缔组织。对我自己来说，有很多次我想往某个技术方向走，我会和真正接近研究的人------要么是斯坦福的研究员，要么是前沿实验室的人------打一两个电话。他们会分享一些我以前不知道的东西，这改变了我选择项目的技术架构的方式。所以，你周围的那群朋友，那些小块的信息------"试试这个，别做那个，那是炒作，忽略公关，别真的去试那个东西"------这些事情对你把握项目方向的能力有巨大影响。斯坦福的这种结缔组织真的很独特。我不希望听起来像是在给斯坦福做公关，但我真的认为在这个时间点，世界上没有任何一所大学像斯坦福这样享有特权，拥有与所有领先 AI 团队如此丰富的连接。
对你们来说，如果你申请工作，对你职业成功更重要的是你去一家公司时，你每天与之共事的人。我要讲一个我在以前的课上讲过的故事。几年前有个我认识的斯坦福学生，他在斯坦福做得很好，我认为他是明日之星。他申请了一家公司的工作，并拿到了 Offer。这是一家拥有热门 AI 品牌的公司。这家公司拒绝告诉他会加入哪个团队。他们说："哦，先签 Offer 吧，我们有轮岗系统、匹配系统，吧啦吧啦。先在虚线上签字，然后我们再看哪个项目适合你。"部分因为这是一家好公司，他的父母也为他在那儿找到工作而自豪，这个学生加入了这家公司，希望能做一个令人兴奋的 AI 项目。在他签字之后，他被分配去维护公司的后端 Java 支付处理系统。我对那些想做后端 Java 支付处理系统的人没有任何意见，我觉得那很棒，但这是一个没有被匹配到 AI 项目的 AI 学生。大约有一年时间，他非常沮丧，一年后他真的离开了那家公司。不幸的是，我在 CS230 课上讲过这个故事，几年后，CS230 的另一个学生在同一家公司经历了完全相同的遭遇------不是 Java 支付处理，而是另一个项目。我认为这种试图弄清楚你每天实际与谁一起工作，确保你周围的人能激励你并做令人兴奋的项目的效应很重要。坦率地说，如果一家公司拒绝告诉你会被分配到哪个团队，这确实会在我心中引发疑问。
与其去拥有最热门品牌的公司，如果你找到一个非常好的团队，里面有非常勤奋、知识渊博、聪明、试图用 AI 做好事的人，哪怕公司 Logo 没那么火，我认为这通常意味着你学得更快，职业发展更好。因为归根结底，当我们走进门时，我们不是从公司 Logo 的兴奋中学习，而是从我们每天打交道的人那里学习。所以我强烈建议你们把这作为一个巨大的筛选标准。
最后我想说一件在某些圈子里被认为"政治不正确"的事，但我还是要说：在某些圈子里，鼓励别人努力工作已经变得"政治不正确"了。我要鼓励你们努力工作。我想有些人不喜欢这样说，是因为有些人处于人生的某个阶段，他们无法努力工作。比如我的孩子刚出生后，我有一小段时间没有努力工作；还有人因为受伤、残疾或其他非常正当的理由，在那个时刻无法努力工作。我们应该尊重他们，支持他们，即使他们没有努力工作，也要确保他们得到很好的照顾。话虽如此，我所有的------比如说博士生------他们变得非常成功，我看到他们每一个人都工作得极其努力。我是说，那些凌晨 2 点还在调超参数（hyperparameter tuning）的日子，我经历过，做过，甚至有些日子现在还在做。如果你很幸运，正处于人生的某个位置可以非常努力地工作，现在有太多的机会去做事了。如果你能像我一样，因为晚上和周末写代码、构建东西、获取用户反馈而感到兴奋，如果你全身心投入去做这些事，这会增加你真正成功的几率。我也许会因为鼓励你们努力工作而惹上麻烦，但我发现事实是，努力工作的人能完成更多的事情。我们当然也应该尊重那些不这么做或无法这么做的人。但是，比起看一些无聊的电视节目，还是在周末找你的智能体编码器（agentic coder）去尝试些东西，几乎每次我都会选择后者------除非我在陪孩子看节目。
好了，这些就是我想说的主要内容。现在我想把讲台交给我的好朋友 Lawrence Moroney，他将分享更多关于 AI 职业的建议。简单介绍一下，我认识 Lawrence 很久了。他做了很多在线教育工作，有时是和我和我的团队合作。他教了很多人 TensorFlow，教了很多人 PyTorch。他在 Google 做了多年的首席 AI 倡导者，现在在 Arm 领导一个团队。我也很喜欢他的几本书，这是其中一本，他最近还出了一本关于 PyTorch 的新书。这是一个非常受欢迎的演讲者。所以我非常感激他同意来为我们演讲。
Lawrence Moroney:
荣幸之至。我想加强一下 Andrew 刚才说的关于选择共事伙伴非常重要这一点。但我也想从另一个角度展示一下，那就是公司在面试你的时候，也在选择你。好的公司真的也想选择与之共事的人。
我过去特别是过去的 18 个月里一直在辅导很多年轻人寻找职业机会。我想讲一个年轻人的故事。这个小伙子受过良好的教育，经验丰富，是个超级精英程序员。他能解决摆在他面前的所有挑战。他在四月份被裁员了。他在医疗软件行业工作，而医疗软件行业发生了巨大的变化，联邦政府削减了许多领域的资金，他被解雇了。凭他的经验、能力和技能，他以为找另一份工作会很容易。这个可怜的年轻人在四月份过得很惨：他被裁员了；在那之前不久，他的女朋友和他分手了；几周后，他的狗死了。所以他的状态很不好。
几个月后，我和他坐下来看了看，他有一个电子表格，记录了他申请的工作。他追踪了 300 多个工作。在其中一些工作中，他实际上进入了面试流程，并且在 Meta、微软等公司走得很远。还有另一家大型科技公司------实际上是 Jeff Bezos 的公司，不是亚马逊（注：指 Blue Origin 或其他投资公司）。每次在面试循环快结束时，他知道自己表现得很好，解决了所有编码问题，与人进行了很好的对话------至少他认为是这样。但每次在一天之内，招聘人员就会打电话给他说："不，你没拿到工作。"这令人心碎。如我所说，他追踪了 300 多个工作。
所以我开始和他一起做模拟面试和微调。非常棒的候选人。我搞不懂哪里出了问题，直到我决定尝试一种不同类型的面试：我给了他一个非常艰难的面试。我给了他一些很难的 LeetCode 题，我在他的代码里挑了一些非常晦涩的边缘情况，然后我观察他的反应。他的反应遵循了他在招聘手册上看到的建议。很多招聘手册会说："你会有机会发表意见，你要坚守立场（Stand your ground），你要有骨气（Backbone），不要弯腰。"
他对这条建议的解读是表现得非常非常强硬。所以当我挑他代码的毛病，或者指出可能行不通的边缘情况，给他一个危机测试时，这条让他"坚守立场"的建议最终导致他在这些面试环境中表现得充满敌意。从面试官的角度来看（这正是 Andrew 刚才说的），如果我管理这个团队，哪怕这个人是那个陈词滥调里的"10倍工程师"，我也绝不要让他靠近我的团队，就是因为这种态度。我们针对这点进行了微调。奇怪的是，他其实是一个非常非常好的人。只是这是别人给他的建议，他遵循了建议，结果导致面试失败。当我让他去下一家公司面试时，那是一家非常看重团队合作的公司。好消息是，他在那家公司得到了工作。他现在的薪水是他被裁员前那份工作的两倍。他回顾过去，虽然经历了六个月的失业，虽然当时非常艰难，但他挺过来了。所以反过来说，如果你在看一家公司，看你要共事的人很重要，但也要意识到他们也在用同样的方式看你。如果你去过技术面试辅导，他们给了你"坚守立场、要有骨气"的建议，这建议不错，但在做的过程中不要做个混蛋（Don't be a jerk）。
大家能看到我的幻灯片吗？好的，我是 Lawrence。我在科技行业工作的时间比 ChatGPT 认为的还要长。我在许多大型科技公司工作过，我在微软待了很多年，在 Google 待了很多年，也在路透社等地工作过。我在国内外做了很多创业公司的工作。我今天真正想谈的是 AI 领域的职业格局，特别是考虑到 Andrew 刚才说的你们在斯坦福的优势。要利用你们拥有的每一个武器，因为现在的环境并不理想。我们经历了一些非常艰难的时期。你只要看看新闻，大规模的科技裁员，招聘放缓，诸如此类。
就业市场现状检查：实际上出于好奇，你们是大三学生吗？是今年毕业还是明年毕业？大概是大三。所以你们将在即将到来的夏天毕业。有多少人已经在找工作了？好的，相当多。有多少人已经成功了？没人。哦，有一个。好的，算是吧。好的，那很好。所以你们可能看到了一些信号：初级招聘显著放缓。我说初级是指毕业生级别的。高调的裁员占据了头条新闻。几年前我在 Google 时，他们进行了有史以来最大规模的裁员。我们在亚马逊、微软等公司也看到了裁员。感觉入门级职位很稀缺------我在这把"感觉"这个词划了重点，稍后我会详细讲这个。竞争也很激烈。
但我的问题是：你应该担心吗？我说不。因为如果你能以正确的方式，特别是理解 AI 领域变化之快的思维方式去应对，我认为拥有正确心态的人将会蓬勃发展。
我是什么意思呢？正如 Andrew 提到的，AI 招聘格局正在变化，因为 AI 行业本身正在变化。其实我早在 1992 年就第一次涉足 AI 了。我在那里工作了一小段时间，就在 AI 寒冬之前。一切都彻底失败了。但我被 AI 的虫子咬了一口（迷上了 AI）。然后在 2015 年 Google 发布 TensorFlow 时，我又被拉了回来。成为了整个 AI 繁荣的一部分，发布 TensorFlow，向数百万人推广它，并看到了发生的变化。
但到了 2021 年、2022 年左右，我们遭遇了全球疫情。全球疫情导致了大规模的工业放缓。这种大规模的工业放缓意味着公司不得不开始转向那些能驱动收入、直接驱动收入的事情。在 Google，TensorFlow 是开源产品，它不直接驱动收入。我们开始缩减规模。世界上每家公司在那时也都缩减了招聘。然后到了 2022 年、2023 年左右，发生了什么？我们开始走出全球疫情。我们开始意识到所有行业都有这大规模的招聘积压------他们没做的招聘。同时我们也进入了一个 AI 爆发的时期，多亏了像 Andrew 这样的人的工作。世界正在转向在几乎所有事情上都"AI 优先"。每家公司都需要疯狂招聘。
2022 年、2023 年的疯狂招聘意味着大多数公司最终**过度招聘（Overhiring）**了。这通常意味着，不具备高级职位资格的人通常得到了高级职位，因为你必须进入竞价战才能获得人才。你最终进行了人才抢夺，最终出现了 Andrew 刚才讲的那种故事：这里有一个有 AI 天赋的人，让我们抓住他们，向他们砸钱，让他们来为我们工作，然后我们在想我们要干什么。
结果，2022、2023 年，因为 AI 和新冠后的积压，发生了大规模的过度招聘。然后 2024、2025 年是大觉醒（Great Wakeup）。很多公司意识到他们过度招聘了。他们最终拥有了很多并不胜任工作的人。很多人仅仅因为简历上有"AI"就被录用了。现在正在进行大的调整。
在这个大调整的背景下，很多公司现在对招聘 AI 技能更加谨慎。如果你带着这种心态进入市场，并意识到机会依然存在，如果你策略性地应对，机会是巨大的。所以我今天想谈谈如何做到这一点。
我认为商业世界，特别是 AI 商业世界，有三个成功的支柱。如今，你不能仅仅因为简历上有 AI 就被过度招聘。如今，不仅你要能说你有这就这三个成功支柱的心态，你还必须能展示出来。要展示这些，实际上现在是前所未有的好时机。正如 Andrew 早些时候演示的，通过"Vibe Coding"（氛围编码/直觉编程）把东西提示出来------虽然他不喜欢"Vibe Coding"这个词，我也某种程度上同意------或者用其他词来形容，能让你比以往任何时候都更好地展示自己。
他早些时候谈到了产品经理，提到他曾让工程师做产品经理，结果那些工程师最终成了很糟糕的产品经理。实际上我曾两次面试 Google 失败，虽然我在微软很成功，写了 20 多本书，教过大学课程。我面试 Google 两次都失败了，因为我面试的是产品经理。后来当我面试工程师时，他们录用了我，并且问："你为什么几年前不来加入我们？"（笑）所以很多时候，作为一个优秀的工程师，你有能力去做并展示这一点。而且随着工程师与产品经理比例的变化，工程技能也比以往任何时候都更有价值。
所以成功的三个支柱：
第一：深度理解（Understanding in Depth）
我有两层意思。第一是学术上的，对机器学习、特定模型架构有深度的学术理解，能读论文，理解论文内容，特别是理解如何把这些东西付诸实践。第二部分深度理解是真正把脉特定趋势，并且了解在这些趋势中哪里信噪比（signal to noise ratio）倾向于信号。我稍后会详细讲这个。
第二点：商业聚焦（Business Focus）
Andrew 刚才说了一句"政治不正确"的话。我也要说一句类似的"政治不正确"的话。首先是关于努力工作。努力工作是一个如此模糊的术语，我会说你要从"你就是你所衡量的东西"这个角度去思考努力工作。外面有一种趋势，我不记得是 996 还是 669？996 对吧？早 9 点到晚 9 点，一周 6 天。这不是衡量努力工作的标准。那是衡量花费时间的标准。我会鼓励所有人像 Andrew 一样思考努力工作，但努力工作是你如何衡量它。我个人用产出（Output）来衡量，即我在花费的时间里创造了什么。
我经常开玩笑，但这是真的，我写了很多书。Andrew 刚才举起的那本，还有一本他也帮我写了一点。我那本书其实大概两个月就写完了。人们说："你有工作还有这些事，怎么有时间？你一定每天工作 16 小时才能做到。"但实际上，我能写书的秘诀是棒球。这里有棒球粉丝吗？我爱棒球，但如果你坐在电视前看棒球，一场比赛要三四个半小时。所以我所有的写作倾向于在棒球赛季做。我是西雅图人，我喜欢水手队。我喜欢道奇队。没人发出嘘声？好的，很好。通常其中一队会在晚上 7 点比赛。与其坐在电视前无脑看棒球，我会一边开着棒球比赛当背景音一边写书。那是一个节奏很慢的比赛。这就是这一案例中的努力工作。
我会鼓励你们找到可以努力工作并产生产出的领域。这就是这里的第二个支柱：商业聚焦。你产生的产出要与你想要的商业聚焦和你想要做的工作对齐。有一句老话："不要为你拥有的工作着装，要为你想要的工作着装。"我会说这句话的一个新角度是："不要让你的产出是为了你拥有的工作，让你的产出是为了你想要的工作。"
如果回溯到我提到我两次面试 Google 失败，第三次我进去的时候，我决定用不同的方式。当时我正在面试他们的云团队。他们刚刚真正推出云服务。我刚写了一本关于 Java 的书。所以我决定看看我能在他们的云上用 Java 做什么。我最终写了一个 Java 应用程序，在他们的云上运行，使用技术分析来预测股票价格。当我面试时，我不让他们问我像"一辆巴士能装多少高尔夫球"这种蠢问题，他们看到了这段代码。我把这段代码放在了简历上。为了我想要的工作产生代码。我的整个面试循环都在问我关于我的代码的问题。这把主动权交给了我。这让我能够交流我知道的东西，而不是盲目地进去让别人问我随机的问题，并希望我能回答上来。
我会说在 AI 世界也是一样，商业聚焦，你现在能够通过提示把代码变出来，把产品变出来。如果你能构建这些产品，并把它们与你想做的事情对齐------无论是在 Google、Meta、创业公司还是其他地方------并且不仅对你的代码有深度理解，还对它如何与业务对齐有深度理解。这是这个时代成功的支柱。我也认为，尽管信号看起来好像外面没有很多工作，其实是有工作的。只是没有很多好的"工作与人的匹配"。
第三点"偏向交付（Bias towards Delivery）
想法很廉价，执行才是一切。我面试过很多人，带着非常空泛的想法进来，却无法将其落地。我面试过很多人，带着半成品的想法进来，但落地得非常好。猜猜谁得到了工作？
所以我会说这三点：对 AI 背后学术和实践的深度理解；商业聚焦，专注于为业务交付，理解业务需求并能够为此交付；以及那种偏向交付的心态。
快速转换话题。现在在 AI 领域工作到底是什么样的？这很有趣。大概在两三年前，在 AI 领域工作是"如果你能做一个东西，你就很棒"。如果你能做一个图像分类器，你就很金贵。我们会向你砸六位数的薪水和巨额股票福利。不幸的是，现在不是这样了。今天你会看到很多P 开头的词：生产（Production）。你能为生产做什么？无论是构建新模型，优化模型，理解用户------用户体验（UX）真的非常非常重要。一切都以生产为导向。
我告诉过你们的历史，从疫情进入过度招聘阶段，企业已经撤退并优化底线。我有一句老话：底线就是底线就是底线（The bottom line is that the bottom line is the bottom line）。这就是我们今天所处的环境。如果你在与公司交谈时能带着这种心态，那是打开大门的钥匙之一。我在这个领域看到的一件事是，它已经成熟了，从以前"能做酷的事情很好"变成了现在的"构建有用的事情"。那些有用的事情也可以很酷。它们的结果可以很酷。甚至由此带来的变化也可以很酷。所以不是为了酷而酷，而是真正专注于交付，专注于提供价值，然后酷自然会随之而来。