斯坦福开学第一课｜吴恩达：别把 AI 当选修，这是生存

全文 4,000字 | 阅读约 13 分钟

（吴恩达CS230开学演讲概述 | 2025斯坦福秋季课程）

2025年9月底，斯坦福大学CS230深度学习课程正式开课（computer science 230是斯坦福计算机系的深度学习课程代号，由吴恩达等教授主讲，是AI领域的经典课程之一）。

在这场一个多小时的开学演讲中，吴恩达没有讲 AI 会如何颠覆世界，也没有渲染失业危机，而是用大量实战案例说清楚一件事： AI 时代，什么样的人最有竞争力？

答案不是“最懂AI的人”，而是“既掌握计算机基础，又会用AI工具的人”。

他直言不讳地说：

今天，我不会雇用不知道如何用AI辅助编程的软件工程师。

这不是危言耸听。历史总是这样：从打孔卡到键盘，从汇编语言到Python，每一次工具进化都降低了门槛，也扩大了使用人群。AI辅助编程，只是这个进程的延续。

但关键在于：工具降低了门槛，但没有降低对基础知识的要求。

真正高效的人，不是只会用工具，而是既懂底层原理、又能用AI工具放大自己能力的人。

在这场演讲中，吴恩达给出了清晰的学习路径：

• CS基础是你指挥AI的语言

• 深度学习让你能解决提示词解决不了的问题

• 快速原型能力决定你的迭代速度

• 有纪律的开发流程能让团队效率提升10倍

AI技能不只是加分项，它正在成为标配。 但更重要的是，现在正是最好的学习时机。

第一节｜深度学习的突破：规模决定能力

很多人以为，AI 的成功是因为有人发明了多么聪明的算法。

吴恩达却说：关键不是算法变聪明了，而是我们终于找到了一条“规模化”的路。

在开学第一节课上，他画了这样一张图：

（吴恩达讲解深度学习的规模法则：数据量越大，模型表现越好（斯坦福CS230课堂，2025年9月））

横轴是数据量，纵轴是模型表现。 用传统算法，比如逻辑回归或决策树，表现很快就会到顶。无论你喂它多少数据，都无法继续提升。 但如果用深度学习模型，比如神经网络，结果就完全不一样：数据越多，效果越好，几乎没有上限。

他原话是：

“旧一代算法不知道怎么处理这么多数据。深度学习，是第一批能真正吸收得动这些数据的算法。”

✅ 从斯坦福宿舍到规模法则

吴恩达回忆起十五年前的一个晚上：

“我第一台用 GPU 训练神经网络的机器，是斯坦福一个本科生在宿舍里组装出来的，他叫 Ian Goodfellow。”

对，就是后来提出 GAN 的那位 Ian。

那台宿舍服务器使用当时还很新的CUDA编程语言，在GPU上训练神经网络。实验结果令人震撼：深度学习的效果随着模型规模和数据量的增加，持续上升，毫无瓶颈。

这背后的原理被后来称为“规模法则”（Scaling Laws）。

什么规模法则？

简单说：你给模型加一倍数据，训练时花两倍算力，性能就能稳稳提升一截。

不是玄学，不靠运气，而是一种“可预测的增长”。

吴恩达说：

你可以预测：如果买这么多 GPU、灌入这么多数据，结果会是多少。AI 的训练效果第一次变得可规划了。

这就解释了为什么从百度到OpenAI，都在做同一件事：把模型做大，把数据规模扩大，把 GPU 算力堆上。

过去十年，AI的跃升并非来自算法突破，而是靠"大模型+大数据+大算力"这套组合稳步攀升。

它靠的是规模，而非巧思。

✅ 你需要学什么？

想用好 AI，你不需要重新发明什么算法。

你需要知道的是：哪种组合方式真正有效，如何把这些组件搭建起来，让它解决现实问题。

吴恩达： “你不是来当研究员的，你是来学会怎么把这些工具用起来，让它们真正落地。”

这门课要教所有人，第一件事：不是发明新算法，而是学会驾驭规模的力量。

第二节｜调参能力：决定项目是几天成型，还是几月才见效

在开学演讲里，吴恩达花了相当多的时间讲“调参”。 在很多非技术人的印象中，调参像是魔法，随便调几个数字就行。 吴恩达直接打破这个幻想：

“我博士期间凌晨两点还在调超参数。 有时候能在三点搞定回家睡觉；有时候调不出来，要七点才能回家。”

他笑着补了一句：

“我不是鼓励你们熬夜，而是想告诉你，而是想说调参能力真的能决定你多快做出一个有效的模型。”

在他看来，调参决定了一个模型能否落地，一个项目是几天成型还是几个月才见到效果。

✅ 为什么要从零开始写神经网络？

他对学生说：

“在这门课里，我们不会只教你用 TensorFlow 或 PyTorch 这些工具。我们会用纯 Python从零开始写出一个小型神经网络， 这样你能看到每一步在干什么，也能知道为什么要调这个数字而不是那个。”

为什么要这么做？

因为只有亲手搭过底层结构，才能在模型表现不佳时找到真正的原因： 是数据不够？是网络太小？还是学习率太高？

吴恩达提醒：

“经验不足的团队，常常在不知道问题在哪的情况下去搜集更多数据、买更多 GPU。有时这根本没有用。”

他举了个自己遇到的真实场景： 有一家大型企业看新闻说“GPU 能力越大越好”，花了大钱买 GPU， 结果 CTO 指着他的侄子说： “我侄子懂 AI，我给他这些 GPU 预算，他会给我做 AI。” 最后什么都没做出来。

这就是为什么他想教一套系统化的开发流程。

不是凭感觉决策，也不是看新闻跟风，而是先诊断问题，再对症下药。

他把这种方法比作医生看病：先查病因，再开处方。采用这种方法的团队，往往能快10倍达成同样目标。

✅ 模拟演练：诊断比代码更重要

所以在 CS230，他和助教会安排模拟演练： 学生分组开发“刷脸解锁”应用，从摄像头采集到人脸识别、图像处理、身份比对、防伪检测，每个环节都要自己诊断瓶颈、选择方案。

吴恩达强调：

“我希望你们离开这门课时， 不只是会写模型， 而是知道先做哪一步最有效， 这样才能在几天内搞定别人几周、几个月都做不出来的东西。”

这就是他眼里真正的“实战能力”：

不是写多少行代码，而是知道先抓哪个环节，怎么调试，才能最快拿到结果。

第三节｜提示词很好用，但成本和能力都有天花板

很多人以为，生成式 AI 工具已经足够强了，只要想好怎么提问，AI 就能搞定一切。

但吴恩达在讲台上，讲了个更现实的故事：

“我们做过很多原型项目，前期都靠大语言模型（LLM）跑得很快。 但当用户量上来以后，账单增长的速度让人难以承受。”

他笑着说了一句意味深长的话：

“我们真的爱提供这些 LLM 服务的公司，但他们的账单实在太高了。”

✅ 从几百到几万：成本是真实的压力

在他参与的多个项目中，原型阶段每月可能只花几百块美金调用 ChatGPT 或 Claude。

一旦产品被更多用户使用，调用量成倍增长，每个月的成本变成了几万、几十万甚至更多。

这时候，光靠优化提示词已经不够了。必须自己动手，用深度学习工具搭建和微调模型，才能在降低成本的同时提升效果。

“知道怎么训练一个小模型，怎么调整参数，怎么接入自己的数据，是决定产品能否持续运营的关键。”

这不仅是成本问题，还有能力边界。

吴恩达指出： “大语言模型擅长处理文字类任务。 但如果你要处理音频、图像、结构化数据（比如大表格），就很难完全靠它。”

他举了几个真实的困境：

• 想让 LLM 理解用户上传的 Excel 表，结果总是读错单元格；

• 想让模型识别视频中的说话人，但噪音太多，模型误判严重；

• 想让生成式 AI 写一段代码，但它对上下文理解有限，结果出错概率很高。

吴恩达的解决办法不是“优化提示词”，而是用深度学习方法直接解决这些问题：

“很多人花一个月试图写出更好的提示词，但准确率还是上不去。最后，还是要回到基础工具，调整模型，效果才能稳定提升。”

✅ 原型快，但生产环境需要真功夫

生成式 AI 用来做原型很合适：速度快、上手快。但一旦要上生产环境，要控制成本、精细调整表现，就需要真正懂深度学习的人。

他给一个很实用的建议：

“我们会教你怎么用预训练模型，怎么根据自己的数据进行微调。这样你不用从头训练超大模型，也能做出可靠的 AI 应用。”

所以在这里，除了学习如何写神经网络、调整参数，你还会掌握当生成式AI不够用时，如何深入一层用深度学习工具做出效果。

不是每个问题都能靠提示词解决。

真正的能力，是在提示词不再起作用时，你还有第二种方法可以选择。

第四节｜AI 会写，但听不懂你才是问题

吴恩达讲到 AI 编程工具时，说了一个挺有意思的场景：

“我周末在咖啡店写代码，旁边有人在手动写程序。 我看了一眼，觉得太奇怪了，就问他们在干嘛。 原来是在做别的学校布置的作业，老师不让用 AI 工具，只能手写代码。”

他说这话时，现场不少学生笑出声来。

因为在 2025 年的今天，AI 编程助手几乎已经是标配。 不管是 Cursor、Codex，还是 Gemini CLI，几乎人人都在用。

但吴恩达提醒大家：

工具能帮你写，但你得知道怎么让它理解你的意图。

他说自己也试过不用思考、直接靠 AI 生成代码，但效果不理想。 真正能用好 AI 编程工具的人，往往都是那些了解计算机基础的人。

你不懂程序逻辑，就很难让 AI 写出你想要的程序。

✅ 一个关于艺术史的类比

为了说明这个道理，他讲了一个更形象的比喻：

“我有个同事懂艺术史，他可以用很专业的语言跟 Midjourney（AI 图像工具）交流，生成非常漂亮的画面。 我不懂艺术史，只会输入‘请画个好看的机器人’，结果做出来的图根本不能用。所以我们最后用的是他做的图。”

换句话说：AI 是可以帮你干活的，但前提是你得说得清楚、说得专业。

而这个“说清楚”的能力，本质上就是计算机科学的基础知识。

所以吴恩达直言：

不要听别人说AI会写代码就不学编程。这可能是历史上最差的职业建议之一。

他举例说，以前从打孔卡到键盘，从汇编语言到 Python， 每一次工具升级都让更多人能写程序，而不是更少。

现在轮到 AI 辅助写代码了，也一样：

“当工具变得更容易用时，应该有更多人学会使用，而不是放弃学习”

最强的开发者，永远是既懂 AI 工具，又有扎实编程基础的人。

✅ 未来最重要的技能：用专业语言指挥AI

未来最重要的能力，是你能否清楚地告诉AI你要什么，让它准确实现。

这个能力不是靠口号，而是靠你能否真正看懂代码逻辑、调对接口参数、写准确的需求描述。

计算机基础知识，是你指挥AI的语言。

没有这个基础，你只能说“请帮我做个好看的”；有了这个基础，你能说“用这个算法、这种数据结构、这样的接口设计”。

差别就在这里。

第五节｜需求缺口巨大，但具备AI技能的人太少

吴恩达说，他最近常听到抱怨： “CS专业也不好找工作了”、“学 AI 的人太多，岗位已经饱和了。” 但他却直接反驳：

不是机会少了，是具备 AI 技能的人还远远不够。

他说，很多大公司想招聘 1000 个会用AI工具的工程师，但一直招不满。 而另一边，确实也有大量刚毕业的学生在找工作。

为什么会出现这种错配？

✅ 技能没跟上时代

吴恩达给出了解释：

"很多人学的是2002年以前的软件技能。这些技能过去很有用，但今天已经跟不上工作需求了。"

不是他们不努力，而是能力没更新，工具也没用上。

他讲了自己的面试经历：

“我面试过一个10年经验的全栈工程师，技术很扎实，但完全没接触过AI编程工具。紧接着，我又面试了一个刚毕业的大学生，能用Claude、Gemini开发出小程序。最后我选了那个新人。”

这不是否定经验的价值，而是强调：最好的程序员，不只是代码写得多，而是能用AI快速把想法变成可用的产品。

然后，他把今天的就业能力，划成了四个层级：

1、不懂 AI，也没实战经验

“这种人现在真的很难找到落脚点。”

2、有工作经验，但不懂 AI

“这是最危险的状态，看起来能力很强，但缺口非常大。”

3、刚入行，但掌握了 AI 工具

“这是我非常看重的一类人，我更愿意给他们机会。”

4、有经验，也熟练掌握 AI 编程工具

“这类人现在是最抢手的。”

他说自己团队里表现最好的人，几乎都在第四层。

✅ 企业也在摸索

但让他更担心的是另一个问题：很多企业连怎么筛选 AI 技能都不会。自己没用过AI，就不知道该怎么面试会用 AI 的人。

这导致很多真正掌握AI技能的人，在面试时反而没被识别出来。

吴恩达认为，这个问题短期内不会解决，但对懂 AI 的人来说反而是机会：

只要你真的会，别人迟早会发现你的价值。

他鼓励所有人持续学习AI技能。他打趣道：

“可以把AI课程当成宝可梦，遇到就抓。”

机器学习、深度学习、提示工程、模型微调，每个方向都值得探索，而且不限专业背景。

他强调AI能力不只是CS专业的事：我见过很多教育、气候科学、医疗背景的人，学了AI工具之后，做出了非常实用的产品。

AI能力的本质，是把想法变成现实的能力。

无论你在哪个领域，都可以用 AI 做出真正有价值的东西。这不是技术壁垒，而是新的创造机会。

结语｜不是技术课，是生存提醒

吴恩达在演讲最后说：

我希望你们离开这门课后，能清楚地知道：AI能做什么，你该怎么做，而不是只看着别人做。

这句话的重点在“动手”。

过去几年，很多人对AI的态度是观望。现在，工具已经成熟，关键变成了：你会不会用？敢不敢动手？

吴恩达没有讲遥远的愿景，也没有渲染失业恐慌。他说得更务实： “未来最重要的能力，是你能否清楚地告诉AI你想要什么，然后让它帮你实现。”

这不是关于参数和算法，而是关于把想法变成现实的能力。

这个能力不只属于计算机专业。无论你在教育、医疗、气候、商业哪个领域，AI都可以成为你的工具。

现在是最好的学习时机。

不是因为“不学就会被淘汰”，而是因为门槛从未如此之低，机会从未如此之多。

本文由AI深度研究院出品，内容翻译整理自吴恩达2025年9月斯坦福大学CS230深度学习课程开学演讲。未经授权，不得转载。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

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

来源：官方媒体/网络新闻，

排版：Atlas

编辑：深思

主编：图灵