來源：YouTube | 00:19:54 | 2026-08-13
吳恩達主張開源與閉源模型應維持公平競爭，企業必須避免被單一模型供應商鎖定，把護城河建立在應用場景、資料架構與人才技能上；算力需求真實但應用層價值被嚴重低估，AI 不會造成大規模失業，真正挑戰是技能轉型與教育體系加速。
- 開源與閉源不是非黑即白的站隊問題：吳恩達支持 OpenAI、Anthropic 的商業成功，但反對以限制開源模型來換取閉源企業的優勢。
- 開源模型的核心價值是「選擇權」：企業不應被單一模型供應商綁死，因為未來六到十二個月的最佳模型仍無法預測。
- 反駁「中國模型靠知識蒸餾」的簡化論述：吳恩達認為各地實驗室都在互相吸收研究成果，而 Kimi 3 的訓練時間窗也不足以證明其以蒸餾為主。
- 企業護城河不在模型本身，而在既有資產與 AI 的結合：摩根士丹利的案例顯示，高層領導、業務與技術合作才能挖掘真正高價值場景。
- 應用層價值被基礎設施熱度掩蓋：數據中心、GPU 與推理算力需求真實，但建立在基礎設施之上的應用程式才是更大的商業價值。
- 失業狂潮不會發生，真正的問題是技能更新：軟體工程已顯示 AI 提高生產力、需求不降反升，其他行業也應視此為轉型預示。
- 數據中心集中化更環保，但反 AI 情緒阻礙理性討論：與其分散部署算力，不如集中管理，卻也需正視環境與社區疑慮。
-
開源與閉源的虛假二元：蒸餾爭議背後的公共性難題
吳恩達以「當過 Sam 與 Dario 老闆」的特殊身分為自己提供某種「非站隊」正當性，但他真正對抗的是近年美國政策圈對開源模型的安全敘事。他把「企業可從公開網路萃取知識」與「禁止他人再從模型蒸餾」並列，實際上突顯了一個尚未被法律與社群共識解決的問題：公共數據被私有化後，使用與再學習的邊界該如何畫？這種反問很有力，卻也簡化了開源模型被濫用、去安全對齊、版權侵害等風險。值得注意的是，吳恩達的立場仍夾帶美國競爭力焦慮——他惋惜美國開源投資不足，導致非洲等價格敏感地區採用其他地區模型，這並非純粹的中立技術主張，而是夾雜地緣經濟考量。 -
模型商品化與企業護城河的再定位
吳恩達建議企業不要預測未來最強模型，而要保持模型供應商彈性。這背後的產業趨勢是：模型能力快速同質化、開源逼近閉源、推理成本急遽下降，模型本身正在商品化。因此企業的防禦性不該建立在模型 API 上，而應來自工作流程、資料架構、客戶關係、行業知識與分發渠道。他舉摩根士丹利為例，強調高層定調與業務／技術協作能挖掘十倍規模增長的場景。但批判地看，多數企業的數位化程度、數據孤島與組織慣性，可能讓這類「挑戰實驗室」淪為精英企業的示範工程。此外，他也未完全解決基礎模型廠商下一次更新就覆蓋應用層公司的經典風險，只是把護城河移到更深層的資料與流程，而這是否足以抵擋模型能力外溢仍不確定。 -
算力需求、資本支出與泡沫的真正定義
吳恩達對推理算力需求極度樂觀，認為「無論建多少算力都會被消化」，並以思科在網路時代的豐厚回報類比。但思科在 2000 年網路泡沫破裂後股價長期低迷，說明「長期需求存在」與「短期資本不會錯配」是兩回事。當前數據中心、GPU 與電力設施的資本支出規模驚人，若生成式 AI 應用層收入未能等速兌現，可能出現階段性產能過剩、折舊壓力和電網瓶頸。吳恩達本人也謹慎聲明不給投資建議，顯示他知道硬體投資並非穩賺不賠。合理的解讀是：推理算力需求方向正確，但投資者仍須警惕資本紀律、供電能力與應用層變現之間的時序落差。 -
失業恐慌與技能轉型：軟體工程經驗能否外溢？
吳恩達以軟體工程師短缺、AI 提升工程師生產力與職位需求增長，反駁「50% 失業」論。他的觀察符合近期軟體市場的某些真實現象：AI 使高技能工程師轉向更高階工作，企業仍缺熟練 AI 工程師。然而軟體工程可能是最容易被 AI 增強的領域，未必能直接外推到營銷、招聘、客服、行政等職業。部分工作的自動化不會消滅職位，但可能改變入門門檻、薪資結構與工作內容，產生結構性摩擦。吳恩達提倡瞄準 2028 年以後的技能需求來培養人才，方向正確，但較少討論受衝擊群體的年齡、地理與數位落差，以及在職轉匠的實際成本。他創辦 DeepLearning.AI 與 Coursera 的背景，也讓其「教育解決論」帶有可理解的商業利益與樂觀傾向。 -
數據中心環保敘事與「反 AI」情緒的治理盲點
吳恩達認為將散落各處的伺服器集中到專業數據中心，能源與水資源效率更高，因此集中化本身是環保選擇。這個論點在 PUE、冷卻設計與規模化營運上具有技術合理性，卻也容易遮蔽另一個問題：集中化並不等於零碳，若數據中心電力來自化石燃料，總排放仍會增加；部分地區的水冷需求也可能與社區水資源緊張衝突。他敏銳地指出，很多人反對數據中心，其實是對 AI 的不適與恐懼，而非數據中心本身。但把地方環境爭議一概歸為「奇怪的反 AI 游說」，會弱化原本可以更加細緻的政策討論。更成熟的治理框架應同時處理能源結構、電網韌性、社區參與與數據中心設計美學，而不是在「暫停令」與「全力建設」之間二選一。
| 概念 | 說明 |
|---|---|
| 開源模型 | 公開發佈權重、可免費下載與使用的模型，通常成本較低，可避免供應商鎖定。 |
| 知識蒸餾 | 讓小模型學習大模型輸出分佈的技術；爭議在於能否從開源或商用模型再蒸餾。 |
| Transformer | Google Brain 追求規模化文化下催生的架構，成為現代大型語言模型的基礎。 |
| OpenWorker | 吳恩達參與開發的開源桌面 AI Agent，可自動完成文件、郵件、Slack 訊息與數據看板等任務。 |
| 推理算力 | 模型訓練完成後，實際輸出結果所需的算力；吳恩達認為需求持續供不應求。 |
| AI Agent | 不只是對話，而能執行多步驟工作的 AI，需搭配可自動化調用的資料介面與權限設計。 |
| 模型供應商鎖定 | 企業建構在單一閉源模型 API 上，難以切換供應商或被版本更新綁架的風險。 |
| Agent-ready 數據架構 | 重構資料存取、API、認證與權限，使 AI Agent 能以高頻、自動化方式調用數據。 |
| 紅帽模式 | 以開源 Linux 建立企業級支援與訂閱服務的商業模式，被討論是否適用於開源模型。 |
| 數據中心暫停令 | 部分地區暫停數據中心建設的政策；吳恩達認為會拖慢 AI 發展，並忽略集中化環保效益。 |
企業應停止把 AI 策略簡化為「採購最好的模型」。更務實的做法是建立模型抽象層或多模型路由，保留切換 OpenAI、Claude、Gemini 乃至開源模型的能力，並把資源投入在 Agent-ready 數據架構、工作流程自動化與垂直場景上。真正的競爭優勢不會來自某個模型的短期領先，而來自能不能把數十年累積的客戶、數據、供應鏈與 AI 深度結合，產生十倍服務規模或十倍回應速度的業務增長。
投資觀點上，吳恩達的判斷提供了重要區分：基礎設施層需求真實，但應用層長期價值可能更大。這不代表硬體投資沒有風險。數據中心建設、能源供應、GPU 資本支出的週期性，可能與應用層收入兌現速度錯配，形成階段性泡沫或資本回報不足。投資者應更關注能產生經常性收入、掌握垂直工作流與數據網絡效應的應用公司，而非只追逐算力基礎設施的宏大敘事。
政策與人才方面，維持開源與閉源之間的公平競爭環境，對企業、開發者與全球供應鏈都至關重要。不應利用安全、國族或「蒸餾原罪」等模糊敘事限制開源，但也不該忽視開源模型在濫用、版權與能效治理上的真實挑戰。教育體系若仍以 2022 年的標準培養人才，將無法應付 2028 年後的崗位需求。政府與企業應推動終身學習、在職技能更新與轉崗支持，把政策重點從「失業補償」轉向「技能移轉」，這才是應對 AI 就業衝擊更有效的路徑。
- "我无法预测一年甚至六个月后，哪个模型会成为最顶尖的模型，因此在构建业务时，最重要的事情之一就是保持选择的灵活性。不要被单一供应商绑定。"
- "如果一个开源模型能让你以五分之一或者三分之一的成本获得相应的智能算力，你却不使用，那就是巨大的竞争劣势。"
- "我们面临的挑战，不是如何应对失业狂潮，而是如何帮助每个人掌握未来必不可少的新技能。"
點擊展開完整字幕
大家好，这里是最佳拍档，我是大飞 关于AI行业的各种话题 比如说开源闭源之争 模型蒸馏论 算力泡沫论 AI失业潮 一直争论不断 这些讨论呢 往往情绪大于事实 立场多过证据 可能很多人不知道 吴恩达是这个行业里极少数既当过萨姆·奥特曼（Sam Altman）老板 也当过达里奥·阿莫代伊（Dario Amodei）老板的人 他同时在斯坦福、谷歌、百度、投资基金、教育平台等多个维度 深度参与了AI产业的发展 所以今天我们来听听他的判断是怎样的 时间回到2010年 那时候深度学习还远没有今天的热度 吴恩达找到了谷歌创始人拉里·佩奇（Larry Page） 提出了一个在当时备受争议的想法 如果我们能构建一个极其庞大的神经网络 给它喂海量的数据 它们就能学到不可思议的东西 这个想法听起来其实挺简单的 就是越大越聪明 但是在那个时候，大多数人并不买账 后来吴恩达组建了谷歌大脑团队 首要方向就是构建超大规模的AI系统 正是谷歌大脑这种追求规模化的文化 最终催生了Transformer的发明 这项技术后来被OpenAI和整个业界广泛采用 直接引爆了我们现在正在经历的这场现代AI革命 说起来也有意思 推动这一切的核心理念 其实早在吴恩达斯坦福时期的早期研究中 就已经萌芽了 造的AI越大 它就越聪明，这个朴素的信念 直到今天还在推着整个行业往前走 即便在14年前 吴恩达对AI的未来就非常乐观 现在他依然充满期待 但是他也坦诚，有时候会非常兴奋 有时候又会纳闷 为什么我们没有走得更远 一个很现实的观察是 尽管AI技术本身已经非常惊人 但是很多企业依然觉得这项技术还没能真正帮到他们 为什么？ 因为没有哪家公司能够仅仅通过购买ChatGPT或者微软Copilot的许可证 就获得竞争优势 这是一个很多人不愿意承认的真相 真正的问题不在于你买没买最新的模型 而在于你能不能找到合适的应用场景 这涉及到人员的变革管理 需要让合适的人理解这项技术 把它和实际业务场景结合起来 当然也离不开基础设施的支持 不是买个工具就完事了 这是一套系统工程 说到AI真正落地干活 吴恩达最近和朋友罗汉·普拉萨德（Rohan Prasad）一直在开发一款开源的桌面AI Agent 叫做OpenWorker 这款产品的思路很直接 你不只是和它聊天 它实际上还能替你完成工作 现在很多人用ChatGPT、Claude、Gemini这类工具 主要还是提问然后拿答案 再自己复制粘贴去整理 但是AI完全可以走得更远 它可以直接生成一份排版精美的完整文档 而不是给你一堆文本让你自己去调格式 它可以直接帮你发电子邮件 在Slack这类工作通讯软件里帮你发消息 甚至帮你搭建一个数据看板 OpenWorker是完全开源免费的 任何人都可以在自己的电脑上跑这些功能 吴恩达也特别提到 他其实非常看好Claude的Computer Use功能、ChatGPT的相关能力以及Gemini 这些产品都非常优秀 OpenWorker做的事情 是给大家提供一个任何人都可以免费使用的开源版本 聊完具体产品 话题进入这两年最大的一个争议 开源模型和闭源模型之争 吴恩达在这个问题上的立场非常鲜明 但也很微妙 他首先做了一个澄清 他可能是唯一一个既当过Sam的老板也当过Dario的老板的人 所以他实际上非常支持OpenAI和Anthropic 由衷希望他们发展得很好 顺利完成出色的IPO 他真的希望这些伟大的美国企业能够成功 但是，这些企业的成功 不能以切断其他人对开源模型的访问为代价 这个表态其实很有意思，他没有站队 而是划出了一条清晰的边界 OpenAI、Anthropic、谷歌在训练闭源专有模型方面确实做得非常出色 他们以相当高的价格出售API访问权限 这是他们的商业模式 而开源模型 是人们在互联网上公开发布、任何人都可以免费使用的模型 这些模型性能极其卓越 非常智能，而且通常成本要低得多 真正让吴恩达感到震惊的是 少数企业投入了大量资源进行游说 声称开源模型是危险的 他用了荒谬这个词来评价这种说法 还有一种说词是 开源模型在某种程度上不如闭源模型 他说自己完全无法理解这种逻辑 开源模型给企业带来的最核心价值是什么？ 是选择 它意味着你不会被锁定在某一个闭源专有模型提供商那里 吴恩达给企业领导者的一个建议非常实在 我建议所有在做AI落地决策的人都认真听一听 他说，我无法预测一年甚至六个月后 哪个模型会成为最顶尖的模型 因此在构建业务时 最重要的事情之一就是保持选择的灵活性 不要被单一供应商绑定 他自己就同时使用OpenAI、Claude、Gemini 也使用很多不同的模型 但不会让自己受制于其中任何一家 因为一年后 我们肯定希望用最好的那个 不管它是一个成本更低的开源模型 还是一个闭源专有模型 因此，保持这种灵活性至关重要 更何况 全球的供应链都在使用开源模型 确保能够继续使用开源模型 对商业运转本身就很重要 那其他国家在开源模型上的推进呢？ 有观点试图把开源模型和其他国家的模型画等号 再拿国家安全来说事 吴恩达认为这个等式根本不成立 几年前ChatGPT刚发布的时候 美国在生成式AI技术上 确实占据了决定性的领先优势 但是从那以后 其他地区的应对非常出色 其中做得最对的一件事 就是积极拥抱开源模型 事实证明 当你把模型免费开放给所有人用的时候 它固然帮助了全世界 但是对你自身的帮助 甚至远远超过对全世界的帮助 开放性、沟通的自由 以及知识的快速传播 让这些地区正在飞速发展 正在逼近与领先模型同等的水平 反观美国 大量研究工作都投入到了闭源专有模型中 如果你在开发中遇到问题 很难知道该去请教谁来解决这个建模难题 顶多是一家公司以天价挖走另一家的工程师 然后才有一些知识的传播 吴恩达直言 这种反对开源模型的游说活动 已经阻碍了美国AI领域的发展 当然美国也有非常出色的开源模型 比如英伟达的Nemotron模型就很强大 AI初创公司Mistral的表现也非常亮眼 他很乐意看到更多这样的成果涌现 他的核心立场是 专有模型和开源模型都有成功的空间 最重要的是维持一个公平的竞争环境 让人们有选择使用最佳模型的权利 不过，有一件事让他觉得很遗憾 那就是全世界都将广泛使用开源模型 全球很大一部分地区都会依赖开源模型 但是美国在开源模型上投资不足 意味着像非洲国家这样对价格敏感的地区 在寻求技术采用时只能转向其他选项 在美国可能感觉不明显 但是在这些地区 其他地区的开源模型已经占据了巨大的市场份额 这非常遗憾 因为他希望美国的开源模型能够在全球更具竞争力 商业账其实算起来很简单 如果一个开源模型能让你以五分之一或者三分之一的成本 获得相应的智能算力 你却不使用，那就是巨大的竞争劣势 对于每一个想构建AI应用的开发者来说 如果你的算力成本比别人高出三倍 这在商业层面就是非常致命的劣势 说到中国开源模型的进步 有一个说法最近传得很广 认为中国开源模型取得的成绩 很大程度上要归功于知识蒸馏 而不是自身研发 吴恩达对这个说法的反驳非常直接 首先他指出，美国有伟大的技术创新 中国同样有卓越的技术创新 事实上，很多美国前沿实验室 都在积极阅读其他地区实验室发表的大量开源研究成果 因为必须这么做 不这么做就太不明智了 所以美国的实验室也绝对在从这些研究中受益匪浅 他认为 把知识蒸馏视为中国模型进步的主要因素 这个观点被极度夸大了 这里存在一个关于公平性的核心问题 世界各地的AI实验室都从公开的互联网上获取数据 把互联网上的知识蒸馏到他们的AI模型中 如果他们回过头来说 我已经把互联网知识蒸馏到我的模型里了 从现在起任何人都不能再从我的模型里蒸馏 这公平吗？ 吴恩达认为 社会究竟该如何界定这里的公平与否 本身就是一个悬而未决的问题 具体到最近发布的Kimi 3 有人声称它主要是通过蒸馏训练出来的 考虑到它的基础模型在很短的时间内开源可用 吴恩达说他发现这种说法很难令人信服 因为他们根本不可能在这么短的时间内 获取那么庞大的数据 Kimi 3怎么可能在这么短的时间内就训练完成呢？ 时间窗口显然对不上 这是一个非常硬的逻辑漏洞 他在政策讨论中感觉到的是 有些人为了攻击开源模型 可谓无所不用其极 还有一个很有意思的观察 当你获得一个开源模型时 无论它是哪个实验室发布的 只要你在美国的基础设施上运行它 它基本上就变成了一个由美国基础设施控制的模型 就好像如果你在美国把代码发布到网上 然后被其他国家使用了 从那一刻起就是那个国家在控制它了 所以那些想要延缓美国采用开源模型的恐惧、不确定和怀疑情绪 实在太多了 那开源模型怎么赚钱呢？ 闭源厂商按Token收费 有利润空间支撑庞大的算力建设 开源模型的资金从哪来呢？ 吴恩达提到 比尔·格利（Bill Gurley）最近在《华盛顿邮报》发表了一篇文章 专门探讨开源作为一种成熟商业模式的可行性 红帽公司就是一个经典案例 通过开源Linux操作系统建立了一项伟大的业务 还有很多其他企业也是建立在开源基础之上的 如何把这种模式具体应用到开源模型上 细节还在摸索之中 但是，在股票市场上 已经有一些上市公司凭借开源战略不仅吸引了聪明的投资者 而且发展得相当不错 诚然，训练开源模型的资本支出 确实远高于编写传统软件 但是他相信适合的商业模式终究会被摸索出来 只要开源模型能带来根本性的成本优势 这就值得高度关注 聊完模型本身，我们把视角拉远一点 AI不仅仅是发生在线上的数字故事 它也是一个发生在物理世界的故事 围绕AI的大规模基础设施建设 正在推动经济增长 数据中心、电网、半导体、冷却设备 这些实体设施是AI运行的基础 吴恩达说 全球正在投资建设更多、规模更大的数据中心 这是好事 但这个故事里有一个容易被忽视的部分 大量资金被投入到数据中心建设、GPU采购 以及基础设施层的资本支出中 毫无疑问 我们迫切需要更多的推理算力 就是模型训练完成后 用来输出智能结果的算力 这方面的算力似乎永远都不够用 然而 真正更有价值且被严重低估的部分 是建立在这些基础设施之上的所有应用程序的价值 吴恩达举了一个很形象的例子 当年互联网兴起的时候 思科表现极为出色，赚得盆满钵满 但是 建立在互联网之上的那些应用程序 创造的价值要庞大得多 事情必然会这样发展 因为你必须依靠那些构建应用程序的人 去创造足够的收入 才能支付给基础设施提供商 所以在他的AI Fund 他和合伙人Kiristy Tan花了大量时间帮助大型企业思考 到底哪些应用程序能真正改变商业模式 而不是仅仅跟聊天机器人聊聊天、复制粘贴文本或者修改邮件语法 他们要找的是能带来颠覆性自动化的场景 这不只是为了节省成本 更令人兴奋的是它们能够驱动业务的实质性增长 人们至今还没有充分意识到 这些应用场景将比目前高度关注的基础设施建设故事 更具商业价值 说到企业应用 就不得不提一个所有投资者和创业者都关心的问题 如果你投资的公司或者你做的产品 很可能被前沿模型厂商的下一次产品更新 直接实现相同功能，那该怎么办呢？ 企业的护城河到底在哪里呢？ 吴恩达的回答非常务实 无论是小型初创企业还是大型传统公司 大家都在思考什么是能够让企业具备防御性、维持长期生存的护城河 对于大型企业来说 他们许多现有的资产 都是经过几十年甚至更长时间积累起来的 这其实非常难以被取代 但是他们真正需要做的 是建立正确的自上而下的领导机制 去思考 基于我们已经积累的所有宝贵资产 包括客户关系、技术积累、海量数据、供应链体系 我们应该在哪个环节引入AI来提升效率 或者更激动人心的是 以此来推动业务的大幅增长 他举了一个非常新的例子 就在访谈当周的早些时候 他拜访了摩根士丹利 和首席执行官泰德·皮克（Ted Pick）以及丹·西姆科维茨（Dan Simkowitz）、安迪·萨珀斯坦（Andy Saperstein）交流 他发现这正是一家伟大的金融机构 从最高管理层定下基调全面拥抱AI的绝佳案例 摩根士丹利提出 要在全球范围内为每一位员工提供AI培训 还推行了一系列叫挑战实验室的实践活动 把业务负责人和技术负责人聚集在一起 共同探索AI应用场景 吴恩达发现 业务与技术领导者之间的这种合作 往往能挖掘出真正有价值的应用场景 这些场景绝不是仅仅带来微小的效率提升 当你深入思考企业是如何创造价值的时候 你不会满足于让某项任务的执行成本降低百分之几 相反你可能会想 怎么把这项服务规模扩大一百倍来推动增长 或者把服务速度提升十倍 从而更迅速地响应客户 提供更高价值的产品 这些探索非常激动人心 它们产生的价值 将远远超过人们日常谈论的那种基础业务提效和成本节约 聊到基础设施投资 就绕不开一个问题 现在这么多钱砸进去 会不会有泡沫呢？ 吴恩达首先声明 他不给任何人投资建议 但有一点他深信不疑 那就是我们需要多得多的推理算力 拿软件工程来说 这是AI提速最快、赋能最深的领域 因为AI正在编写海量的代码 这里有两个很有意思的观察 首先，AI的渗透率依然很低 很多软件工程师还没有完全接纳AI工具 但那些已经用上AI的人 不仅工作速度和生产力大幅提升 而且在工作中也获得了更多乐趣 当下 我们就已经处于推理算力供不应求的状态了 所以随着AI在软件领域的渗透不断加深 对AI算力的需求只会越来越大 这并不意味着 投资硬件设施就一定稳赚不赔 但是他相信，无论建出多少算力 最终都会被完全消化掉 关于AI还有一个最耸人听闻的论调 就是所谓的失业狂潮 有人宣称50%的人将丢掉饭碗 吴恩达的判断非常明确 这根本不会发生 相反 软件工程领域已经非常生动地展示了截然不同的景象 尽管AI正在将大量工作自动化 但现实是 我们依然极度缺乏熟练的AI工程师 AI正在为软件工程师赋能 不仅让工程师的价值不降反升 也让软件工程类的招聘需求持续增长 整个行业依然非常健康且在不断扩张 AI会首先渗透到软件领域 然后逐步深入营销、招聘等其他行业 整体来看，虽然会有少数例外 但对于绝大多数工作类别而言 AI不可能包揽一切 我们依然需要人类来引导和辅助AI 真正的挑战在于人们需要掌握新的技能 我们不能指望继续用两年前写代码的方式来保住现在的饭碗 可即便是大家改变了技能结构、学习了新技能 我们依然找不到足够的软件和AI工程师 随着AI步入更多领域 软件行业的现状预示了其他行业将要面临的一个趋势 那就是你确实需要提升和更新技能 但与此同时，人类也能胜任更多工作 并且有望获得更丰厚的报酬 所以我们面临的挑战 不是如何应对失业狂潮 而是如何帮助每个人掌握未来必不可少的新技能 那推理算力怎么来呢？ 最直接的方法之一就是建更多的数据中心 吴恩达说得很实在 如果建了更多数据中心 他相信这些设施全都会派上用场 至于具体是盈利还是亏损 他现在很难断言，但他确信 市场对推理数据中心的需求是极其庞大的 那未来会不会有更有创意的方法 或者突破性的新技术来 进一步大幅降低成本呢？ 从他观察到的研究动向来看 他对此充满信心 认为也许正是因为AI的出现 计算机和数据中心的价值比以往任何时候都要高 大规模建设它们是完全合乎逻辑的 虽然我们还需要进一步精确测算具体需求量 但显而易见的是 我们需要更多的数据中心 除了数据中心本身 另一项基础设施建设重点是数据架构 他提到自己刚和埃森哲的合作伙伴聊到这个 事实证明AI是由数据驱动的 他看到许多大型企业正在重新思考如何组织数据 来确保数据不仅仅是为人类准备的 更是为AI Agent准备好的 未来的数据仍然会被人类使用 但也会被Agent频繁调用 而企业解锁海量商业价值的关键途径之一 就是让你的数据架构适合Agent使用 Agent使用数据的方式和人类截然不同 它们访问频率极高 访问模式有时也更加无序 所以需要建立自动化接口 打个比方 如果你的Agent想要访问数据 它总不能每隔60秒就停下来让你输入一次密码 这些都是底层基础设施上的细节问题 但这些细节 恰恰是在企业中解锁海量价值的另一块基石 对于数据中心建设的反对声浪 有些地方甚至出台了为期一年的数据中心暂停建设令 吴恩达的评价非常直接 如果想要拖慢AI的发展步伐 恐怕再也找不到比这种暂停建设令更好的借口了 他并不是要无视民众的担忧，确实 数据中心建在某些地方可能有些碍眼 也许该想办法把它们设计得更美观一些 但是 除此之外的很多问题都被过度炒作了 一个反直觉的事实是 我们能为环境保护做的最好贡献之一 就是将计算资源集中在数据中心里 吴恩达说自己办公室里就有一台服务器机架 但无论是从能源消耗、水资源消耗 还是其他任何角度来看 他这台机架的效率都远远低于那些经过专门设计、极度高效的数据中心 所以把所有本地部署的设备 统统转移到数据中心集中管理 是对环境最好的保护 不可否认，由于算力高度集中 数据中心确实会消耗大量能源和水 但这总比算力设备分散各处要环保得多 真正的问题在于 我们正在消耗如此庞大的算力 这势必会产生一定的环境影响 但既然我们必须使用这么多算力 将它们集中在数据中心显然是更优解 吴恩达甚至提出了一个很值得玩味的观察 他怀疑人们对数据中心的抵触 很大程度上源于对AI的不适与抵触 而不仅仅是对数据中心本身的排斥 这让他感到担忧 因为AI将会让许多人的生活变得更美好 从他个人的角度来说 AI帮他处理掉了一些枯燥的琐事 让他的生活变得更有趣了 他将AI视为一股非常积极的力量 然而不知为何 现在涌现了太多奇怪的反AI游说活动 如果任由这种情况发展下去 将真正损害发展的利益 最后两人聊到了和我们每个人都相关的一个话题 教育和技能 吴恩达创办了DeepLearning.AI 目的就是帮助人们培养机器学习和AI领域的职业技能 他观察到一个很多国家都面临的共同挑战 传统教育体系适应新技术的发展过于缓慢 现实情况是 我们不能再用2022年的标准来培养软件工程师了 甚至都不能用2026年的标准 我们应该着眼于2028年乃至更遥远未来的岗位需求 来培养他们 但怎么让教育体系跟上步伐呢？ 软件和AI工程未来的发展方向 在他脑海中越来越清晰 他认为自己能够看清人们需要具备哪些新技能 实际上他也在努力弄清楚 其他所有岗位未来的技能需求 我们不可能让每个人都去当软件工程师 虽然那很有趣 但并不现实 不过对于记者、营销人员、招聘人员、人力资源专家以及运营专员来说 他们的工作形态必将发生改变 他不认为这些岗位会消失 我们绝对依然需要大量的人来从事这些工作 但问题在于 要想成为新一代的营销人员、新一代的招聘人员或者新一代的记者 他们需要掌握哪些新技能呢？ 吴恩达对此有自己的见解 但是他也认为需要将这些见解系统化 为人们提供一条清晰的学习路径 这正是Coursera、DeepLearning.AI 以及他和合作伙伴们正在努力实现的目标 听完吴恩达这一整轮访谈 我自己最大的感受是 在这个行业情绪起伏越来越剧烈的时刻 这种同时跨越学术、产业、投资、教育多个维度的声音 反而显得异常清醒 开源和闭源不是非此即彼的站队游戏 真正重要的是保持选择的灵活性 算力泡沫和失业恐慌更多是情绪放大 真实的商业逻辑和就业市场给出的信号恰恰相反 企业的护城河不在模型本身 而在你能不能用几十年积累的资产和AI真正结合 数据中心的争议背后 藏着的是人们对新技术本身的不适 吴恩达的这些判断不一定每一条都完全正确 但至少提供了一个脱离情绪战的思考框架 不知道大家怎么看吴恩达的这些观点呢？ 欢迎在评论区分享讨论 感谢收看，我们下期再见