当写代码、做分析、查资料和搭原型都变得越来越容易，工作的瓶颈也开始悄悄换了位置。
最近看了吴恩达接受 Silicon Valley Girl 的一场访谈。
整场只有三十多分钟，没有太多关于模型参数、Benchmark 或 AGI 时间表的讨论。真正让我停下来思考的，是他反复谈到的一个变化：
Build 的成本正在快速下降。
他举了一个自己的例子。
最近需要分析公司的一批关键业务指标。如果按照过去的方式，这件事可能要交给 Data Scientist：解释需求、确认数据、等待分析，再根据结果继续沟通。
这一次，他直接调用几个前沿模型，自己完成了分析。
类似的事情现在经常发生。看到一个问题，想到一种 AI 自动化方式，就直接 Build，有时甚至利用周末做一些小工具。
这个变化看起来只是“效率提高了”，但往深处想，它正在改变很多工作的基本约束。
过去遇到一个稍微复杂的问题，我们首先考虑的是：
找谁来做？
需要分析数据，找数据团队；想做内部工具，找工程师；需要调研市场，找分析师；想自动化一个流程，先提需求、评估、排期。
现在，这条路径开始变短。
一个只服务三个人的内部工具，一个临时的数据分析程序，一个只使用两周的 Agent，一段每天节省半小时的自动化流程——过去它们很可能永远进不了研发排期，现在几个小时就可以验证。
当“做出来”的成本持续下降，一个新的问题开始浮现：
如果 Build 越来越便宜，什么东西会重新变得昂贵？
从这场访谈延伸出去，答案可能集中在三个地方：
Context、Judgment，以及决定 What to Build 的能力。
这可能也是接下来几年，AI 对工作真正重要的影响之一。
AI没有简单地替代工作，它先让工作的一部分变便宜
关于 AI 和就业，最常见的推理是：
AI 会写代码，所以程序员会减少。
AI 会分析数据，所以分析师会减少。
AI 会写文案，所以内容岗位会减少。
这种推理的问题，在于把 Job 和 Task 混在了一起。
一个 Job 从来不是一个 Task。
软件工程师并不只是写代码。
理解需求、设计架构、Review、Debug、判断技术债、处理线上事故、理解历史系统、和产品沟通，甚至知道“三年前为什么没有选择今天看起来更合理的方案”，都属于软件工程的一部分。
AI 可以不断拿走其中一些 Task。
但自动化一个职业中的部分任务，与完整替代这个职业，是两回事。
真正值得观察的是：
一个职业内部的价值分布正在重新排列。
当代码越来越容易生成，“把代码写出来”本身的稀缺性就会下降。
当报告越来越容易生成，“写一份报告”也会逐渐失去区分度。
当模型一次可以给出十套方案，稀缺的就不再是第十一套方案。
而是：
谁知道十套里面哪一套值得做。
所以，比“我的工作会不会被 AI 替代”更有用的问题，也许是：
我的工作里，哪些部分正在迅速变便宜？
如果一个岗位有十个环节，其中六个开始能够被 AI 高效完成，真正危险的不是使用 AI，而是继续把自己的主要价值建立在那六个环节上。
价值不会凭空消失。
它往往会向更难自动化的地方移动。
这也是为什么 AI 对职业最大的影响，可能并不是简单减少多少岗位。
它更像是在推动工作的价值向上游移动：
从 Execution，逐渐移动到 Context、Judgment，以及 Problem。
“会用AI”，正在变成一项没有区分度的能力
过去两年，“会使用 AI”本身还是一种优势。
会写 Prompt，会用 ChatGPT、Claude，会搜索、总结、生成 PPT，已经能够明显提高工作效率。
但这种优势不会持续太久。
模型越来越容易使用，自然语言理解越来越好，很多过去需要专门学习的 Prompt 技巧，正在被产品本身吸收。
真正开始拉开差距的，是另一种能力：
不是 Use AI，而是 Build with AI。
这里的 Build，并不意味着所有人都要成为程序员。
它更接近于：
遇到一个问题时，你有没有能力借助 AI，直接做出一个解决它的东西。
吴恩达在访谈中提到一个很有意思的细节：他的 Marketing 团队会写代码。在招聘 Marketing、Recruiting、HR、Operations 等岗位时，一个越来越值得问的问题是：
What have you built?
你真正做过什么？
这背后其实是一种很大的能力迁移。
过去，软件是一种昂贵的生产资料。
一个运营人员发现某个流程每天浪费两个小时，即使非常清楚问题在哪里，也只能进入传统需求流程：
提需求、评估、排期、开发、测试、上线。
如果这个问题只影响三个人，它甚至可能永远没有资格进入研发计划。
AI Coding 改变的可能不只是程序员写代码的速度。
更深层的变化是：
一部分软件构建权，开始从专业研发团队扩散到真正接近问题的人。
未来，一个 HR 做一个候选人整理工具，一个运营搭一个数据分析程序，一个销售做一个客户研究 Agent，可能会像今天使用 Excel 一样自然。
我们不会因为一个财务人员会写 Excel 公式，就称他为软件工程师。
同样，一个运营人员通过自然语言和 AI 生成几百行代码，也未必是在“转行做开发”。
他只是在：
用软件解决自己的问题。
这是 AI Coding 比“程序员效率提升多少”更值得关注的一层变化。
软件正在从少数人的专业产物，逐渐变成更多人的通用工具。
当所有人都能Build，真正的差距开始来自Context
如果模型会写代码、会分析数据、会搜索资料、会生成方案，那么人的优势究竟在哪里？
这里有一个很重要的概念：
Context Advantage。
上下文优势。
一个前沿模型可能读过比任何个人都多的书和公开资料。
但它不知道你今天上午那场会议里发生了什么。
不知道某个客户嘴上说“这个功能挺好”，实际上真正困扰他的根本不是这个功能。
不知道老板上周刚刚改变了优先级。
不知道三年前团队已经尝试过一个看起来很漂亮的方案，最后因为组织原因失败。
也不知道生产环境里那段看起来很糟糕的代码，背后连接着一个没人敢动的历史系统。
这些信息很少完整存在于数据库里。
它们散落在会议、邮件、客户交流、组织关系、历史决策和人的记忆里。
这就是 Context。
它也解释了一个经常被说得很玄的东西：
为什么 AI 越来越强，经验和 Judgment 仍然重要？
很多时候，并不是因为人拥有某种模型永远无法获得的神秘智慧。
而只是因为：
你知道一些 AI 不知道的事情
Advantage 并不会因为“我在这家公司工作”就自动存在。
如果一个人在公司待了三年，却不了解客户、不理解业务、不知道系统为什么这样设计，也不了解团队过去做过什么，那么他拥有的 Context 其实非常有限。
如果每天的工作只是：
老板给任务 → 复制给 AI → AI 生成答案 → 再交给老板
人在这条链路里的作用会越来越薄。
这也是一个看起来有些矛盾的变化：
AI 越强，真正深入业务的人反而可能越有价值。
去见客户。
去现场。
理解业务为什么这样运行。
知道数据异常背后发生了什么。
理解组织真正的约束。
知道一个方案为什么在 PPT 上非常合理，却在现实里根本无法执行。
这些东西很难通过一个更长的 Prompt 获得。
它们来自长期参与真实世界。
所以未来真正有竞争力的组合，从来都不是：
Human vs AI。
而是：
Deep Context × AI。
AI越好用，我们越需要警惕：自己会不会越来越不会了
访谈里还有一个很反常识的讨论。
作为 Coursera 联合创始人、长期从事 AI 教育的人，吴恩达并不认为今天大家使用 LLM 的方式天然有利于学习。
问题出在一个词：
Cognitive Offloading，认知卸载。
以前遇到一个不会的问题：
思考 → 尝试 → 出错 → 查资料 → 再尝试 → 最后理解。
现在：
遇到问题 → 问 AI → 得到答案 → 继续工作。
任务完成得更快了。
但中间那段真正形成理解的过程，也被跳过去了。
他自己也遇到过类似情况。
做项目时碰到一个前后端问题，直接让 AI 告诉自己如何解决。当时项目很快推进。
几个月后再次遇到类似问题，又需要重新问一次。
事情完成了。
知识却没有真正留下来。
这暴露了一个以后会越来越重要的区别：
完成一件事，和学会一件事，正在变成两件不同的事情。
AI 对前者极其有效。
但如果目标是后者，最有效的使用方式可能完全不同。
我们可能需要两种完全不同的AI模式
一个好的 AI Assistant，应该尽可能减少人的认知负担。
最好一句话就理解需求。
最好不需要反复确认。
最好直接把事情完成。
它优化的是：
Output。
但一个好的 AI Teacher，逻辑可能恰恰相反。
不要马上告诉我答案。
先问我怎么想。
让我自己尝试。
发现哪里错了。
给一点提示。
让我再来一次。
它优化的是：
Learni
这件事并不只和学校教育有关。
对已经工作的人同样重要。
未来我们可能需要有意识地区分两种 AI 使用模式。
在生产模式里，能交给 AI 的尽量交给 AI，因为目标就是效率。
但在学习模式里，可以先自己设计、先自己判断、先尝试解决，然后让 AI Challenge 自己的方案，而不是一开始就替自己产生方案。
否则可能出现一个很奇怪的状态：
我们借助 AI 做出了越来越复杂的东西，自己理解的东西却越来越少。
短期看，这是效率提升。
长期看，却可能慢慢削弱自己的 Context Advantage 和 Judgment。
所以，专业知识没有因为AI而失去价值
如果知识随时都可以问模型，为什么还要学专业？
Context Advantage 其实已经给出了答案。
未来真正有竞争力的组合，很可能不是一个脱离行业的“AI 专家”。
而是：
医生 × AI
律师 × AI
Finance × AI
Marketing × AI
Operations × AI
Software Engineering × AI
专业知识的作用正在发生变化。
过去，它主要帮助我们亲自完成工作。
未来，它还承担一个越来越重要的作用：
帮助我们判断 AI 做得对不对。
一个没有大型系统经验的人，可以让 Coding Agent 几分钟生成一个服务。
但他可能不知道，为什么这个服务今天能跑，半年以后却可能成为灾难。
一个不了解医疗的人，可以让 AI 分析病例，却很难判断模型什么时候正在生成一个“听起来非常专业”的错误答案。
当生成越来越便宜，Evaluation 就会越来越重要。
而高质量 Evaluation 的基础，仍然来自专业知识和真实经验。
这也是 Judgment 的来源之一。
Build的成本正在坍塌，但真正的变化才刚刚开始
到了访谈后半段，问题终于落到：
如果今天想抓住 AI 的机会，到底应该做什么？
答案并不是一个行业名单，而是一个非常朴素的循环：
Learn AI → Build Fast → Talk to Customers
这里真正值得注意的，甚至不是 Build Fast。
而是后面的：
Talk to Customers。
因为 Build 成本下降之后，瓶颈正在移动。
过去：
有十个想法。
研发资源只够实现一个。
最大的问题是：
Can we build it?
现在：
AI 可能让十个想法都能快速做成 Prototype。
新的问题变成：
Which one should we build?
这就是一个很重要的迁移：
Coding Bottleneck → Product Bottleneck
AI 消
最稀缺的是工程资源。
以后越来越稀缺的可能是：
谁能找到真正的问题？
谁理解客户？
谁知道哪个 Prototype 值得继续？
谁能判断另外九个应该停掉？
换句话说：
当 Building 变得便宜，Choosing 就会变贵。
真正新的瓶颈，是 Product Judgment。
真正巨大的机会，可能藏在那些过去“小到不值得解决”的问题里
我们习惯把 AI Opportunity 理解成“大赛道”。
Foundation Model、Agent、机器人、AI Healthcare、AI Coding……
但另一种机会可能根本没有这么宏大。
一家公司的财务每周需要手工整理三份 Excel。
一个销售每天要在五个系统之间查客户资料。
一个研发团队每次发版都要人工确认十几个步骤。
一个 HR 每周重复整理大量候选人信息。
一个管理者每周花几个小时收集经营数据。
这些问题单独拿出来，都很小。
小到过去根本不值得开发一个软件。
但这恰恰可能是 AI 最大的结构性变化之一：
过去不值得被软件化的问题，现在开始值得被软件化。
因为软件生产成本的门槛变了。
这意味着 Application Layer 的机会未必只集中在几个超级应用里。
它可能分散在成千上万个行业、公司、部门，甚至个人工作流里。
每一个问题都不大。
加起来却非常大。
但周末能做一个App，不等于周末能做一家公司
Build 成本下降，也很容易制造另一种幻觉。
现在经常能看到：
“两小时做了一个 SaaS。”
“一个周末做了一个 App。”
“完全不会写代码，也做出了产品。”
这些都可能是真的。
但：
Prototype 变容易，不代表 Product 变容易；Product 变容易，也不代表 Company 变容易。
真正的软件仍然需要稳定性、安全、架构、数据、运维和长期维护。
真正的产品仍然需要理解用户。
真正的公司仍然需要销售、组织、市场、现金流和竞争。
AI 大幅降低的是：
从 0 到 0.1 的成本。
它没有自动解决：
从 0.1 到 100。
这也是为什么“Talk to Customers”比“Build Fast”更重要。
Build Fast 让你快速产生假设。
Customer 才告诉你：
这个假设到底是不是真的。
AI真正改变的，也许是“一个人能够负责多大的闭环”
把这些变化放到一起，会出现一个比“哪些岗位会消失”更值得关注的趋势。
过去，一个人的能力经常被专业边界限制。
产品经理发现问题。
设计师设计。
工程师实现。
数据分析师验证。
运营推动。
每个人负责其中一段。
AI 开始让一个人跨过越来越多原本属于其他专业的环节。
这并不意味着所有职业都会消失。
更可能意味着：
一个人能够独立负责的闭环变大了。
以前一个优秀员工可能主要负责：
Execution
以后越来越多的人需要负责：
Problem → Solution → Build → Test → Feedback
这也是为什么 Side Project、AI Coding、Agent、Vibe Coding 最近会同时变得重要。
它们背后其实是同一件事情：
个人正在获得过去只有一个小团队才能拥有的执行杠杆。
而当执行杠杆越来越强，一个人的上限就越来越取决于另外几件事：
他看到了什么问题。
他掌握了多少 Context。
他能不能做出正确的 Judgment。
写在最后
过去，我们习惯通过“我会什么”定义自己的职业价值。
我会 Java。
我会产品设计。
我会数据分析。
我会 Marketing。
AI 正在迫使这个问题发生一点变化。
以后更值得问的也许是：
我能利用自己的专业、Context 和 AI，解决什么问题？
两个问题看起来很接近，背后的职业逻辑却完全不同。
前一个问题以 Skill 为中心。
后一个问题以 Problem 为中心。
AI 不会让 Skill 失去意义。
但它会让单纯拥有 Skill 越来越不够。
未来真正强的 AI Power User，也许不是那个订阅了最多 AI 产品、收藏了最多 Prompt、每天和模型对话时间最长的人。
更可能是这样一种人：
他足够深入一个真实领域，因此拥有模型没有的 Context；
他有足够扎实的专业知识，因此能够形成自己的 Judgment；
他又掌握了 AI 带来的新杠杆，因此不需要等待别人，就可以快速把自己的判断 Build 出来。
然后把它放进真实世界。
交给用户。
看看它到底有没有用。
再回来继续修改。
如果一定要把这场访谈压缩成一句话，我反而不会选择“AI 会不会取代工作”。
更值得记住的可能是另一件事：
AI 正在让“做出来”越来越便宜。
而当 Build 变得便宜之后，
理解问题、做出判断，以及知道什么值得做，会变得越来越贵。