撰文：Techub News 整理

导语

在由 AI Fund 组织的一场名为「从零到产品一日构建马拉松」（Buildathon）的活动开场演讲中，知名人工智能学者、AI Fund 创始人及 DeepLearning.AI 联合创始人吴恩达（Andrew Ng）分享了关于 AI 辅助软件工程的前沿见解。此次演讲背景正值 AI 代码工具（如 Cursor、Claude Code 等）飞速迭代，深刻改变开发者工作流的节点。吴恩达以其在 AI 领域的深厚背景和在 AI Fund 推动 AI 初创公司的实践经验，剖析了生产力骤增带来的新范式与新挑战，为开发者、创业者及技术管理者提供了关键的趋势判断与行动指南。

摘要

AI 辅助编程使构建小型独立产品原型的效率提升高达 10 倍，使大规模、低成本的试错成为可能。
开发速度的急剧提升导致「决定构建什么」的产品管理（PM）环节成为新的、更显著的瓶颈。
学习编程在 AI 时代变得更为重要，理解计算机语言能让人更精准地指挥 AI 完成任务，这是未来知识工作者的核心技能。
市场正经历「AI 工程师」严重短缺，具备 AI 辅助编码、AI 构建模块（如 RAG、智能体工作流）知识和快速原型能力的开发者供不应求。

从 50% 到 10 倍：AI 如何重塑开发速度

吴恩达（Andrew Ng）开宗明义地指出，在创新过程中，无论是创业还是企业内部研发，速度是预测项目成功与否的最大关键因素之一。执行迅猛的团队能获得更多尝试机会，从而大大提高成功率。而 AI 辅助编码正在从根本上加速软件开发的核心环节。

他分享了自己的观察：对于大型遗留生产级代码库，AI 辅助或许能将效率提升 50% 甚至更高。但真正的革命性变化发生在构建小型独立产品或原型时。这里，效率提升不是 50%，而是接近10 倍。许多两年前需要三名工程师花费六个月完成的项目，现在一个人在一个周末就能搭建出来。

这种速度的飞跃改变了创新的成本结构。吴恩达（Andrew Ng）直言，他个人常在周末编写大量软件原型，其中许多因效果不佳而被直接放弃，从未见光。「有些人担忧 AI 领域很多概念验证（POC）从未进入生产环境，并将此视为一个问题。但我不这么看，」他表示，「解决方案不是让更多 POC 进入生产，而是将进行 POC 的成本降至极低。这样，你就算构建了 20 个原型，其中 18 个都失败了也没关系，这只是为了发现那两个真正有价值的产品所付出的必要代价。」

原型开发要求低（无需高可扩展性或严格安全措施），而 AI 正持续降低其门槛并提升安全性。这让他提出了一个修正版的硅谷格言：从「快速行动，打破陈规」（Move fast and break things）转变为「快速行动，承担责任」（Move fast and be responsible）。关键在于创建一个安全的「沙盒」环境进行快速原型开发，在确认价值后，再投入资源加强安全与稳定性以扩大规模。

工具迭代与软件哲学的根本性转变

吴恩达（Andrew Ng）回顾了 AI 辅助编码工具的快速演进：从两年前的 GitHub Copilot 代码自动补全，到 AI 增强的 IDE（如 Cursor、Windsurf），再到面向原型的平台（如 Replit、v0），以及近期高度自主的智能编码助手（如 Claude Code、Gemini CLI）。他强调，这个领域的工具迭代速度极快，以至于落后半个或一个世代都会产生实质性的效率差距。这与相对成熟的大语言模型（LLM）应用不同，许多业务场景下，使用六个月前的 LLM 或许仍可接受，但在编码辅助领域，前沿工具的优势非常明显。

工具的进化正引发软件工程哲学的深刻变化。代码本身作为一种「制品」的价值正在降低，因为 AI 可以为你编写。甚至选择架构也变得更像一扇「双向门」（two-way door，借用亚马逊创始人杰夫·贝索斯的术语）——做出决策后，如果不喜欢，可以相对轻松地更改。吴恩达举例说，以前设定数据库架构后几乎不想再改动，但现在如果架构不合适，可以让 AI 协助迁移，痛苦感大大减轻。他本人有时会在一天内探索三种完全不同的架构，下周甚至可能决定抛弃整个代码库从头重写。

新瓶颈浮现：当产品管理跟不上开发速度

开发变得异常容易后，一个新的、更严峻的瓶颈出现了：决定要构建什么。吴恩达（Andrew Ng）称之为「产品管理瓶颈」。

他描绘了 AI Fund 和 DeepLearning.AI 采用的快速迭代循环：编写软件构建原型（通常是快速而粗糙的）→ 进行产品管理工作（获取用户反馈）→ 根据反馈更新产品构想 → 再次快速迭代。AI 编码辅助使得构建软件的速度空前加快。「以前，我花三周建一个原型，然后花一周获取反馈，这没问题。但现在，如果软件一天就能写完，再花一整周获取用户反馈就显得像永恒一样漫长。」

因此，他观察到团队越来越多地依赖「直觉」（gut feeling）来做决策，因为这是最快的决策过程。作为一位推崇数据的 AI 专家，吴恩达（Andrew Ng）澄清了他对数据使用的理解。他分享了一个案例：他与团队在产品功能选择上意见不一，用户调查数据支持了团队的选择，而非他个人的直觉。

然而，他认为，简单地遵从数据（「数据显示用户喜欢功能三，那就做功能三」）是一种初级的数据驱动方式。他更推崇的做法是：利用数据来「训练」和「校准」自己的直觉。他会花数小时深入审视数据，反思「我为什么搞错了？我为什么认为用户想要功能一？」通过这种方式，他不仅对当前决策有了更深理解，更提升了自己未来一系列决策的质量，以便更好地服务用户。

为了锤炼对用户的直觉，团队会采用一系列组合策略：自己试用产品（如果你足够了解用户，直觉可能很准）、咨询朋友和同事、进行走廊可用性测试、在咖啡馆或酒店大堂礼貌地邀请陌生人试用原型，直至最高阶但也最慢的 A/B 测试。吴恩达指出，尽管硅谷崇尚 A/B 测试，但在他眼中，这恰恰是工具箱里最慢的策略之一，使用频率很低。

「我应该学编程吗？」—— 在 AI 时代重新思考这项技能

针对外界「AI 将自动化编程，不必再学」的论调，吴恩达（Andrew Ng）态度鲜明地予以驳斥，并预言这将是「有史以来最糟糕的职业建议之一」。他回顾历史：从打孔卡到键盘终端，从汇编语言到高级语言，从文本编辑器到 IDE，再到如今的 AI 编码辅助，每一步都让编程变得更容易，从而让更多人参与进来。

他强调，在 AI 时代，学习编程的核心价值在于获得「精准告诉计算机你想要它做什么」的能力。他以自己与合作者 Tommy Nelson 在制作课程插图时的差异为例：Tommy 懂艺术史，能用艺术的语言（调色板、流派灵感）精准提示 Midjourney，生成精美的图片；而他自己只能笼统地提示「请给我画漂亮的机器人图片」，效果天差地别。对计算机语言的深入理解，能让你更精细地控制它。

「在可预见的未来，懂编码将使你拥有对计算机的更深入理解，从而能更精细地控制它。并不是说人们需要用十根手指写那么多代码，你可以让 AI 去做，但那种更深层次的理解对于告诉计算机为你做什么至关重要。」他认为，这不仅对软件工程师，对几乎所有知识工作者都至关重要。懂得如何借助 AI 完成工作的人，将变得更高效、更强大。

「AI 工程师」短缺：新兴角色与必备技能

针对近期计算机科学毕业生失业率上升的担忧，吴恩达（Andrew Ng）指出一个矛盾现象：一方面 CS 毕业生就业面临挑战，另一方面，市场却严重缺乏「AI 工程师」。他认为，问题在于许多大学课程未能及时更新，以致于有些毕业生甚至从未调用过一次 LLM API 或尝试过 AI 编码助手。

他勾勒出这个新兴角色所需的关键技能组合：

熟悉 AI 辅助编码工具：掌握这些工具能极大提升生产力，并且学习曲线并不漫长。
熟悉 AI 构建模块：包括提示工程、检索增强生成（RAG）、智能体工作流、评估方法等。尤其重要的是驱动严谨的错误分析过程的能力，以及学会使用相关工具链。
快速原型开发技能：包括基础的全栈知识（前端、后端）。AI 辅助编码目前更易于发现和解决前端漏洞，而复杂的后端调试仍需深厚功力。此外，由于产品管理瓶颈的存在，开发者具备基础的产品管理技能和用户直觉也变得极其宝贵，这能让团队在获得松散的产品指导后，自主做出一些基本的产品和设计决策，从而加速整体流程。

吴恩达（Andrew Ng）呼吁，拥有这些技能的人机会众多，他本人也愿意为求职者引荐。他相信，解决 AI 工程师的供需失衡，是释放 AI 潜力的关键之一。

结语：站在前沿，引领变革

吴恩达（Andrew Ng）最后总结道，硅谷及全球科技前沿的开发者们正站在「快速工程」革命的最前沿。他倾向于使用「快速工程」而非「氛围编码」（vibe coding）这个词，因为后者可能让人误解这项工作只需凭感觉接受 AI 的建议即可，而实际上，这依然是一项深度消耗智力的艰苦工作。

他组织此次 Buildathon 的目的，正是为了聚集这批先行者，分享最佳实践，共同探索由加速开发带来的新工作流和挑战（如产品管理瓶颈）。更重要的是，他希望参与者能将这股变革的力量传播出去，让世界了解到软件开发的范式已经发生巨变。

最后，吴恩达（Andrew Ng）展望道，软件领域因 AI 投资集中而率先经历的这些加速变化，将成为其他专业领域的先兆。目前，LLM 主要创造价值的两大领域是「回答问题」和「编写代码」。但软件工程中正在发生的效率革命、工具演进和工作流重构，最终也将在法律、医疗、教育等其他知识工作领域上演。因此，2025 年 8 月的探索不仅是为了软件本身，也是为所有知识工作者迎接即将到来的 AI 赋能未来，提前绘制路线图。