•
2025 年的畢業生，正面對一個規則變了的求職市場。
2025 年 11 月，美國失業率升至 4.6 %，創近四年新高；中國城鎮失業率為5.1%，青年失業率（16-24歲，不含在校生）持續高位。同時，應屆畢業生規模創紀錄：2025 屆 1222 萬，2026 屆預計 1270 萬。
但與過去不同，這次不是崗位總量在減少，而是機會的流向變了。
就在昨天（12月17日），吳恩達一個月前在史丹佛的內部講座視訊才公開。11 月 18 日的 AI 課堂上，他用兩組資料解釋了這個變化：
技術在指數級加速，但崗位機會沒有同步增長。
為什麼會這樣？機會流向了那裡？在這個轉折點上，什麼樣的人能抓住新機會？
這篇文章，我們從這堂課出發，回答四個問題：
什麼能力更重要？
2025年，AI 讓寫程序變得前所未有地快。但這並不意味著工程師更吃香了，恰恰相反，許多人的工作變得更容易被替代。
吳恩達在課堂上說了一句話：
模型可以幫你寫出正確的程式碼，但它不會告訴你，這段程式碼要去解決什麼問題。
這句話點出了關鍵：現在大多數崗位的分工邏輯已經變了。
不是誰更懂技術，而是誰先把問題定義清楚。
以往，一個產品從想法落地，需要5～8個工程師配合開發。現在，在 AI 工具輔助下，一個人就能快速完成。工程工作被壓縮的同時，產品設計、需求拆解、目標判斷這些前置任務反而成了最關鍵的一環。
為什麼這些“前置任務”變得更重要？
因為產品開發本質上是一個循環：寫程式碼 → 給使用者看 → 收反饋 → 調方向 → 再寫程式碼。AI 讓第一步快了 10 倍，但其他幾步沒有同步加速。
這導致整個循環的瓶頸從寫程式碼轉移到了理解使用者真正想要什麼。
現實中，多數團隊的決策能力並沒有跟上這個節奏。程式碼寫得快了，方向錯了的話，速度反而成了風險。結果是：
於是，團隊裡真正被重用的，不是寫得快的人，而是能定義方向、快速嘗試、反應靈敏的人。
在吳恩達眼中，今天矽谷行動最快的工程師有一個共同特徵：他們既會寫程式碼，也會跟使用者聊天。 這種“技術+同理心”的組合，讓他們能在一個人身上完成過去需要工程師+PM兩個角色才能完成的事。
工程師和產品經理的比例正在翻轉。
過去是4～8:1，現在越來越多公司走向2:1，甚至逼近1:1。有些創業公司已經開始配置“1 個PM配 1 個工程師”，這在傳統矽谷公司看來幾乎不可思議。
在這堂課上，還有一位嘉賓 Lawrence Moroni（曾任Google首席AI倡導者，現在ARM負責AI業務）。他也提到了一點：過去幾年，矽谷公司允許員工把各種價值觀和個人追求帶到工作中。但 2023 年之後，公司不再看情懷，只看價值：你做的東西能不能為他們賺錢。
技術很強但方向不對？沒人買單。
情懷很足但產出為零？同樣出局。
這就是為什麼判斷力比技術更重要：你要能判斷什麼值得做，什麼不值得做。缺少這種判斷力，再強的技術能力也會被邊緣化。
第一節我們說了，判斷力比技術更重要。但光這樣還不夠：就算你有判斷力，如果環境不對，你也施展不開。
吳恩達在課上講了一個真實的故事：一個史丹佛學生，能力出色，拿到了一家熱門 AI 公司的 offer。公司說：先簽約，輪崗匹配會給你找好項目。 結果簽完約，他被分配去做 Java 後端支付系統。
這不是 AI 項目，不是他想做的方向。一年後，他沮喪離職。
“他的能力沒問題，是環境錯了。”
但環境也在選人。 Lawrence Moroni講了一個例子：一個優秀的程式設計師，能力強、經驗足。被解僱後申請了 300 多個工作，深入面試很多家大廠，但每次都在最後一輪被拒。原因不是技術不行，而是他在面試中表現得過於強硬，讓面試官覺得他不適合團隊合作。調整態度後，他很快拿到 offer，工資翻倍。
這兩個故事表示：
第一個：你可能有能力，但被放錯了位置
第二個：你的能力可能很強，但團隊合作性同樣重要
能力是基礎，但環境和配合度決定了你能走多遠。
很多人忽略了一個變化：AI 讓個人能做的事更多了，但也讓團隊環境的差異被放大了。過去，只要你負責一小塊、照流程執行就行。現在不一樣了：
如果團隊做不到這些，你個人再努力也是在內耗。
吳恩達特別強調了幾個好團隊的特徵：
他說：在這樣的環境下，你的經驗值才能累積，你的想法才有機會試一試。否則，就算你再有熱情，也撐不了多久。
而這個環境，不只是你的團隊，還包括你日常相處的圈子。
如果你最親近的 5 個朋友都是努力工作、快速學習、試圖用 AI 讓世界變得更好的人，你也更有可能這樣做。
所以，比起崗位頭銜，看清你所在的圈子、節奏、氛圍，才是你能不能成長的真正關鍵。
過去找工作，拼的是學歷、項目經歷、技能點清單。現在，這些還重要，但更重要的是：你做出過什麼？
吳恩達在課上給出建議：
要創新，就做20個原型，看那個有效。
這是 2025 年的真實節奏。 AI 加速了任務完成的能力，但也暴露了很多人的短板：做得快，不等於做得對；學得多，不等於學得進。
傳統的學習節奏是：先聽課、再練習、最後實習。
AI 時代，有效成長變成了：動手試 → 被打臉 → 調方向 → 再試。
這是一種新的學習習慣，甚至是一種工作習慣。Lawrence Moroni 分享了他的實踐：他在做 AI 驅動的電影製作工具時，不是花幾個月寫完整的技術文件，而是：我開始建構。測試。扔掉。再次開始。每次我腦海中的需求都在改進。
為什麼要這樣？因為失敗成本變低了。
吳恩達說：
“你浪費了一個周末但學到了東西，這沒問題。”
過去，做一個項目需要幾個月。現在，一個周末就能做出能跑的原型。
Lawrence算了一筆成本帳：
所以，快速試錯不是急躁，而是控制風險的方法。
但很多人的學習方式還停留在過去。 苦練程式碼卻從沒做出能上線的應用，苦看視訊教學卻從不和別人協作，項目一做就是大半年結果上市場沒人用。
現在，AI 做得越快，你迭代得也要越快。關鍵不是做一次就對，而是做一次就知道錯在那，然後快速調整。
要想跟上節奏：
先做出來，再說。
前三節我們說了：能力要求變了、團隊環境重要、學習方式要變。但最後一個問題是：你怎麼證明自己？
現在的招聘，越來越像選隊友，而不是篩履歷。
Lawrence Moroni 自己就是個例子。2015年，他想加 入 Google Clou 團隊。前兩次面試都失敗了，儘管他已經在 Microsoft 工作多年，寫了 20 多本書。
第三次，他換了策略：在面試前，他用 Google Cloud 做了一個 Java 應用，能用技術分析預測股票價格。 然後把這個項目放在簡歷上。結果，整個面試過程，面試官都在問他關於這個程式碼的問題。面試的主動權在他手上。
他提前證明了自己能做什麼，而不是只說做過什麼。這讓他從 300 個候選人中脫穎而出。
十年過去，這個策略在2025年更加重要。
吳恩達給出了一個判斷標準：現在要看一個人值不值得合作，最簡單的方法就是看你做出過什麼，那怕一個小東西。
不一定複雜，也不一定完美。但得是真實的、能用的、你親手做的。
一個前職業冰球運動員的故事更能說明問題。他 13 歲輟學，自稱“活著最笨的人”。他管理一個非營利冰場，每季度需要向董事會展示營運結果，為此每年花15 萬美元請諮詢公司整合資料（來自泵房機器、壓縮機、電子表格、帳戶...）。
他嘗試用 ChatGPT 自己做。
結果：他現在用兩個小時就能完成報告。節省的 15 萬美元用於給貧困兒童提供冰球裝備。
一個13 歲輟學的人，用 AI 做成了15 萬美元的專業諮詢工作。這比任何學歷都有說服力。
你不一定要創業，但你需要作品。
這類展示的效果越來越明顯。很多公司已經不看你做過什麼，而是看你正在做什麼。過去找工作，是投遞簡歷等回覆。現在是做出產品，主動展示能力。
區別在於：簡歷是別人對你的評價，作品是你對自己的證明。
2025 年不是工作變少了，是路徑變了。
過去的路徑：從學歷到經驗，從經驗到簡歷，從簡歷到面試，最後入職。
現在的路徑：從能力到作品，從作品到展示，從展示到合作，在合作中成長。
能力要求變了。
團隊比品牌重要。
學習方式要快速迭代。
作品比簡歷有說服力。
這四件事，決定了你能不能抓住新機會。 (AI深度研究員)