吳恩達達沃斯喊話：AI 不會取代你，但會用 AI 的人會取代你

本文整理自 2026 年達沃斯世界經濟論壇（WEF）的對談。

AGI 這個詞已經失去意義

走在達沃斯的會場裡，到處都有人在談 AGI。但 AI 先驅、「agentic AI」一詞的提出者吳恩達（Andrew Ng）對這個詞的態度很直接：AGI 的定義已經被搞壞了，不同人用同一個詞講的是完全不同的東西。

AGI 最初的定義是「能完成任何人類智識工作的 AI」，一般大眾對它的理解也接近這個意思。吳恩達提出一個衡量標準：AI 能否勝任所有遠端工作者的職務？他的判斷是「距離這個目標還有數十年，甚至更久」。問題在於，一些科技企業為了展示進展、炒作市場熱度，把 AGI 的門檻大幅降低。比如有些定義變成「能完成 50% 具經濟價值的工作」，但如果從 1800 年代算起，當時多數人從事農業，現在農業早已高度自動化，那按這種定義我們幾十年前就已經有 AGI 了。

這種定義的混亂造成了實際的傷害。吳恩達觀察到，大學生因為擔心 AI 會讓某些職業消失而改選科系，企業的資本配置決策也建立在過度樂觀的預測之上。一般人聽到「AGI 即將到來」時，腦中想的是「跟人一樣聰明的 AI」，心裡湧起的是「所有知識工作都會被自動化」的恐懼。但企業口中那個「即將到來」的 AGI，其實只是一個刻意降低門檻的版本。這中間的落差，正在誤導很多人做出錯誤的人生和商業決策。

30-40% 的任務可以交給 AI，但這不等於失業

AI 對就業的真實衝擊到底是什麼？吳恩達的分析框架很明確：不要用「工作」來思考，要用「任務」來思考。

他深受 MIT 教授布林優夫森（Erik Brynjolfsson）和麥克費（Andrew McAfee）等人的研究啟發。兩人合著的《第二次機器時代》是科技與就業領域的經典之作。這套「任務式分析法」的核心邏輯是把一份工作拆解成它包含的各項任務，然後逐一評估哪些 AI 能做、哪些不能。結果顯示，對大多數工作來說，大約 30% 到 40% 的任務可以由 AI 完成，還有 60% 到 70% 仍然需要人類。

這個分析帶出了吳恩達反覆強調的一句話：會用 AI 的人將取代不會用 AI 的人，但 AI 本身不會取代人。善用 AI 的工作者，生產力遠超過不用 AI 的同儕，這個差距已經足以構成競爭淘汰的壓力。

吳恩達並不迴避那些真正會消失的工作。他坦言自己擔心翻譯人員、配音員和大量的客服中心人員，因為這些工作中 AI 幾乎可以完成接近 100% 的任務。他認為社會有責任為這些人建立安全網，「一個人的工作消失，不代表他就應該被丟到街上。」但對絕大多數人來說，挑戰不是失業，而是能不能快速學會使用 AI。吳恩達擔心的是這場技能升級的規模和速度，我們是否有能力在需要的時間內完成。

軟體工程師的角色正在被重新定義

有人問吳恩達：軟體工程師會不會像翻譯和客服一樣被自動化？他的回答很微妙。他說自己再也不會雇用一個不懂如何用 AI 的工程師了，因為跟 AI 賦能的工程師相比，生產力差距實在太大。但他同時相信，軟體工程的需求量會暴增，因為當寫程式的成本急劇下降時，我們應該會建造出更多的軟體。

更有趣的變化發生在工程師和產品經理（PM）的關係上。吳恩達分享了自己團隊的經驗：大約一年半前，他開始注意到一個奇怪的現象。設計師和 PM 把規格交給工程師後，工程師完成的速度越來越快，然後回頭問 PM「接下來要做什麼」，而 PM 卻跟不上工程師的速度了。矽谷傳統上工程師對 PM 的比例是 8:1 或 4:1，一個 PM 可以讓四到八個工程師忙碌。但在吳恩達的團隊裡，這個比例一路從 8:1 降到 4:1、2:1，最後團隊甚至提議改成 1:1。

原因很直觀：AI 大幅加速了寫程式的速度，但「決定要做什麼」這件事並沒有被加速。產品管理，也就是定義問題、判斷優先級、做取捨的能力，相對變得更值錢了。吳恩達觀察到，今天最優秀的工程師不只是技術強、善用 AI 工具，他們也學會了做基本的產品決策。五年前，好工程師的標準是拿到像素完美的設計稿後精確地實作出來。今天，如果你還需要別人告訴你每一個細節才能動手，價值就大幅下降了。能接受高層級的產品方向，然後自己做很多決策的工程師，才是現在最搶手的人才。

還有一個更根本的轉變：記憶程式語法的價值正在趨近於零。過去軟體工程有很大一部分是在記各種奇怪的函數名稱和語法規則，那些往往是某個人半夜隨手取的名字然後就沿用下來了。吳恩達認為這種知識已經不值錢了，但問題解決的能力、判斷該解決什麼問題的能力，價值比以前更高。

Vibe coding 很酷，但帶不進生產環境

對話中也聊到了 vibe coding 的趨勢。越來越多公司嘗試讓 PM 和設計師直接用 AI 工具（像是 Lovable、Claude 等）寫程式碼，把工程師對 PM 的比例直接推到零。吳恩達對此很務實：以目前的技術水準，vibe coding 做出來的東西無法規模化。他的團隊常常用 AI 輔助編程來快速做出原型，但要帶進生產環境、處理規模化的問題，仍然需要深厚的軟體工程專業知識。

不過他指出了一個更值得注意的現象：在非工程師的群體中，會不會用 AI 寫程式正在拉開巨大的生產力差距。吳恩達分享了幾個自己公司的例子。他最好的招聘人員不再手動篩選履歷，而是寫程式來幫忙篩選。行銷人員想上線一個活動時，不再等工程師幫忙建網站，自己動手寫。作者們會寫客製化的程式來優化寫作流程。甚至 CFO 也不再花好幾週去比較採購方案或找現成工具，直接自己寫程式來處理客製化的財務流程。

吳恩達的結論很清楚：對所有知識工作者來說，學會用 AI 寫程式已經是必要技能了。重點不是你自己手寫程式碼，而是你要能精確地告訴 AI 你要它做什麼。在可預見的未來，電腦的語言還是程式碼，懂得讓 AI 幫你寫程式的人，成果就是會比不懂的人好一大截。這個差距此刻正在拉開。

企業 AI 轉型為什麼卡住了

這場對談的另一個重要主題是企業的 AI 轉型。吳恩達和同場的麥克費都觀察到同一件事：很多大型企業卡在「試點模式」裡出不來，沒有達到突破的臨界點，AI 轉型並沒有真正席捲整個組織。

吳恩達的診斷很精準。過去一年大多數企業採取的是「讓一千朵花盛開」的由下而上策略，鼓勵各部門自己找 AI 應用場景。結果呢？得到的頂多是一些微小的增量效率改善，10% 這裡省一點、20% 那裡快一點，但完全不是那種被承諾的「AI 轉型」。

問題的根源在於，AI 轉型是由技術引領的商業轉型，光靠技術本身不夠。吳恩達用銀行貸款審核來說明。一家銀行的貸款流程可能包含行銷、申請受理、初步審核、最終審核、撥款等多個環節。如果你只用 AI 自動化其中一個環節，比如初步審核，然後其他一切照舊，你得到的就是同樣的工作流程，只是便宜了一兩成。這當然不錯，但算不上轉型。

真正的轉型需要從更高的層次重新思考整條價值鏈。吳恩達舉了一些金融機構的做法：他們拿到 AI 初步審核的能力後，不只是享受成本節省，而是去想一個完全不同的產品。如果 AI 能在十分鐘內完成原本需要等一個禮拜的審核，那你可以推出一個全新的服務，讓客戶十分鐘就拿到回覆。但要做到這件事，整條工作流程都得跟著變：行銷方式要變、申請受理要全面數位化、下游的最終審核和撥款也得配合暴增的量能。這不是某個部門的 AI 專案能搞定的，需要高層用全局視角來重新設計。

麥克費補充了一個企業端觀察到的阻力。很多領導者其實真心想推動 AI 轉型，但他們不敢太積極地談論 AI，因為擔心員工把它解讀成「提前裁員通知」。AI 產業的公關話術讓這件事更難：一邊喊 AGI 要來了、大規模失業即將發生，一邊又要企業領導者去推動組織採用 AI。這兩個訊息之間的矛盾，讓企業的變革管理格外困難。吳恩達也直言，AI 生態系「需要開除它的公關部門」。

用數據說服組織，而不是用信念

面對組織內部的抵抗，麥克費分享了一個做法：用數據來衡量 AI 變革的成效。他提到布林優夫森的團隊剛發表了頂級經濟學期刊論文，研究一家企業導入生成式 AI 後的完整效果。這個研究的特別之處在於，他們在每個環節都設了量測點，做的是因果分析，不只是相關性。

結果相當驚人：生產力提升了，客戶滿意度提升了，員工滿意度也提升了，人員流動率反而下降。那些轉型前常被提出的反對意見，像是「品質會不會下降」「風險會不會增加」「真的會省到錢嗎」，都可以用實際數據來回應，不用靠「相信我」三個字。

麥克費還發現了一個有趣的規律：在每一家他們合作過的企業裡，AI 的使用分布都呈現冪次定律（power law）的型態。大約 5% 的人是超級重度使用者，創新力極強，然後從那 5% 之後就急速下降。這其實是好消息，因為不需要做什麼激進的事，只要把那 5% 的最佳實踐分享出去就好。人類天生喜歡向同儕學習。如果你逼大家參加強制性的 AI 培訓，他們會想盡藉口逃避。但如果隔壁桌的同事用一段兩分鐘的 Loom 影片分享他怎麼用 AI 省了幾小時的工時，或讓客戶更滿意，這種有機的經驗傳播反而更容易擴散開來。但前提是你得先量測、先觀察，才知道那 5% 的人是誰、他們在做什麼。

AI 泡沫？要看你講的是哪一層

對談最後聊到了一個所有人都在問的問題：AI 有泡沫嗎？

吳恩達的回答很有層次感。他認為 AI 不是一個整體，應該分層來看。在應用層，他非常樂觀，甚至認為目前可能投資不足，應該繼續加大力度。在 AI 基礎建設中，他進一步區分推論（inference）和訓練（training）。推論的需求非常明確，所有人都被限速、到處碰到使用量上限，建了就會有人用、有人付費，利潤率取決於競爭格局，但需求本身不是問題。

唯一讓他有一點擔心的是 AI 訓練基礎建設。訓練叢集越建越大、高度集中在少數幾家公司手中，有些公司用非常創新的債務和金融工具來籌措資金，他認為這裡存在略為升高的過度投資風險。但他也明確表示自己整體仍然看好這個產業，現在仍然是一個該繼續建設的好時機，尤其是應用層和推論基礎建設，遠遠還沒到飽和的地步。

我的觀察

吳恩達在這場對談中展現的，是一個既深入前沿又腳踏實地的視角。他不迴避 AI 確實會消滅某些工作的事實，也不接受那種「所有工作都會被取代」的末日敘事。這種平衡在達沃斯的氛圍裡不容易做到，因為那裡的激勵結構傾向於讓人把話說得越極端越有流量。

這場對談最有價值的觀點，我覺得有兩個。第一是「任務式分析法」的思維框架：不要問「我的工作會不會被 AI 取代」，要問「我工作中的哪些任務可以交給 AI、哪些不行」。前者讓你焦慮，後者讓你行動。第二是 AI 轉型的本質洞察：太多企業把 AI 當成一種可以灑在既有流程上的神奇粉末，期待自動產出效率提升。吳恩達的銀行貸款案例說得很清楚，真正的價值來自於用 AI 的能力去重新想像產品和工作流程，而不是在舊流程裡省一點成本。

至於他那句「我再也不會雇用不會用 AI 的工程師了」，聽起來嚴厲，但反映的是市場此刻正在發生的事。如果你現在還在觀望要不要學怎麼用 AI，或許該想想的不是 AI 會不會取代你，而是那些已經學會用 AI 的同行，正在用多快的速度拉開跟你的差距。