吴恩达不是旁观者。他创建了Google Brain团队——正是在他设定的"规模优先"使命下，这个团队的成员在2017年发明了Transformer架构，直接点燃了生成式AI革命。他随后担任百度首席科学家，将大规模AI能力带入了中国最大的互联网公司之一。2024年，他提出"Agentic AI"概念，这个术语在一年内从学术论文跳到了达沃斯的广告牌上。2025年中，他的风投工作室AI Fund完成了1.9亿美元的超额认购融资。
2026年1月，他在X上发布了"Turing-AGI Test"提案，引发广泛讨论。就在这次访谈录制前几天，他刚刚接受Fast Company专访，再次强调真正的AGI距离我们还有"几十年"。
与此同时，AI行业正处于一个微妙的转折点。"AGI即将到来"的叙事在投资人路演和CEO发言中反复出现。但吴恩达看到的是另一幅图景：过度炒作正在制造一种危险的期望落差，而这种落差在AI历史上已经多次导致"寒冬"降临。
关于AGI的实现，已经有不同的判断了，马斯克是一两年，Anthropic CEO说两三年，Google Deepmind CEO 哈萨比斯说是5-1年。吴恩达现在说是几十年。大家可以自选一个时间表相信一下。
以下是这场访谈的完整梳理。对了，关于大家说要建读者群，终于咬牙建了一个，大家扫文末二维码哈。（但怎么运营还没想好，比如：没人说话怎么办，群也不能帮到大家怎么办，大家一块想想哈……）
1. "AGI已经变成了一个营销词汇"
访谈的第一个问题就直奔主题：2026年，我们能实现AGI吗？
吴恩达的回答没有任何缓冲：以任何合理的AGI定义来看，答案是否定的。 他给出的AGI定义是"AI能做人类能做的任何智力任务"。一个人类可以在几十个小时内学会开卡车穿越森林、学会在呼叫中心接电话并按照企业要求回答问题、学会处理各种从未见过的智力工作。而今天的AI，要完成这些任务中的任何一个，都需要工程师花费大量时间构建定制化的工作流。
"这和公众心目中的AGI完全不是一回事。" 他说。公众以为AGI意味着电脑和人一样聪明，但企业为了融资、公关或政策目的，不断给AGI套上更容易达到的定义。他打了一个比方：如果社会开始把各种颜色都叫"蓝色"——这个是蓝色，那个也是蓝色——"蓝色"这个词就丧失了意义。AGI现在就处于这种状态。
这种定义混乱的后果很实际。吴恩达说他观察到高中生因为觉得AGI马上就要来了而放弃某些专业方向——既然AI很快就能做所有事，为什么还要花四年学某个领域？CEO在做投资决策时假设AI在一两年内会比现实中强大得多，结果项目预期落空。
"2026年能实现AGI的唯一方式，是某家公司把AGI的定义门槛降得足够低，然后宣布自己跨过去了。"
2. 一个新的图灵测试：别测能不能骗人，测能不能干活
正是因为AGI这个词已经被用烂了，吴恩达在2026年初提出了一个新的测试框架：Turing-AGI Test（图灵AGI测试）。
设计逻辑是这样的：被测试对象（AI或人类）获得一台有网络连接和常用软件的电脑——浏览器、Zoom、文件系统，和一个远程办公的人能用的工具差不多。人类评委设计一个多天的工作体验，测试对象事先不知道内容。体验可能包括一段培训期（比如学习如何做客服），然后进入执行期（真正接听电话并获得反馈）。如果AI能像一个熟练的专业人士那样完成这些有经济价值的工作任务，就算通过测试。
为什么不沿用原版图灵测试？吴恩达回顾了历史：1950年图灵提出的测试是让人类裁判通过文字聊天判断对面是AI还是人。Loebner Prize（洛布纳奖）真的跑过这个测试，结果发现能模仿人类打字错误比展示真正的智能更容易骗过裁判。 但2026年AI的核心目标不是骗人，是做有用的经济工作。所以测试标准也应该跟着变。
为什么不用现有的benchmark（基准测试）？这里吴恩达展开了一段很有信息量的分析。现有的benchmark如SWE-bench、GPQA等是提前固定的测试集。问题在于，即使团队不刻意针对测试集优化，间接的优化几乎不可避免。更深层的问题是：AI的智能是锯齿状的（jagged intelligence）——某些方面极强，另一些方面极弱，而固定测试集只能测到那一小片。 让人类评委实时设计未公开的任务，可以主动探测AI在哪里强、在哪里弱，这才是检验"通用性"的正确方式。
"如果AI真的是AGI，人类评委应该找不到任何一个维度，AI在经济上有价值的工作任务中明显不如人类。"
3. Benchmark得分到90%，用户为什么觉得模型更蠢了？
这个问题在AI社区反复出现，吴恩达给出了他的诊断。
他没有否定benchmark的价值，但指出了一个结构性盲区：我们擅长设计有客观对错的测试。 数学题有对有错，代码能跑就是能跑，奥运会谁赢了200米自由泳有标准答案。大量benchmark测的就是这种黑白分明的东西。
但大量真实工作不是这样。你让一个人写一份研究报告，没有唯一正确答案，只有更好和更差的梯度。人类对话也是——吴恩达说他自己也不知道在一场对话中"唯一正确的回应"是什么，但他知道有些回应比另一些更好。我们设计benchmark来衡量这类"灰度"能力的水平远远不够。
所以出现了一个悖论：benchmark得分不断提高，但用户体验没有同步提升。因为benchmark测的是AI擅长的那类清晰对错的任务，而用户在真实场景中需要的是那些灰色地带的判断力——我们至今没有好的工具来量化这种能力。
4. 两个工程概念：脚手架和调度框架
在进入Agentic Workflow的讨论之前，需要先理解两个在这场访谈中反复出现的工程概念。
脚手架（Scaffolding） 这个比喻来自建筑行业，2023年前后开始在LLM领域流行。它指的是围绕模型搭建的具体指令和约束——比如"先搜索三次、再下载五个页面、按这个模板总结"这类逐步规定。模型能力越强，需要的脚手架就越少。学术上，2023年Millidge的论文将"Scaffolded LLM"定义为"在LLM核心外包裹程序化脚手架并将多次LLM调用串联起来的系统"。
调度框架（Harness） 则是2025年随着AI Agent工程化而兴起的更新概念。Phil Schmid给过一个清晰的定义：harness是包裹在模型外面的基础设施，负责工具执行、对话历史管理和上下文工程。Anthropic的Claude Agent SDK、OpenAI围绕Codex搭建的工程体系、Manus的Agent架构都属于这个范畴。Martin Fowler的技术博客最近也专门讨论了"Harness Engineering"这个新兴学科。
简单说，脚手架是你告诉模型"怎么一步步干活"的指令，调度框架是让模型"能干活"的整套基础设施。 两者层次不同，但在实际工程中紧密交织。吴恩达在访谈中同时谈到了这两个层面。
5. Agentic Workflow已经非常值钱，但可靠性缺口依然很大
吴恩达是"Agentic AI"这个概念的命名者——2024年他在DeepLearning.AI的The Batch通讯中提出了四种Agentic设计模式（反思、工具使用、规划、多智能体协作），随后这个概念迅速扩散到整个行业。但他在这次访谈中也坦承：当初他没想到一堆营销人员会抢过这个词，往什么东西上都贴一个"agentic"标签，导致炒作远超实际。
回到技术本身。他用自己团队在AI Fund的实际工作举例：他们用Agentic Workflow做代码编写、关税合规审查、复杂法律文档处理、医疗辅助、客服支持。把人类目前完成这些任务的思维过程编码成AI智能体或Agentic Workflow，让AI代替人来做，这件事已经在创造巨大的经济价值。
但他同时给出了一个很清醒的判断：对很多工作流来说，目前的可靠性还不足以上生产环境。 给模型一堆工具让它自由发挥，效果确实惊人。但企业需要的是系统跑一万次、每次都对。按这个标准，"放手让AI自己做"还达不到。所以实践中的做法是把工作流拆成关键步骤，逐一实现，确保每一步都稳定可靠。
他提到了一个特别有画面感的趋势：他的团队在持续拆除脚手架。 六个月前搭建的系统拿出来，剥掉一层层的详细指令。以前做Deep Research（深度研究）要精确指定"搜几次网、下载几个页面、怎么总结"，现在模型足够聪明，可以自己决定要不要继续搜索、要不要总结。但关键词是"持续"——不是一步到位，而是渐进式放手。对于低风险场景比如Deep Research，漏掉一个引用不是世界末日，可以大胆放手。但对于高风险的企业级场景，可靠性差距虽然在缩小，仍然比一些人想象的要大。
6. "给LLM太多工具，它反而会搞砸"
这是访谈中一个容易被忽视但信息量很大的工程观察。
吴恩达说Anthropic围绕Claude Code搭建的SDK，以及它的调度框架设计，做得非常好。但他话锋一转，指出了一个普遍存在的问题：如果给LLM太多工具描述，它会消耗大量输入上下文，然后更容易调错API、选错工具。 MCP server的工具列表太长也是一样的问题——工具太多，模型反而不知道该用哪个。
所以context engineering（上下文工程）和精心设计的调度框架在2026年依然关键。吴恩达自己也承认这听起来有点不可思议——都2026年了，为什么还要操心prompt怎么组织、给模型挂几个工具这种"工程细节"？因为这些细节真的还在决定系统的整体性能。
主持人接着追问了一个很好的问题：更聪明的模型能不能直接取代精心设计的工作流？ 吴恩达的回答是：理论上可以，但实际上比大多数人以为的要难得多。Claude 4.5、Gemini 3、GPT 5系列确实越来越擅长自主使用工具，但要让它们在高风险业务场景中稳定可靠地独立运行，还有很长的路要走。
7. "苦涩教训"需要加注：规模不是唯一的路
这个话题从Rich Sutton（里奇·萨顿）那篇著名的文章"The Bitter Lesson"（苦涩的教训）展开。Sutton的核心论点是：原始算力总是打败人类的聪明才智。 主持人问吴恩达：你做Agentic Workflow，是不是在和这个教训唱反调？
吴恩达没有反对Sutton。他说Sutton那篇文章写得非常好，影响力很大。然后他回忆了自己的经历：创建Google Brain时，他定下的头号使命就是scale（规模化），那时候几乎所有人都觉得这很奇怪。"我大概是AI领域最早推动大规模训练的人之一。" 正是这个"规模优先"的DNA，让Google Brain团队发明了Transformer——历史上最具可扩展性的神经网络架构——并直接点燃了生成式AI革命。
但他紧接着做了一个重要的区分：在不同的时间节点上，规模化的能力和注入其他知识的能力之间存在动态平衡。 规模极其强大，但正因为它有巨大的真实价值，就被过度炒作到超出了实际水平。"依然极其有价值，只是没有hype说的那么神。" 而Agentic Workflow正是在利用大模型的规模优势之上，额外注入结构化知识来构建更可靠的系统。两者不矛盾，而是互补。
他还指出了一个有趣的融资逻辑：因为Scaling Laws（规模定律）的确存在，你可以对投资人说"给我更多钱，我会把机器规模化、把数据规模化，然后性能会按预测提升"。这个论证非常有力，也非常好用。但正因为这个论证的核心是真实的，它就更容易被过度推销。
8. Scaling Laws：趋势还在，但引擎已经换了
吴恩达很明确：规模化时代没有结束，但越来越难了。
一个很有画面感的数据：AI的进步速度可能是指数级的，但驱动这个进步所需的资金也是指数级的。花指数级的钱驱动指数级的改进，其实还不错——因为建设成本可以分摊到海量用户身上。但这也意味着，如果投入停滞，进步也会放缓。
更关键的变化在配方层面。以前Google Brain时代的朴素做法是"更多数据、更大模型"。但AI模型已经把整个开放互联网都读完了，这个简单配方不再适用。他拿摩尔定律做了类比：摩尔定律持续了几十年，但背后的具体半导体技术一直在更换——从一种工艺跳到下一种工艺。Scaling也一样。现在驱动它的是合成数据生成（需要大量人工工程）和各种强化学习配方（需要更多人为设计）。趋势还在，但引擎已经换了。
什么会让他放弃对scaling的信仰？如果持续加大投入却不再带来回报，那他会改变看法。 但目前还没到那一步。
9. 持续学习：一块关键拼图还没找到
Anthropic预测持续学习（Continual Learning）会在2026年被解决。吴恩达说他也期待那一天，但在他看来，完全解决是不太可能的——有进展，但不会彻底攻克。
然后他给出了几个非常坦诚的技术判断，这在公开场合很少见。
目前主流的做法是让AI把信息写成文本存进某种agentic memory（智能体记忆）。但吴恩达提出了一个根本性的疑问：文本真的是记忆的好表征吗？ 已经有一些非文本表征的研究，但大部分工作还停留在文本层面。
更关键的一句话：我们搭建的所有这些记忆系统，都没有真正更新LLM的权重——这让人感觉一定漏掉了什么关键拼图。 模型读了、记了，但它的"大脑"本身没有因为新经验而改变。这和人类学习有本质区别。人类学完一样东西之后，神经连接真的变了；AI学完之后，只是外挂了一段文本。
被问到最大瓶颈是什么，他的回答诚实到让人意外："我们根本不确定正确的方向是什么。" 他的团队有一些觉得有前景的想法，但他自己也不确定能不能行。"让我先试试看，再告诉你结果。" 这就像问"解决这个巨大未解研究问题的瓶颈是什么"——路径本身都不清楚，没法指出具体的瓶颈在哪里。
为什么这件事重要？他用了一个很直白的经济学论证。一个小孩摔几跤就学会走路，强化学习需要几百万次模拟。如果训练一个AI做一个窄任务要花一百万美金，那很多任务根本不值得做。持续学习的突破，关系到AI能否像人类一样用很少的经验快速学会新东西——这才是通向AGI的真正瓶颈之一。
10. 泡沫警告：吴恩达最担心的一件事
对话进行到中段，气氛变了。吴恩达说他看到的能让AI发展脱轨的因素很少——AI现在工作得很好，价值巨大。但有一件事让他真正担心。
过度炒作导致失望，失望导致泡沫破裂。 他说这对世界和AI行业都不是好事。AI历史上已经经历过几次"冬天"——善意的人过度承诺AI的潜力，社会期望被拉高，然后期望落空，投资和兴趣崩塌。他说的不是假设，而是已经发生过的事。
他认为当前最危险的叙事就是"AGI马上就要来了"。这个叙事制造了一种期望：很快AI就会和人类一样聪明，很快所有工作都会被替代。当这些期望不可避免地落空时，反弹可能是灾难性的。给AGI降温，实际上是在为AI的可持续增长奠定基础。
主持人提到了一个流行的刻板印象：硅谷的人只看钱，不在乎安全和责任。吴恩达直接反驳了这个说法。他说他认识的大多数CEO和创始人都在认真对待安全——他们会坐下来认真讨论AI系统可能出现的各种问题，并尝试减轻风险。纯粹为了利润不顾一切的人只是极少数，虽然这极少数面对数十亿美元诱惑时的影响确实不可忽视。
11. 杨立昆和哈萨比斯之争：大脑到底是通用的还是专用的？
访谈后半段出现了一段意想不到的学术讨论。主持人提到了杨立昆（Yann LeCun）和哈萨比斯（Demis Hassabis）之间的争论——杨立昆认为人类智能本质上是专门化的，哈萨比斯则主张大脑是通用学习器。
吴恩达的回答出人意料："我看不出这里有矛盾。"
他的论证是这样的：大脑的厉害之处在于可塑性（plasticity），也就是学习能力。一个拿了数学PhD的人展现的是高度专门化的智能，但同一个大脑如果换一种训练，完全可以成为国际象棋大师，或者成为网球运动员，或者学会在呼叫中心工作。所以**"通用性"体现在学习能力上，而不是"已经什么都会"。** 终点是专门化的，但起点是通用的。
他接着透露了一个很少被公开讨论的思想源头：驱动他创建Google Brain的核心假设叫做**"一个学习算法"假说（One Learning Algorithm Hypothesis）。** 基本思想是：人类DNA包含的信息量其实很有限，但它编码出了一个高度通用的学习算法。大脑能学会数学、摩托车、打字、做客服……几乎任何事情，正是因为底层有这么一个通用的学习引擎。这个信念让他坚定地走向了大规模神经网络的方向——如果大脑只用一个学习算法就能做这么多事，那也许人工神经网络在足够大的规模下也能展现类似的通用性。
这段话和他对AGI的定义形成了呼应：真正的AGI，重点不是造一个什么都知道的AI，而是造一个能快速学会任何新东西的AI。
12. 意识不是科学问题，智能才是
如果能回答一个关于现实的终极问题，吴恩达想搞明白的是智能的本质——不是意识。
他的理由非常清晰。意识不可测量。你不知道我有没有意识，我也不知道你有没有。哲学上甚至存在"哲学僵尸"这个概念——也许一个人在外部行为上和有意识的人完全一样，但内部完全没有主观体验。因为你无法接触到另一个人的内在体验，意识在本质上不可验证，更像哲学问题而非科学问题。
但智能是可以观察和测量的。人脑到底通过什么机制展现出如此广泛的智能行为？这个问题有答案，只是我们还没找到。
他透露了一个不太为人知的经历：在创建Google Brain之前，他花了大量时间泡在神经科学家圈子里，读了一大堆神经科学论文。最后的结论让人意外——对神经科学家朋友们万分尊重，但坦白说神经科学基本上不知道大脑是怎么工作的。 所以他放弃了从神经科学路径去建造智能。
然后他说了一句从Transformer时代的开创者之一嘴里说出来分量极重的话：
"我很确定智能不是一个Transformer加上Scaling Laws就能解释的。它一定需要更多东西。"
13. 哪些工作真的危险？
吴恩达在就业问题上给出了迄今为止最坦率的公开评估。
他列出了明确的危险名单：呼叫中心岗位、翻译、配音演员。 这些职业之所以危险，是因为几乎100%的工作内容都可以被自动化。他说他对这些人真的感同身受，认为AI从业者有义务帮助他们获得新技能、重新进入劳动力市场。
但大多数工作是复杂的、多维的。他引用了MIT经济学家Erik Brynjolfsson（埃里克·布莱恩约弗森）等人做的基于任务的岗位分析：把一个职业拆成具体任务，看哪些能被AI自动化。对很多工作来说，AI可能自动化掉30-40%的任务，但剩下的60-70%仍然需要人类。
放射科怎么样？自动化比大家预想的慢得多。律师呢？行业的监管壁垒（regulatory capture）让完全替代人类律师变得非常困难。但不用AI的律师生产力会被远远甩开，因为AI在法律研究方面已经非常出色。
关键结论他在访谈中强调了两遍：AI不会取代人，但会用AI的人会取代不用AI的人。
然后他话锋一转，讲了一个更深层的担忧。他的CFO会用AI辅助写代码，产出远超不用AI的同行。他见到的最厉害的营销人员都在用AI工具。但很多大学的课程设置还在为2022年的岗位培养学生，那些岗位很多已经不存在了。雇主找不到足够多懂AI的人——这里他特别强调，说的不是软件工程师，而是懂AI的市场营销、招聘、财务专业人士。 教育体系的转型迫在眉睫，但怎么做到，他自己也觉得"目前看来仍然非常有挑战"。
14. 开源没有死，但寡头垄断是真正的威胁
主持人问开源时代是否已经结束。吴恩达的回答很明确：开源不仅没死，而且目前最好的开源/开放权重模型有很多来自中国。
他说过去几年，每一年可选的开源方案都在快速增长。专有模型也在快速增长，但重要的是开源的增长同样强劲。
他随后展开了一段关于创新自由的论述。以移动开发平台为参照：在美国做移动创新，基本需要获得iOS或Android两个"看门人"的许可。这导致了很多创新根本无法实现，因为平台不允许。如果AI领域也出现类似的两三个看门人——只有少数几家公司能训练前沿模型——创新自由就会大幅萎缩，整个社会会因此变得更穷。
如果只有三家公司负担得起训练前沿模型怎么办？"我真心希望我们不会走到那个未来。" 开源是防止这种寡头垄断的关键。
关于中国和美国在AI上的竞争，他的判断很务实：AI是多面的，中国在开源/开放权重模型上领先，美国在专有模型上领先。两者各有优势。他在Google和百度都工作过，目前在AI Fund和DeepLearning.AI工作，对两边都有感情。但他也明确表达了对美国和西方世界的价值认同——尽管民主制度有时运转得好、有时运转得差，但它是一个重要的支柱。
15. "赋能每一个人用AI来构建"
访谈的最后部分，吴恩达谈到了驱动他工作的底层价值观。
他说他最看重两件事：让人类变得更强大（这是他做研究和创办公司的原动力），以及帮助别人实现他们的梦想——注意他特别强调了"他们的梦想"，不是"我的梦想"。通过教育给别人工具和技能，让他们有更好的条件去追求自己想要的东西，这是DeepLearning.AI一直在做的事。
他离开百度的原因也很有意思。他说在百度带了一个很好的团队，帮母公司的核心业务（在线广告、网站优化等）赚了很多钱。但他发现自己最兴奋的部分是建新业务——比如百度的自动驾驶团队（至今在中国仍然运营得很好）、智能音箱团队。他看了一眼组织架构，觉得"如果我不在了，这个团队大概也能做得很好"。然后他问自己：在大公司内部从零到一，和自己出来建一个专门做从零到一的风投工作室，哪个效率更高？答案是后者，于是有了AI Fund。
主持人最后问他：有没有后悔过什么？
他停顿了一下，说当然有很多做错的决定——应不应该雇那个人、应不应该坚持那个项目。但总的来说，他很幸运做对了几个关键决策，也做错了很多，但他对自己现在做的事感到满意，没有遗憾。
最后一个问题：AI能不能替代作为教育者的他？
他笑了笑说，他的团队经常尝试用AI来替代他——是得到他的祝福和强烈鼓励的。但到目前为止还没成功。"我怀疑我可能是一种通用智能。" 这句半开玩笑的话，恰好呼应了整场访谈的核心论点：真正的通用智能——无论是人类的还是人工的——依然是一个未解之谜。
核心问答
Q1: 2026年能实现AGI吗？距离还有多远？以任何合理的定义来看，答案是否定的。吴恩达认为距离真正的AGI（AI能做人类能做的任何智力任务）还有几十年甚至更久。目前所谓的"AGI即将到来"，本质上是企业不断降低AGI的定义门槛。他提出的Turing-AGI Test要求AI像一个远程员工那样在多天的工作场景中完成有经济价值的任务——按这个标准，当前的AI远远没有达到。他同时警告，过度炒作AGI可能引发又一次AI泡沫破裂，这是他作为行业领袖最担心的事情。
Q2: 普通人和企业应该怎么应对当前的AI变化？绝大多数工作不会被完全替代，但不用AI的人会被用AI的人取代。吴恩达的观察是：会用AI的市场人员、财务人员、招聘人员的产出远超不会用的同行，而教育系统还在为2022年的岗位培养人才。对企业来说，最值得投入的方向是Agentic Workflow——把具体的业务流程拆解成AI能可靠执行的步骤。这不需要等AGI，现在就能创造巨大价值。但调度框架和工程细节依然关键，不要指望"给模型一堆工具让它自己搞定"就能上生产环境。
Q3: Scaling和Agentic Workflow，哪个才是AI的未来方向？两者不矛盾。规模化依然有效但配方已经变了——简单的"加数据扩模型"失效了，现在需要合成数据和新的强化学习配方，花指数级的钱才能驱动指数级的进步。Agentic Workflow是当下最能落地创造价值的方向，它在利用大模型规模优势的基础上额外注入结构化知识，构建更可靠的系统。吴恩达的团队同时在做两件事：利用更强的模型不断减少工作流中的脚手架，同时为高风险场景保留足够的确定性控制。但他也坦承，持续学习（Continual Learning）是一块关键的缺失拼图——AI能否像人类一样用很少经验快速学会新东西，目前连正确的研究方向都还不清楚。