李沐首次 AMA 全记录：35 个问答，关于 AI 时代的职业、学习与方向

Thu, 17 Sep 2026 11:00:00 +0800

整理自 Datawhale 公众号《李沐：首次 Ask me anything 来了！》。原文以 9 张问答卡片发布，本文按主题重新归类为 7 个板块，问答原文保持原样，仅修正两处明显的录入错误（“多项项目”→“多做项目”、“赢弱”→“羸弱”），并统一了标点与断句。

背景

距离李沐上次公开露面，已经过去很长一段时间。这一次，他直接开启 AMA，密集回答网友提问。

本次 AMA 涵盖 AI、编程、职业选择、学习路径和研究方向等多个话题，共 35 组问答。下面按主题重新梳理，帮你判断：现在在 AI 领域最值得投入的，究竟是什么。

速览：八条主线判断

主题	李沐的判断	关键词
岗位选择	Agent 应用岗缺口最大；Infra 与算法岗招人的公司少、但门槛高	应用 > 研究
学历与年龄	越到职业后期学历越不重要；30 岁、40 岁入场都来得及	长期主义
学习方式	先用 AI 做点事情，每天找一个 topic 问 20 个问题	先动手
编程能力	编程还是要学，但重心从"写代码"转到"review 代码"	看得懂
Agent 定位	Agent 是能力放大器，是 ×10，不是 +10	放大效应
研究方向	找 niche 但有兴趣的方向；技术迭代快，很多地方做得不够细	差异化
多模态	人和 Agent 的交互靠多模态，但能否提升智商业界不一致	交互入口
具身智能	短期一定有泡沫，长期是自然方向，但落地周期可能很长	长周期

一、职业与岗位：锚定"缺口"，而不是"光环"

岗位缺口分布不均——越偏应用、越靠近产品落地的岗，需求量越大；越偏底层和研究的岗，招人的公司少，但门槛更高。如果你已经工作、又想做研究，他的潜台词是：不必卡在"研究员"这个头衔上。

Q：想转工作方向，AI 这方面现在还缺 AI Infra 的开发人员吗，以及 AI 算法岗和 AI Agent 岗位哪个缺口更大呢？我现在参加工作了，还有可能成为 AI 研究人员吗？

李沐：agent 这一块偏应用一点，肯定工作岗位更多。infra 和算法呢，相对来说，可能需求的公司会少一些，但门槛也高一些。

Q：对于刚毕业的 CS 程序员，职业发展上需要往哪方面走来提升自己呢？一年前和现在的程序开发变化太大了。

李沐：先试着利用 agent 能够最大化自己的生产力吧，让自己把这个工具用的很溜再说。

Q：请问一下，作为一个 solo 开发者，有限的精力应该优先拿来验证「这东西值不值得做」，还是先沉下心把产品打磨到能用的水平？在方向不确定的情况下，什么信号说明该继续，什么信号说明该换方向呢？

李沐：先找朋友看看，他们能不能用起来吧。

Q：leetCode-type 的 code 考核还有必要特意考核 / 准备吗？

李沐：很多公司还是面，而且得不要让人怀疑是用 AI 写的。

二、学历与年龄：都不是关键变量

这是全场信息密度最高的一段。三个问题都指向同一种焦虑——“我起点不够好/年纪太大了”，而三个回答指向同一个结论：时间不是壁垒，起点也不是，真正的问题是你到底有没有沉下去。

Q：对于非天才的普通人来说，AI 算法研究的未来在哪里？

李沐：我觉得做 AI 算法的人，大部分也是普通人吧。

Q：我 30 了还没深入，想要大家的鼓励，想深入 AI 应用构建真实需求，可以鼓励下我吗？

李沐：四十岁了都来得及，三十岁我觉得没问题。

Q：我是一个国内双非本科就读人工智能专业的学生，如今在一家机器人公司内实习，在此期间深刻感受到就业市场对 AI 技术岗的学历要求，因此有点焦虑是否自己对未来自己的岗位定位的期望过高，我的学历是否还能不能支撑我进入这个行业。我在整个大学期间的专业学习都高度依赖 AI，三年过去觉得自己好像什么都没学到，进入真正工作上对自己的定位也无所适从，觉得如果自己所有工作都使用 AI，那是否这个岗位换了谁都可以干，作为没有学历优势在技术上也没有很深度理解的预备役牛马，应该把自己放在一个什么样的生态位，在 AI 帮我完成项目的同时我应该把学习方向放在哪，我应该把自己的重点放在哪里？

李沐：我觉得学历可能不是最关键的，越到职业的后期，学历可能越没那么重要。但如果你都觉得自己过于依赖 AI，没学到什么东西，这一点可能更加重要一点。至少先了解 AI 完成的工作，他在背后到底在干什么事情？

Q：AI 普惠教育，买学区房岂不是写死了？

李沐：好的教育资源总是稀缺吧，学区房可能还是有存在的必要的。

三、学习方式：先用起来，再往深走

对"该怎么学 AI"“该学什么语言"“该到什么程度"这类问题，他的回答高度一致：不要先规划路径，先用 AI 做一件具体的事。 唯一的例外是涉及底层原理时——那时他明确说"学习还是有必要的”。

Q：作为 CS 本科生，有限的几年时间，最应该打磨自己的什么能力呢？

李沐：我觉得是多做项目吧，在实践中能够更多的体会。

Q：AI 时代是应该深耕一门技术，追求深度，还是追求深度的同时保持一定的广度？

李沐：我认为是深度优先。先把一件事情做深了，然后再尝试看做另外一件事情，去做广。

Q：老师！您觉得非人工智能专业的想接触 AI，vibe coding 类的技能可以从哪里学起呢？有没有推荐的资源平台？

李沐：用 AI 做个项目看看？

Q：非计算机专业的学生如果想学习 AI，需要学习相关知识到什么程度呢，老师推荐什么样的学习路径呢？

李沐：先用 AI 做点什么事情吧。

Q：大神您好，恳请您回答一个文科生该如何面对未来不确定的一切，AI 可以取代一切，请问文科生想要学习金融相关领域，想要深耕量化分析，该如何利用 AI？又该如何拥有自己的核心竞争力？请问我需要学习编程吗？

李沐：我觉得可以试试，每天找一个 topic，然后跟 AI 问二十个问题。

Q：如果个人想要训练自己专属的小模型，或者从零开始搭建神经网络，现在还有必要学习几年前的哪些技术吗？

李沐：我觉得学习还是有必要的，至少自己要理解这个后面是怎么工作的。

四、编程还要不要学：要，但学的是"能 review”

这是本次 AMA 里最容易被误读的一组。他的立场不是"AI 时代不用学编程"，而是编程能力的作用点迁移了：从"自己写"变成"看得懂、能 judge、能拦住 AI 的低级错误和绕远路的设计"。三组问答，三次强调同一件事。

Q：沐神，我也想问现在还要不要学编程。刚读研，可以全程用 AI 做项目了，根本用不上我那羸弱的编程能力，我还需要去训练编程吗？

李沐：目前来看，编程还是要学的。你可以不用写代码，但是得 review 代码，至少能够看得懂 AI 写的代码在干嘛。

Q：我感觉虽然有些事情我可以交给 AI 做了，但是我还是会搞清楚整体架构、过程，让它解释为什么这样做，我觉得这样用 AI 才是加速自己学习同时提升效率过程。不过我确实在想这个时候去学其他编程语言，比如不太熟悉的 C 语言会不会必要性不大？

李沐：目前来看，能够熟悉一个语言就行了吧。人的工作现在主要是给 AI review 一下代码，防止他犯一些很低级的错误，或者整个设计上是绕了没必要的弯路。

Q：老师，以前读研的时候最喜欢你的论文精读系列了，现在想问一下，在 AI 时代我应该怎么学习呢？应该怎么转行呢？尤其是我现在想跨行业转行，想从纯软件转到 AI 计算 / 推理加速，这里甚至我要重新学习编程语言，但是现在又觉得仔细学习编程语言是无用的。

李沐：学编程语言是有用的。至少得看得懂代码吧，能够给 AI 好的反馈。

Q：我目前是 CS 本科生，在一个做具身智能的组里干活，但我发现自己做任务的时候特别依赖 AI，经常是跟 Codex 和 GPT 网页端换着聊，GPT 给方案，Codex 负责执行。我大部分时间都是在努力理解 GPT 给出的思路，偶尔能看出它有点绕远路，但基本做不到主动去「引导」AI 朝某个方向走。这让我感觉自己没起到真正做研究的作用。想问问这种情况怎么办？本科生在科研起步阶段，面对这种高度依赖 AI 的状态，应该怎么调整呢？

李沐：我觉得不是问题吧，就是你这一块不算熟嘛。你做深一点之后，知道哪些方案 Agent 试过，哪些 work 哪些不 work，踩过坑了，你自然会在这一块会理解深一些。

五、Agent 与人的边界：放大器，不是替代品

有一个提问者给出了很漂亮的判断——“硬实力差距因为 agent 缩小，软实力相对价值被放大”，李沐的回应是全场最凝练的一句比喻。他还补了一条容易被忽略的社交规则：别让人看出来你的消息是 AI 写的。

Q：硬实力差距因为 agent 缩小，软实力相对价值被放大。执行力、社交能力、分层的逻辑能力，变得尤为重要。本质上什么能力能让人更快地发现问题、分解问题，什么能力就重要，而具体的细节知识 agent 比人强，没必要去肌肉碰钢铁。你觉得呢？

李沐：agent 是能力放大器，就是能力 ×10，而不是加法器，不是能力 +10。

Q：AI 大公司的技术服务部门：该怎么加强和技术同学的沟通能力，怎么用 AI 帮忙呢？

李沐：你可以让 AI 来帮你提供一些建议，或者说帮你跟之前的跟别人的沟通做一些 review。但人与人的交互，主要还是人上。我看很多人是讨厌别人用 AI 来回复的。

Q：如果 AI 越来越强，很多工作都会被替代，那人该怎么办？

李沐：我比较相信人对环境的适应性吧。就算 AGI 来了，人总是能找到自己能做的事情。

Q：五年前我就是看了您的视频开始了 AI 生涯。想请教一下老师看好 AI 翻译这一领域吗？文本翻译是 LLM 的得意领域，但生活化场景的翻译又带来了多模态和低延迟等挑战。在老师看来，随着模型能力的发展，AI 最终能够做到帮助全人类跨越语言障碍吗？

李沐：我觉得 AI 翻译肯定是能够替 99% 替代人的。

六、研究方向：找 niche，别追热

被问到"哪个方向值得投"时，他不给清单，只给方法：避开人多的赛道，找窄而你真的有兴趣的口子。 理由是技术跑得太快，很多地方根本没做细。同时对具体领域给出了相当坦诚的降温——AI compiler 是小众，3D/4D 他自认不是专家，物理世界尚未解决。

Q：现在入场的话，还有什么值得投入的研究方向吗？

李沐：可以找 niche 一点的，但有兴趣的方向去研究吧。目前我看到就是技术发展的很快，所以很多地方其实是做的不够细的。

Q：大佬觉得 AI compiler 是否是一个值得投入精力学习的方向，以及学习重点应该是什么？

李沐：这是一个偏小众的方向，做的团队不多吧。如果你能找到合适的团队，还是挺有意义的。

Q：我目前在 3D&4D 场景理解和生成之间犹豫。现在模型发展和更新太快，也担心自己的工作很快被更大模型覆盖。您觉得年轻研究者应该如何选择长期方向，并建立真正属于自己的积累？

李沐：目前做的还很浅吧。我也不算这一块的专家，但我觉得不管是 AI 也好，还是别的专门做这个的，我觉得离真正的现实场景的理解和生成还蛮远的。

Q：大佬觉得 AI 能本质上解决 physical world 的问题么？对于物理世界来讲，数学和 CS 领域太干净了，反馈太及时了，这两个领域感觉 AI 已经一统江湖了。

李沐：应该还没有吧。但是这一块确实有很多 lab 和公司在做。

Q：想问问李老师，LLM 的未来会往哪个方向发展，当前的哪些研究方向是您比较认为重要的？

李沐：我认为，目前来看，就是模型在沙盒里面运行，自我成长。包括 sandbox 里执行代码，macOS 上 computer use，以及各种新出来的世界模型里面运行。

Q：沐神，LLM 会吞噬掉哪些 harness，harness 有哪些不可替代，二者边界会在哪里？

李沐：我的看法是，目前 harness 里面有效的东西，下一代模型应该会被吞掉，但是下一代模型可能又出现一些需要新的 harness 的地方。

Q：想问一下老师怎么理解 RSI 吗？感觉大家都说 RSI，但是做的都不太相同。

李沐：我们也做 RSI，但确实大家的理解都不太一样。能有效使用 AI 来参与迭代模型能力都可以号称 RSI 吧。例如简单的，用 AI 来洗数据再来训练 AI。

Q：沐神怎么看未来 AI 能力越来越强之后，alignment 的研究是否会某种程度上脱离实际，我们可以用什么心态来准备？

李沐：我的体感也是，最近几代模型的更新，它的 alignment 都是提升智商，所以它出的那些报告啊，人基本不太看得懂。

七、多模态与具身：方向对，节奏要放长

最后一组问答里，他给多模态找到了一个不依赖"提升智商"的立足点——它是人和 Agent 之间的交互通道；而对具身智能，他给了一个很清醒的判断：方向是自然而然的（白领之后必然是蓝领），但短期有泡沫，长期落地周期可能像无人驾驶一样漫长。

Q：沐神如何看待多模态的未来？

李沐：多模态肯定是 AI 和人交互的一个重要的途径。但确实，多模态能不能提升模型的智商，目前是大家观点不一致。所以很好几家大厂把多模态的优先级调低了。

Q：请问您如何看待未来多模态的发展趋势？目前市场更倾向 agent，还要继续坚持做多模态吗？

李沐：我觉得多模态没问题啊，人和 agent 的交互，是靠多模态。

Q：沐神你好，请问 VLM 现在看来是不是已经进入局部低谷了呢，今年的秋招看起来工业界完全不需要这块，是否 VLA 会更值得探索呢？

李沐：实用角度来讲，还挺多的吧？人与 agent 的交互之间，用 vision 还是挺多的。

Q：您觉得具身领域会是泡沫吗？未来的具身行业是否可能真正落地并发展？

李沐：短期看，肯定是有泡沫的。但这是一个自然的方向，因为 AI 做了白领的工作之后，就是要做蓝领的工作。但确实说具体什么时候能够落地，真正的发展起来，很有可能也是一个漫长的时间。就像无人驾驶，花了多少时间？

Q：沐神怎么看待具身智能的未来发展？

李沐：目前来看，没有别的更 promising 的方向的话，我觉得这个挺好的。

八、可以带走的六条判断

如果只记六句话：

岗位往应用走——Agent 岗需求最大，infra 与算法岗门槛更高、招人更少；
时间不构成门槛——30 岁、40 岁入场都来得及，学历在职业后期权重递减；
学编程的目的变了——从"自己写"变成"看得懂、能 review、能拦住 AI 绕远路"；
Agent 是 ×10 不是 +10——它放大你已有的能力，而不是替代你；
学习靠 ask——每天找一个 topic，跟 AI 问二十个问题，比先规划路径有效；
选方向选窄的——找 niche 但有兴趣的口子，因为技术跑得快，很多地方做得不够细。

出处与说明

原文：Datawhale 公众号《李沐：首次 Ask me anything 来了！》
原文链接：微信公众号文章
发布时间：2026 年 9 月 16 日（原文正文由 9 张问答卡片组成，共 35 组问答）
整理说明：本文为二次整理，问答文字为原文转录，仅修正两处录入错误并统一标点；未对观点作任何增删或改写。

学习路径 on 蔡大锅's Blog