导语
AI领域的重要人物、Google Brain和Coursera联合创始人吴恩达近日宣布，其DeepLearning.AI平台将重新聚焦于“AI工程”。此举基于对超过一万份招聘广告的分析、数十次与专家及招聘经理的结构化访谈以及广泛的调查数据。这标志着AI工程从新兴概念正式迈入系统化、职业化的发展阶段，而吴恩达提出的四大核心技能，为行业人才的培养和评估提供了新的基准。
吴恩达重新定义AI工程：四大核心技能
AI领域的重要人物吴恩达通过大规模调研，重新定义了AI工程师所需的四大核心技能：构建与部署AI应用、软件工程基础、使用编程代理、塑造产品构建。这标志着AI工程从新兴概念向系统化职业方向的演进，强调了技术深度、产品思维与工程实践的结合。
大纲与深读 8 章
展开「深读」看每一段讨论的问题与论据。
01
Andrew Ng定义AI工程技能
- Andrew Ng通过分析一万份招聘启事、访谈和调查，重新定义了DeepLearning.AI的焦点
- AI工程四大核心技能包括：构建部署AI应用、软件工程基础、使用编码智能体、塑造产品构建
- AI工程技能广泛适用于所有开发者，而不仅是AI工程师职位
- 强调可预测性和评估闭环是AI系统的关键
深读这一段
讨论的问题：AI工程的核心技能是什么，如何定义？
论据 / 案例：分析了超过10,000份招聘启事；进行了数十次结构化访谈；四大技能包括：构建部署AI应用、软件工程基础、使用编码智能体、塑造产品构建
02
智能体框架与持久化智能体
02:00- 智能体质量越来越由框架而非基础模型决定
- 持久化和自修改智能体从概念走向开源实现
- MCP成熟为企业级基础设施，支持企业集中授权
- 下一个智能体基础设施浪潮关乎持久性、分叉、回滚和持续运行
深读这一段
讨论的问题：智能体基础设施的下一个演进方向是什么？
论据 / 案例：NVIDIA新评估工作提出‘技能提升’度量；开源项目Headlong实现了48分钟内无人值守的自调试修复；Anthropic推出企业级MCP连接器授权
03
模型发布与竞争态势
04:00- Qwen3.8-27B在其尺寸类别中表现超群，进入整体前十
- 未发布前沿模型的传闻周期加剧，访问不对称成为权力集中来源
- OpenAI和Anthropic定位持续变化，GPT-5.6降价并优化成本
- Claude Opus系列超半年无明确升级，但新变体推理能力增强
深读这一段
讨论的问题：前沿模型的竞争和分发模式发生了哪些变化？
论据 / 案例：Qwen3.8-27B在Code Arena: WebDev中排名第9，1595分；OpenAI将GPT-5.6 Sol API价格降至每百万输入4美元，输出20美元
04
推理、基准与成本效率
06:00- 工具延迟重叠成为关键框架级加速手段
- Token会计和基准卫生问题依然存在，缓存命中不应计入使用量
- 成本归一化的智能体基准正在重塑模型选择
- 在100美元预算下，GLM-5.3完成的工作量是Fable 5的5倍
深读这一段
讨论的问题：如何更准确地衡量和优化智能体推理的成本与效率？
论据 / 案例：推测性编程工具调用报告约1.0-1.2倍改进；Together AI报告GLM-5.3在100美元预算下完成17个任务，Fable 5仅完成3个
05
端侧AI与推理系统
08:00- Liquid AI和Artificial Analysis推出严肃的端侧基准测试套件
- 手机端结果揭示了与云端评估不同的帕累托前沿
- Nanbeige4.2-3B和LFM2.5-2.6B在平均分上领先
- 推理供应商开始竞争智能体特定吞吐量，而非原始每秒token数
深读这一段
讨论的问题：端侧AI面临哪些独特的约束和机遇？
论据 / 案例：Pipette评测套件包含10,000多个验证结果，涵盖35个模型类别；NVIDIA Groq 3 LPX声称在Gemma 4 31B上达到3,400输出token/s
06
研究、论文与技术教育
10:00- 强化学习用于大语言模型和框架原生训练仍然是热点
- 其他重要研究包括周期性行式Muon优化、潜在动态推理、运动生成缩放定律
- 高质量教育内容值得关注，如《Deep Learning with Python》的注意力章节
- llama.cpp文档迁移，并将涵盖推测解码、量化和编码智能体
深读这一段
讨论的问题：当前LLM研究和教育有哪些值得关注的前沿？
论据 / 案例：@cwolferesearch发布了全面的强化学习指南；Meta/USC的周期性行式Muon扩展了优化技术；@fchollet推荐《Deep Learning with Python》第15-16章
07
社区讨论：Qwen3.8编码能力
12:00- Qwen3.8-27B在不同框架下表现差异巨大，框架质量主导模型感知能力
- 智能体框架（如pi.dev）与沙箱工具（如Copilot）存在巨大差距
- 提示/框架设计、分解测试或推理设置都可能是本地结果差的原因
- 建议先生成转译器，再进行函数级重写和验证
深读这一段
讨论的问题：如何正确评估和发挥开源编码模型的能力？
论据 / 案例：在同一提示下，模型在VS Code Copilot中失败，但在pi.dev框架下成功，约1小时完成海洋着色器；从39k行C代码到HTML/Three.js的移植实验中，Claude Code + Opus 5是唯一获得‘尚可’评价的模型
08
社区讨论：大代码库移植挑战
14:00- 直接‘转换此代码库’的提示会导致模型重新构想行为而非保留行为
- FP8 KV缓存量化可能严重影响长上下文性能
- 墙钟时间差距是预期的，因为Anthropic可以跨更多硬件并行化
- 建议使用LMCache持久化KV缓存到RAM以减少重处理延迟
深读这一段
讨论的问题：在移植大型代码库时，有哪些技术挑战和最佳实践？
论据 / 案例：Claude Code + Opus 5在21分钟内完成移植，而qwen3.8:27b via hermes耗时4小时18分钟；RTX 6000 Pro 96GB，FP8权重，262,144 token上下文
金句
- "人们对构建和部署AI应用的理解，包括AI的构建模块（如LLM、上下文工程、RAG、智能体工作流、机器学习和深度学习），以及重要的是，如何使用统计技术来度量、引导和治理AI系统，使其行为更可预测。"
- "理解软件基础使你能够认识到存在哪些权衡。这有助于在选择软件栈、设计系统架构、设计数据存储、测试等方面做出更好的决策。"
- "有效的人工智能工程需要具备产品意识，理解业务背景和客户目标，以便参与塑造和推动构建过程。"
- "如今，有效使用智能体编程已成为每位开发者的关键技能。当你具备这项技能时，你对智能体的工作原理有一个良好的心智模型。"
原文链接
=== SUGGEST=== 无
↗完整内容见原文：Latent.Space · 吴恩达重新定义AI工程：四大核心技能
