李沐小红书AMA实录：AI时代普通人该怎么学、怎么干
李沐来了小红书
最近，深度学习圈里不少人熟悉的“沐神”李沐在小红书开了场AMA（Ask Me Anything）。主题很直接：AI越来越强，今天该学什么才不会被淘汰？人还需要学编程吗？大学生该专注什么？创业者要懂多少AI？
评论区很快被程序员、学生、研究者和各行各业的从业者填满。有人问“30岁转AI还来得及吗”，也有人纠结“做科研时过度依赖GPT算不算偷懒”。李沐一一回应，语气平实，没有宏大叙事，更多是具体建议。
我们整理了这场对话中最有代表性的问答，按主题归类，看看这位前Amazon AI高级科学家对当下AI浪潮的真实看法。
职业选择：普通人还有机会吗？
很多人担心AI会淘汰非顶尖人才。李沐的看法很朴素：做AI算法的人，大部分也是普通人。
一位双非本科的AI专业学生坦言，自己高度依赖AI完成项目，三年下来感觉“什么都没学到”，担心学历和技术深度都不够，未来会被轻易替代。李沐回复：“学历越到后期越不重要，但如果你觉得自己没学到东西，这更关键。至少先搞清楚AI完成的工作背后到底在干什么。”
另一位30岁的提问者想深入AI应用但缺乏信心，李沐直接说：“四十岁都来得及，三十岁没问题。”
对于刚毕业的CS程序员，他建议：先用Agent最大化自己的生产力，把工具用熟。而CS本科生最该打磨的能力？“多做项目，在实践中体会。”
关于深度与广度，他明确支持“深度优先”——先把一件事做深，再尝试其他。
编程还要学吗？
这是被问最多的问题之一。有研究生说现在能全程用AI做项目，“羸弱的编程能力”似乎没用了，还要不要练？
李沐的回答很实在：“目前来看，编程还是要学的。你可以不用写代码，但得能review代码，至少看得懂AI写的代码在干嘛。”
另一位用户提到，自己会让AI解释整体架构和设计思路，以此加速学习。但他犹豫是否还要学C语言这类不熟悉的语言。李沐认为：“熟悉一个语言就行。人的工作主要是给AI review代码，防止低级错误或绕远路。”
对于想转行到AI计算/推理加速的人，他强调：“学编程语言是有用的，至少得看得懂代码，能给AI好的反馈。”
甚至对文科生想做量化分析，他也建议每天找一个topic，“跟AI问二十个问题”，而不是先啃编程教材。
Agent不是替代，是放大器
李沐反复强调一个观点：Agent是能力放大器（×10），不是加法器（+10）。这意味着，如果你本身没能力，AI帮不上忙；但如果你有基础，AI能让你走得更快。
一位本科生在具身智能组做科研，发现自己主要在理解GPT给出的方案，很难主动引导AI。李沐安慰他：“这不是问题，就是你这块还不熟。踩过坑了，自然会在某一块理解更深。”
对于Solo开发者，他建议先找朋友试用产品，看能不能用起来，而不是闭门打磨。至于LeetCode刷题，他承认“很多公司还是面，而且得让人看不出是AI写的”。
有意思的是，当被问到如何用AI提升沟通能力时，他提醒：“人与人的交互，主要还是靠人。很多人讨厌别人用AI回复。”
技术趋势：哪些方向值得投入？
具身智能：有泡沫，但长期可期
“具身智能是不是泡沫？”这个问题被多次提起。李沐的回答很坦率：“短期看，肯定是有泡沫的。”但他也指出，这是自然方向——AI做完白领工作，下一步就是蓝领。只是落地可能像无人驾驶一样，需要漫长过程。
有研究生看到Astra 6能直接操控机械臂，担心VLA（视觉语言动作）研究价值归零。李沐认为：“目前还是demo级别，效果、实时性、成本都还得再看。”
多模态：交互必需，但智商提升存疑
关于多模态，他说：“肯定是AI和人交互的重要途径。”但能否提升模型智商？“目前大家观点不一致，好几家大厂已调低优先级。”
不过他也强调：“人和Agent的交互，是靠多模态。Vision在交互中用得很多。”所以VLM（视觉语言模型）并非没机会。
Infra与硬件：总有饭吃
做LLM推理芯片设计的博士生担心方向是否靠谱。李沐鼓励：“算法一变，硬件得跟着改，所以总是有饭吃。”
端侧AI呢？他认为车载、手机都有真实需求，“适配不同硬件，工作量还是挺大的。”
AI Compiler虽是小众方向，但“如果能找到合适团队，还是挺有意义的”。
学术与读博：现在还值得吗？
一位硕士毕业生问是否该读博，尤其传统CV方向是否过时。李沐坦言：“现在的困境是，以前从头做研究，人学到很多；现在让Agent做，结果不差，但人学到的东西变少了。博士期间该干什么，目前不太明确。”
如果目标是工业界，他更直接：“读PhD不见得是目前最优选择。”
对于计算机博士生该培养什么技能，他说：“解决事情的能力——能带Agent完成过去需要5-10人团队做的事。”
学术评价体系也在变化。当被问CCF-A论文标准还能维持多久，他回应：“大家都用AI写论文的时代，是不是只看论文这件事，有待商榷。”
应用落地：哪些赛道真有机会？
- AI4Science：有前途，但基础建设没跟上。AlphaFold成功是因为数据和验证容易，其他科学领域没那么成熟。
- 医疗影像：技术已接近医生水平，正转向更复杂的诊断。
- 搜推广：建议“先把模型都换成Transformer”，语言模型本身做推荐也很成功。
- AI翻译：能替代99%的人工。
- AI安全：模型能力进步总会带来新挑战，“一直有饭吃”。
最后一个问题：论文精读还会回来吗？
AMA快结束时，有人问：“论文精读视频什么时候回来？”
李沐的回答意外地坦诚：“以前都是古法做视频，还确实没想清楚，有了AI之后，这个怎么做？”
这句话或许道出了很多人的状态：一边用AI提高效率，一边重新思考学习、工作和创造的方式。AI再强，最终的选择权还在人手里——选方向、定边界、判断价值。李沐没给标准答案，但他反复强调的一点是：理解AI在做什么，比盲目依赖更重要。