更关键的是，从关键导火索→整个故事脉络→当下最新情况，全都拆解得明明白白，整个演进脉络一目了然。
虽然现在模型会推理已经见怪不怪，但年初的时候还需要给模型输入以下指令才行：
因此在吴恩达看来，2025年最显著的变化之一，是“会推理”不再是少数模型的特权，而是正在变成标配能力。
而关于模型的推理能力，其萌芽甚至可以追溯至论文《大语言模型是零样本推理器》——
研究者发现，只需在指令中加入这句话，模型输出质量便有提升。随后，团队意识到可以通过训练将这种能力“固化”到模型中，使其无需外部提示就能自动运用多种推理策略。
于是他们核心通过强化学习微调实现了这一目标，通过奖励模型产生正确输出，训练其在生成答案前进行“思考”。
后来，真正的范式转变始于OpenAI在去年底推出的o1模型。它首次将一套完整的、多步骤的“智能体推理工作流”直接内置于模型架构之中，不再依赖外部提示。这一设计带来了性能的飞跃。
今年初，DeepSeek-R1的发布更是将这股浪潮推向高峰。它不仅证明了这种内置推理模式是可复现、可优化的，更以开源姿态为整个行业提供了清晰的技术路线图。
苹果曾在一篇具有争议性的论文里指出，即使为模型提供了解决复杂谜题的算法，它们依然会在超出特定复杂度时失败。
Anthropic研究也发现，模型的推理步骤虽能解释其结论的形成过程，却可能遗漏关键决策信息。
以Gemini 3 Flash为例，启用推理让模型消耗了1.6亿Token（得分71），而未启用的版本仅消耗740万Token（得分55），同时生成推理token还会拖慢响应速度。
因此，如何在不牺牲性能的前提下大幅压缩推理成本、提升响应速度，已成为当前模型优化的核心战场。
总结里提到，这场争夺战将AI精英的薪酬推至堪比职业体育明星的惊人高度，“彻底重塑了科技行业的人才定价体系”。
从今年7月开始，当扎克伯格宣布成立“Meta超级智能实验室”时，这场争夺赛就打响了——
Meta不仅给顶尖AI人才开出数亿美元薪酬包，而且CEO小扎更是化身“首席招聘官”亲自上门游说（甚至带上自制汤品）。
此时回过头看，吴恩达认为这一“军备竞赛”并非偶然爆发，其背后是AI价值定位历经十余年的根本性跃迁：
学术期（约2011年）：AI人才集中在高校，谷歌大脑初建时，薪酬与普通软件工程师无异。
商业化初期（约2014-2017年）：DeepMind被收购时，人均成本已达34.5万美元；Transformer架构问世后，顶级薪酬跃升至50万美元。
大模型爆发期（约2023年）：ChatGPT引发范式革命，顶级工程师年薪突破70万美元。
军备竞赛期（2025年）：薪资天花板被彻底击穿，数亿美元级的“球星合约”成为争夺战略级人才的标配。
而且他还表示，尽管天价薪酬引发“泡沫”疑虑，但行业共识正在形成——对于志在参与AGI竞赛的公司，这是战略性的必要开支。巨头们的逻辑在于：
甚至在2026年，这场博弈或将从单纯价格战，演变为薪酬结构、文化认同与长期潜力的综合博弈。
总之，由Meta在2025年设定的人才定价新基准，已被永久性抬高，并宣告了智能本身已成为这个时代最稀缺的生产资料。
当巨额资本涌入人才争夺的同时，一场更为庞大、更为基础的竞赛已在物理世界展开——
2025年，顶尖AI公司宣布的数据中心建设计划，其规模之大、耗资之巨，已堪比国家级的基建项目，标志着AI竞赛进入“重资产”的工业时代。
Meta今年的基础设施投入约720亿美元，其标志性项目“Hyperion”巨型数据中心价值270亿美元；
仅今年一年，AI行业资本支出就超过3000亿美元，其中绝大部分流向数据中心建设。
而且麦肯锡预测，为满足AI训练与推理需求，到2030年总投资额可能高达5.2万亿美元。
一是供需是否合理。贝恩咨询指出，要支撑这些投资，到2030年全球AI年收入需达到2万亿美元——这超过了亚马逊、苹果等六大科技巨头2024年的收入总和。所以人们开始担忧，如此巨额投资能否被未来的应用需求所消化？
二是电力供应能否跟上。报告里提到，目前硅谷已有两座新建数据中心因无法接入电网而闲置。因此，未来数吉瓦的电力需求从何而来，成为最紧迫的制约因素。
三是市场开始回归理性。已经有金融机构因担忧企业债务过高，而退出百亿美元级别的数据中心融资项目，这说明市场并非盲目乐观。
哈佛经济学家杰森·弗曼指出，2025年上半年美国GDP的增长，几乎全部由数据中心和AI投资所贡献。
所以报告认为，这不仅仅是科技行业的内部事件，更是在全球经济放缓背景下，一个由AI驱动的“新工业时代”正在拉开帷幕。
当人才与算力就位，2025年AI最直接的革命性应用，发生在软件开发的核心流程——
2024年，首款明星编码智能体Devin的出现已经够让人惊喜。但到了今年，编码智能体在同类任务上的完成率已普遍突破80%。
截至目前，智能体不再仅是“自动补全”工具，而是演变为能够规划任务、调用工具、审查代码、并操控整个代码库的“数字工程师”。
让智能体能够先“想清楚”再行动，并将复杂任务分解，交由成本更低的模型执行，整体计算成本就被大幅降低了。
以Loveable、Replit为代表的初创公司，正在让毫无编程经验的用户也能“一键生成”Web应用，“氛围编码”正成为现实产业。
而关于“AI取代程序员”的担忧，其实没多大必要。吴恩达始终认为，善于使用AI的开发者，其原型构建能力与效率反而能够实现数量级的提升。
Anyway，AI辅助编码正像曾经的拼写检查一样，迅速变为“编码”这一行为本身不可分割的一部分。
每年寒假，我都会抽出时间学习和开发软件，（所以）也希望你们能这样做。这不仅能帮助精进旧技能、学习新知识，还能助力你们在科技领域的职业发展。
至于怎么学，核心有三点：一是多参加人工智能课程；二是最好自己动手亲自构建AI系统；三是闲暇之余多读一些技术论文。
除非你已经身处一个经验丰富的AI开发者社区，否则在不了解AI基础知识的情况下贸然开发，意味着你可能会重复造轮子，或者更有可能把轮子造得一团糟！
因此，首先进行结构化的学习非常重要。（吴恩达：此处强推跟着一位知识渊博的AI讲师学习相关课程）。
学习飞机的理论知识对于成为一名飞行员至关重要，但没有人能仅仅通过上课就成为飞行员。
并且，闲暇之余还可以多读AI论文作为补充。吴恩达表示，虽然读论文非必选项，但他发现：
个人认为阅读论文的优先级远低于上课或实践，但如果你有机会提高阅读论文的能力，我也强烈建议你这样做。
紧跟吴恩达老师的步伐，咱们量子位智库也来交一份2025十大AI趋势的答卷。云开全站Kaiyun平台云开全站Kaiyun平台
业务咨询
扫码，关注我们
