八月的 AI 学习圈，连着转了三条吴恩达的新闻：月初，DeepLearning.AI 上线新课《AI Code Review》，教程序员怎么让 AI 审代码；几天后，吴恩达公开发文，说自己很高兴看到"tokenmaxxing"（比谁烧的 token 多）这股风开始退潮；再往前倒一周，他宣布了新公司 LearnVector，Coursera 投了 1 亿美元。微博微博三条新闻看着各说各的，其实指向同一件事：在 AI 教育这个越来越吵的赛道里，吴恩达和 DeepLearning.AI 依然是最值得信的"筛选器"之一。但另一面也很现实——平台上的免费短课程已经攒到几十门，出课速度快过大多数人的看课速度。小红书上就有博主直言"吴老师出课的速度太快了，很容易让人犯选择困难症"，评论区一堆人晒自己"收藏了几百小时课程，一节没看完"。小红书
所以今天不聊虚的，就干一件事：把 DeepLearning.AI 的课程库拆开，按人群算清楚时间账，告诉你先学哪门、跳过哪门。
先算账：课是免费的，但成本是时间
DeepLearning.AI 的短课程模式从 2023 年跑起来，最早是跟 OpenAI、Anthropic 这些公司合作出开发者课，到 2026 年已经滚成一个几十门课的大库，合作方扩展到 CrewAI、Qdrant、AMD、Replit、e2b 等一长串名字。全部免费、自定进度，听起来零成本——但真正的成本是时间。
把公开资料里几门主力课的时长的捋一遍（来自"AI芝士派笔记"、Datawhale 等多份公开整理，交叉核对过）：
AI for Everyone：约 7 小时，零基础通识
Generative AI for Everyone：约 5 小时，讲透这一波大模型
AI Prompting for Everyone：约 3 小时，21 节视频，2026 年新课
Build with Andrew：1 小时以内，动手做小东西
Agentic AI：约 8 小时，智能体方向
Machine Learning Specialization：90 小时以上，系统学技术
Deep Learning Specialization：进阶，神经网络全套
看出来问题没有？普通人路线（AI for Everyone → Generative AI for Everyone → AI Prompting for Everyone）总共也就 15 个小时，一个月通勤时间就能啃完；而技术路线一上来就是 90 小时起步。微信公众号很多人的坑就在这：零基础却照着技术大佬的清单囤课，收藏完就等于学完。
四类人四条路线，别拿错剧本
结合微信公众号"AI芝士派笔记"的公开整理和小红书、B站多个高收藏攻略的交叉验证，选课逻辑其实很清楚。小红书
零基础、只想把 AI 用顺：AI for Everyone → Generative AI for Everyone → AI Prompting for Everyone。第三门是重点——吴恩达自己说，2026 年用 AI 的方式和 2022 年 ChatGPT 刚出来时完全不同了，大多数人还停留在"问一句、答一句"。知乎这门课讲怎么让 AI 当思考伙伴、怎么治 AI 的"谄媚"毛病，不需要会写代码。
职场人、想提效：Generative AI for Everyone → AI Prompting for Everyone → Build with Andrew。先懂大模型，再学提问，最后花不到一小时真做出一个小东西，闭环了。
想转 AI 技术岗：老老实实 Machine Learning Specialization 打底，再上 Deep Learning Specialization。提醒一句：零基础直接冲深度学习专项，大概率被劝退。
做 Agent、搞应用开发：Generative AI for Everyone → AI Prompting for Everyone → Agentic AI，然后按需选修垂直短课。这个方向的课更新最快——今年 2 月的 Agent Skills with Anthropic、8 月的 AI Code Review，都是跟着工程实践的前沿长出来的。
八月的三门新动态，分别值得谁看
《AI Code Review》：不是给小白的课。它解决的是一个很现实的矛盾——AI 写代码的速度已经超过人工 review 的速度了，PR 看着没问题，需求遗漏和安全隐患藏在里面。微博课程核心思路不是"换个更强的模型"，而是给 AI reviewer 喂够上下文（任务上下文 + 仓库上下文），再按风险分级处理发现的问题，最后教你把安全专家 agent 和代码模式专家 agent 组合成联合审查。已经在用 AI 写代码的程序员、带团队的技术负责人，这课对口味。
LearnVector：吴恩达的新公司要解决在线教育的"认知卸载"问题——学生用 AI 走捷径把作业做完了，知识一点没进脑子。他的方案是做"教学护栏"，让 AI 导师学会在该拒绝给答案的时候拒绝。今日头条这件事对普通学习者的启示其实很直接：光刷视频是不够的，吴恩达自己都承认这一点。
"反 tokenmaxxing"发言：这篇长文里有个细节值得划重点——吴恩达说，超过一定水平后多烧 token 是边际收益递减的，还顺手点了那些"教你多用 token"的前沿实验室：卖 token 的公司当然希望你多买。他同时声明，DeepLearning.AI 从未接受过任何付费课程合作。微博在一个人人都在带货的赛道里，这种"中立人设"本身就是产品的一部分，信不信由你，但至少值得纳入判断。
避坑三条，最后说透
第一，别囤课。看一门有一门的产出，收藏 15 门不如看完 1 门。这也是为什么我把 15 小时的普通人路线放在最前面——短、有闭环、不容易弃。
第二，警惕"免费课+付费焦虑"的组合拳。吴恩达的课全免费，如果哪天有人打着他的旗号卖 999 元训练营、用"AI 淘汰你"吓唬你下单，那是另一门生意。社区里已经有人把"失业焦虑不是预言，是生意"的套路扒明白了。微博
第三，别只盯着一家。DeepLearning.AI 是体系最全的免费枢纽之一，但不是唯一选择：Anthropic 官方有自己的免费课程站，Google 也有 grow.google/ai。微博多源对照着学，不容易被单一叙事带偏——这恰好也是吴恩达自己给的建议：保持架构灵活，别被单一供应商锁定。学知识同理。
接下来值得持续关注的信号：LearnVector 的产品落地节奏，以及 DeepLearning.AI 下一批新课会不会继续押注"代码审查、Agent 工程"这条线。LearnVector 的 2027 年产品上线，会成为这个细分方向第一个标杆尝试。今日头条如果你只想这周就做一件事：打开那门 3 小时的 AI Prompting for Everyone。知乎对大多数已经在用 AI 的人来说，它的时间回报率是目前课程库里最高的。
