撰文：Techub News 整理
导语
在2025 年 3 月于纽约举行的ScaleUp:AI 2024大会上，AI领域的顶尖思想领袖、Coursera联合创始人、Landing AI创始人兼董事长Andrew Ng（吴恩达）发表了主题演讲。作为深度学习和AI普及化的重要推动者，吴恩达一直致力于连接AI前沿技术与产业落地。此次演讲，他基于其团队在AI Fund和Landing AI的实践，剖析了当前最重要的技术趋势——“智能体工作流”的崛起，并为企业（无论是初创公司还是大型集团）如何抓住这波AI浪潮、构建可持续的创新流程提供了极具操作性的见解。
摘要
- 智能体工作流是当前最重要的AI趋势：相比传统单次提示生成，让AI像人类一样迭代思考、研究、修订的“智能体工作流”能大幅提升输出质量，在代码生成、法律文档处理、医疗辅助诊断等领域已展现出决定性优势。
- 企业AI创新流程正在被重塑：生成式AI将AI原型的构建时间从数月缩短至数天，这使得“快速构建大量原型并验证”成为可行策略，企业应建立“快速行动，同时负责任”的创新文化。
- AI治理应聚焦于应用层而非技术层：试图监管基础AI模型本身如同要求电动机制造商保证其电机永不用于危险设备一样不切实际；更有效的路径是监管具体的AI应用（如医疗设备、聊天机器人），以确保其安全性。
- 大型企业与AI专家的“共创”是关键：最具潜力的AI应用往往诞生于深谙AI能力的团队与拥有深厚领域知识（如航运、医疗）的企业之间的合作，这种结合能催生出改变行业的解决方案。
智能体工作流：从线性生成到迭代思考的范式变革
吴恩达开篇即指出，如果只能关注一项AI技术趋势，那么答案无疑是智能体AI。他阐释了当前主流的AI使用方式与智能体工作流的本质区别。
目前，大多数用户使用大语言模型的方式是“非智能体”的：输入一个提示词，模型一次性生成完整回复。吴恩达形象地比喻，这好比要求一个人（或AI）就某个主题写一篇论文，必须从第一个字到最后一个字一气呵成，不允许使用退格键。人类显然无法以这种方式产出最佳作品，而AI在这种完全线性的模式下表现尚可，已属惊人。
然而，智能体工作流改变了这一范式。在这种模式下，我们可以引导AI像人类一样工作：例如，先让它撰写论文大纲，询问是否需要网络研究，随后下载相关网页作为上下文，接着撰写初稿，再让其审阅初稿并决定哪些部分需要修订，随后进行修改……如此循环往复。这种融合了思考、研究、修订的迭代过程，能产生质量高得多的工作成果。
吴恩达分享了一项来自其团队的数据：在HumanEval代码生成基准测试中，使用非智能体工作流的GPT-3.5正确率为48%，GPT-4为67%。然而，从GPT-3.5到GPT-4的改进，远不及从非智能体工作流切换到智能体工作流带来的飞跃。GPT-3.5在采用智能体工作流后性能大幅提升，GPT-4亦然。
在实践中，吴恩达的AI Fund团队发现，智能体工作流在处理复杂法律文件、辅助医疗诊断、填写繁琐的政府合规表格等应用场景中，正带来决定性的差异。这一趋势也催生了新的技术栈层级——编排层。诸如LangChain（正演进为更注重智能体的LangGraph）、CrewAI等框架的出现，使得构建智能体应用变得更加容易。
五大核心趋势重塑AI产业格局
除了智能体工作流这一核心，吴恩达还概括了其他四项正在深刻影响行业的重要趋势：
1. 更廉价、更快速的文本生成至关重要。 智能体工作流会产生和读取大量文本（Token），因此降低Token成本、加快生成速度变得尤为关键。这不仅是为了人类消费，更是为了加速智能体自身的迭代循环。将一段20分钟的智能体工作流程加速到5分钟，能带来巨大的实际价值。
2. 生成式AI正彻底改变企业创新流程。 过去，基于监督学习构建AI系统可能需要6到12个月。如今，利用大语言模型，许多团队可以在10天内构建并部署一个原型。这使得“快速构建20个原型，哪怕其中18个失败”的策略变得可行且经济。吴恩达提倡的新信条是：“快速行动，同时负责任”——在利用快速原型能力的同时，建立确保不推出造成实质性损害产品的流程。
3. 文本处理革命已至，视觉处理革命即将到来。 许多大型企业拥有海量的图像或视频数据，却苦于无法提取价值。多模态模型和视觉智能体的发展，将开启视觉AI应用的巨大潜力。吴恩达创立的Landing AI正在此领域深耕，帮助企业从视觉数据中获得更多价值。
4. 数据的“重力”正在减弱。 传统上，将大量数据从一个云平台传输到另一个进行处理因成本高昂而不可想象。然而，生成式AI工作流的计算成本极高，相比之下，数据跨境传输的成本显得微不足道。粗略估算，传输1GB数据的云出口成本约为10美分，而用GPT-4 mini等模型处理1GB数据的成本可能高达30-40美元。因此，新的设计模式正在涌现：人们更倾向于构建在全球范围调用计算资源、跨地域传输数据进行处理的应用。
5. 数据工程的重要性再次凸显，尤其是非结构化数据。 过去AI的价值多体现在结构化数据（数字、表格）上。如今，生成式AI能够从文本、图像、音频中提取前所未有的价值。许多公司正在重构数据基础设施，重点加强处理非结构化数据的“管道”建设。
企业AI创新：从灵感到规模化落地的路线图
针对大型企业如何抓住AI机遇，吴恩达结合AI Fund与众多企业合作的经验，提出了一套行之有效的五步流程。
第一步：高管培训。 确保企业领导层对AI的能力与局限有非技术层面的基本了解，这是识别机会的基础。吴恩达提到，Coursera上最受欢迎的课程之一就是面向所有人的生成式AI入门课。
第二步：机会脑暴与任务分解分析。 在理解技术后，系统性地寻找应用机会。吴恩达特别推荐了一种“基于任务的工作分析”方法：将职位分解为具体任务，而非笼统地讨论AI取代某个工作。例如，客户服务代表的工作包含多种任务，其中一些（如回答常见问题）极易被AI增强或自动化，而另一些（如处理复杂投诉）则较难。这种方法往往能发现出人意料的、最大的机会点，其结论通常比凭直觉猜测更可靠。
值得注意的是，多数企业在发现AI能将某项任务成本降低千倍后，选择的不是裁员节流，而是将该任务执行量提升千倍，从而开辟新的收入增长渠道。增长往往比成本节约更具吸引力，因为天花板更高。
第三步：项目可行性评估与优先级排序。 对脑暴产生的想法进行技术可行性和商业价值的尽职调查，并做出“自建、购买还是投资”的决策。吴恩达建议，市场上已有的解决方案应优先购买。但由于生成式AI技术太新，企业总会发现大量尚无现成产品的新想法。
第四步：执行路径选择——自建、合作或剥离。 企业内部的资源与耐心有限，不可能实施所有想法。对于少数核心、希望完全自主控制的项目，可以选择内部建设。对于其他许多项目，将其剥离为独立的初创公司可能是一个更优选择。这样既能以更低成本实现目标，又能让母公司享受其成果，同时无需自行组建和维护专门的AI团队。
吴恩达以与日本三井物产合作的“Bearing AI”为例：三井物产拥有深厚的航运领域知识，他们提出利用AI优化船舶航线以节省燃油。双方合作进行深度市场验证后，招募了一位连续创业者作为CEO，用三个月打造了技术原型。最终，这家独立运营的初创公司开发的软件已在超过600艘远洋船舶上运行，平均每艘船每年节省约50万美元燃料费，并减少10%的碳排放。吴恩达强调，AI专家与领域专家的“共创”是催生此类突破性应用的关键。
第五步：制定AI战略与员工培训。 当企业成功运行几次上述创新流程后，就需要思考长期的AI战略以及大规模的员工技能培训，以确保持续的竞争力。
AI治理：监管应用，而非技术
在演讲最后，吴恩达针对日益热烈的AI治理讨论提出了一个鲜明观点：治理的重点应该是AI应用，而非AI技术本身。
他类比道，AI模型就像电动机，是一种可以用于无数场景的通用技术。要求基础模型开发者保证其模型永不用于有害场景，就如同要求电动机制造商保证其电机永不用于危险设备一样，是不切实际且无效的。真正的风险取决于具体的应用场景。
因此，更合理的路径是监管具体的AI应用：确保医疗AI设备安全、社交媒体推荐算法负责、聊天机器人不作恶。针对不同应用的特点和风险，制定相应的安全标准和监管框架。
吴恩达透露，在过去一年半中，他惊讶地看到一些训练了大模型的公司进行了激烈的游说，试图推动扼杀开源AI模型技术的监管。他认为这背后部分动机是避免与开源软件竞争。所幸，业界共同努力抵制了其中最糟糕的提案。他呼吁业界保持警惕，坚持将治理焦点放在应用层，这样才能在促进创新的同时，更有效地管控风险，确保AI技术安全、负责任地发展。
吴恩达总结道，得益于智能体工作流等技术的突破，AI的可能性正在急速扩张，这为行动迅速的初创公司和积极转型的大型企业都创造了巨大的机遇。关键在于理解趋势、建立有效的创新流程，并将治理智慧应用于正确的层面。
