Andrew Ng（吴恩达）：AI 时代，速度是创业成功的关键预测因子

撰文：Techub News 整理 导语 2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。 摘要 初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。 追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。 AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。 工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。 深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。 机遇在应用层，但工具在进化 Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。 过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。 由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。 速度的起点：追求“具体创意” 对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。 反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。 正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。 Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。 他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。 此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。 Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。 工程速度革命：从“单行道”到“双向门” 当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。 他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。 Andrew Ng（吴恩达）将自己编写的软件分为两类： 快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。 生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。 对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。 他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。 他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。 一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。 更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。 新瓶颈与快速反馈策略 随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。 他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。 为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列： 最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。 稍慢一点：询问三个朋友或队友。 再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。 更慢：向 100 名测试者发送原型（如果你有用户群）。 最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。 Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。 理解 AI 技术，才能更快、更准 Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。 因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。 另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。 Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。 问答环节精选：AGI、炒作、教育与责任 在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。 关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。 关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。 关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。 关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。 关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。 关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。