Loading...
Loading...
Andrew Ng（吴恩达）：AI 模型能力增长的多元路径与人才瓶颈撰文：Techub News 整理
导语
在最新一期 No Priors 播客中，AI 领域的旗帜性人物 Andrew Ng（吴恩达）与主持人进行了长达 42 分钟的深度对话。作为 Google Brain 联合创始人、Coursera 联合创始人以及 AI 风险工作室 AI Fund 的管理合伙人，吴恩达不仅在学术与产业界成就斐然，2025 年 8 月更因提出「智能体 AI」（Agentic AI）概念并加入亚马逊董事会而备受关注。在这场对话中，他系统性地阐述了对 AI 能力增长路径、当前落地瓶颈、技术变革对创业生态影响等一系列关键议题的看法，为从业者提供了极具前瞻性的行业洞见。
摘要
AI 模型能力增长不再单一依赖算力规模，而是转向「智能体工作流」、多模态模型构建与应用开发等多元路径。
当前「智能体 AI」应用落地的最大瓶颈并非底层技术，而是缺乏掌握系统性错误分析与评估流程的工程人才。
AI 辅助编程已大幅提升工程效率，使得创业公司核心迭代循环的瓶颈从「工程实现」转向「产品决策」。
在 AI 技术快速迭代的当下，创始人的技术直觉与学习能力比过往经验更为重要，技术型产品领导者更易成功。
小型、高效、且深度掌握 AI 工具的团队，其生产力可能远超规模更大但协调成本高的传统团队。
AI 能力增长：从单一「规模」到多元「向量」
当被问及 AI 模型能力未来的增长来源时，Andrew Ng（吴恩达）明确表示，社会对 AI 的认知曾被少数拥有强大公关能力的公司所塑造，它们推动了「规模即一切」的叙事。但他认为，算力规模这枚「柠檬」中可挤压的「汁水」已越来越少，进步将来自多个向量。
吴恩达指出，除了算力，「智能体工作流」（Agentic Workflows）、多模态模型的构建方式，以及具体应用的开发，都将成为重要的进步源泉。同时，像扩散模型这类最初用于图像生成的全新技术，未来是否也能用于文本生成，也存在令人兴奋的未知可能性。他总结道，AI 的进步不会是单一路径，众多聪明人正在从不同方向推动前沿。
「智能体 AI」：从概念提出到落地瓶颈
作为「智能体 AI」术语的提出者，吴恩达解释了初衷：几年前，业界花费大量时间争论「某物是不是智能体」，而他观察到存在一个从高自主性到低自主性的「智能体谱系」。为了让大家停止争论、专注建设，他推动了这一术语的普及。但他也坦言，没想到几个月后，市场营销人员就将这个标签贴得到处都是，导致营销炒作的速度远超实际的业务进展。
那么，真正阻碍智能体 AI 应用落地的因素是什么？吴恩达认为，在技术组件层面（如计算机使用、护栏评估等）确有改进空间，但当前最大的瓶颈是「人才」。他观察到，市场上团队表现差异的关键，在于是否掌握一套基于评估的系统性错误分析流程。有经验的团队能持续分析什么在起作用、什么没有，并针对性改进；而经验不足的团队则更像在随机尝试，效率低下。
吴恩达以自动化文档处理、合规检查、数据库查询等多步骤工作流为例，指出构建此类流程时，大量外部情境知识（例如，搞错发票日期是否要紧、是否过多打扰了 CEO）通常仍依赖于人类产品经理或工程师的思考和决策。这些知识是专有的，并未存在于互联网的预训练数据集中，因此目前仍需人类深度参与。
AI 辅助编程：改变创业的核心循环
谈及最具经济价值的智能体 AI 应用，吴恩达指出了两大明确领域：一是回答问题的聊天机器人（如 ChatGPT），二是编码智能体。他个人偏爱 Cline，认为它在规划多步骤任务、执行计划方面展现了高度的自主性和实用性。相比之下，一些计算机使用场景（如自动在线购物）则仍停留在演示阶段。
为什么编码智能体能如此有效？吴恩达认为，这并非因为基础研究挑战更小，而是因为编码的经济价值明确且巨大，吸引了大量资源投入，且开发者自身就是用户，拥有出色的产品直觉。他甚至提到，一些领先的基础模型公司已公开表示使用 AI 编写大量代码。更令人兴奋的是，AI 模型正通过智能体工作流为下一代模型生成训练数据（如 Llama 研究论文中描述的方法）。
吴恩达特别反对「氛围编程」（Vibe Coding）这个词，更倾向于「AI 辅助编程」。他强调，这并非轻松的氛围式工作，而依然是高强度、高密度的智力活动，可将其视为「快速工程」—— AI 让我们能以远超从前的速度构建严肃系统，但本质仍是工程。
这种效率提升正在改变创业公司的形态。过去需要六人团队三个月完成的工作，现在可能两人一个周末就能搭建出原型。这使得创业的核心迭代循环——构建软件、获取用户反馈、决定如何改进产品——发生了根本性变化。编码速度和成本不再是瓶颈，产品决策（决定「做什么」）成了新的瓶颈。因此，团队越来越多地依赖直觉和深厚的客户同理心来进行快速决策。
创始人画像：技术直觉与学习能力至上
面对技术的快速迭代，吴恩达认为，2022 年的许多做法在 2025 年可能已完全失效。他经常自问，当前是否有任何做法与 2022 年相同，并审视其是否仍有意义。在这种背景下，创始人的画像发生了显著变化。
他观察到，如今更可能成功的创始人是那些紧跟尖端技术、以技术为导向的产品领导者，而非仅仅具备商业头脑但缺乏技术感知的人。除非你对技术的能力边界有良好感觉，否则很难思考公司战略。他回顾了硅谷早期先驱（如比尔·盖茨、史蒂夫·乔布斯）都是技术专家的历史，并认为在 AI 颠覆性时刻，这种对技术的深刻理解再次成为关键差异化因素。
吴恩达以移动互联网时代对比：如今每个人都大致了解手机应用能做什么，因此无需非常技术化也能创业。但 AI 的能力边界日新月异，拥有这项「前沿知识」本身就是巨大的优势。他甚至分享了一个招聘案例：一位有十年经验但较少使用 AI 工具的工程师，与一位刚毕业但精通 AI 的本科生相比，他选择了后者，并且结果证明这是一个出色的决定。当然，最好的工程师是那些拥有十多年经验同时又深度掌握 AI 工具的人。
团队规模与效率：AI 赋能下的新平衡
随着 AI 工具提升个人效能，团队规模与效率的关系也值得重新审视。吴恩达看到，一些最具生产力的团队正是那些规模小、成员优秀、AI 赋能充分且协调成本极低的团队。他预测，未来许多团队可能会比过去更小。
但他也警告了「过度追求小规模」的陷阱。在 2010 年代，一些公司以保持小团队和盈利为荣，但可能因此增长乏力，错过了市场机会。关键在于分析市场动态：如果是赢家通吃的市场，就必须快速行动、抢占市场，而不能满足于「小而美」。Slack 对阵 Teams、Sketch 对阵 Figma 都是历史教训。
吴恩达分享了一个有趣的洞察：AI 不仅提升了效率，还可能改变资本配置。他曾在一周内收到两份请求：一份是申请增加人力预算，他拒绝了；另一份是申请预算购买 AI 服务来完成类似工作，他批准了。这背后的逻辑是：在 AI 时代，你应该考虑的是「雇佣 AI」，而非「雇佣更多人」。但这种决策依赖对技术潜力的敏锐直觉。
AI 投资的未来：自动化与人类判断的边界
作为 AI Fund 的管理合伙人，吴恩达也被问及投资机构中哪些工作可能被自动化。他认为，像深度的公司研究、竞争分析、初步市场调研以及 LP 报告等文书工作，很适合引入自动化工具辅助。他个人就经常使用各种 AI 研究工具。
然而，涉及人类判断与关系的环节则难以自动化。例如，评估一位创业者的领导力、沟通风格或个人品质，往往依赖于面对面交流中捕捉的细微信号和背景参考检查，这些信息很难被结构化并输入 AI 模型。此外，基于信任关系的说服工作（如招募关键人才）也高度依赖人与人之间的联结。
对于如何帮助首次创业的技术型创始人，吴恩达认为，风险投资机构或风险工作室的价值在于，他们经历了更多「重复次数」，能在融资、把握技术趋势、加速产品市场匹配等方面提供基于经验的直觉分享。同时，为创始人构建同行交流网络和互补型团队也至关重要。
未来五年：被 AI 赋能的新人类
展望未来五年 AI 的广泛影响，吴恩达坚信，拥抱 AI 的个体能力将远超大多数人目前的想象。两年前，谁曾料到软件工程师的生产力能在 AI 辅助下提升至此？未来，各行各业的人们以及处理个人事务的个体，都将借助 AI 变得无比强大和高效。这不仅是生产效率的提升，更是人类能力边界的一次巨大扩展。
Andrew Ng（吴恩达）：AI Agent工作流是当前最重要的技术趋势撰文：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。
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。
吴恩达（Andrew Ng）：AI 辅助编程带来 10 倍速原型开发，但产品管理成为新瓶颈撰文：Techub News 整理
导语
在由 AI Fund 组织的一场名为「从零到产品一日构建马拉松」（Buildathon）的活动开场演讲中，知名人工智能学者、AI Fund 创始人及 DeepLearning.AI 联合创始人吴恩达（Andrew Ng）分享了关于 AI 辅助软件工程的前沿见解。此次演讲背景正值 AI 代码工具（如 Cursor、Claude Code 等）飞速迭代，深刻改变开发者工作流的节点。吴恩达以其在 AI 领域的深厚背景和在 AI Fund 推动 AI 初创公司的实践经验，剖析了生产力骤增带来的新范式与新挑战，为开发者、创业者及技术管理者提供了关键的趋势判断与行动指南。
摘要
AI 辅助编程使构建小型独立产品原型的效率提升高达 10 倍，使大规模、低成本的试错成为可能。
开发速度的急剧提升导致「决定构建什么」的产品管理（PM）环节成为新的、更显著的瓶颈。
学习编程在 AI 时代变得更为重要，理解计算机语言能让人更精准地指挥 AI 完成任务，这是未来知识工作者的核心技能。
市场正经历「AI 工程师」严重短缺，具备 AI 辅助编码、AI 构建模块（如 RAG、智能体工作流）知识和快速原型能力的开发者供不应求。
从 50% 到 10 倍：AI 如何重塑开发速度
吴恩达（Andrew Ng）开宗明义地指出，在创新过程中，无论是创业还是企业内部研发，速度是预测项目成功与否的最大关键因素之一。执行迅猛的团队能获得更多尝试机会，从而大大提高成功率。而 AI 辅助编码正在从根本上加速软件开发的核心环节。
他分享了自己的观察：对于大型遗留生产级代码库，AI 辅助或许能将效率提升 50% 甚至更高。但真正的革命性变化发生在构建小型独立产品或原型时。这里，效率提升不是 50%，而是接近10 倍。许多两年前需要三名工程师花费六个月完成的项目，现在一个人在一个周末就能搭建出来。
这种速度的飞跃改变了创新的成本结构。吴恩达（Andrew Ng）直言，他个人常在周末编写大量软件原型，其中许多因效果不佳而被直接放弃，从未见光。「有些人担忧 AI 领域很多概念验证（POC）从未进入生产环境，并将此视为一个问题。但我不这么看，」他表示，「解决方案不是让更多 POC 进入生产，而是将进行 POC 的成本降至极低。这样，你就算构建了 20 个原型，其中 18 个都失败了也没关系，这只是为了发现那两个真正有价值的产品所付出的必要代价。」
原型开发要求低（无需高可扩展性或严格安全措施），而 AI 正持续降低其门槛并提升安全性。这让他提出了一个修正版的硅谷格言：从「快速行动，打破陈规」（Move fast and break things）转变为「快速行动，承担责任」（Move fast and be responsible）。关键在于创建一个安全的「沙盒」环境进行快速原型开发，在确认价值后，再投入资源加强安全与稳定性以扩大规模。
工具迭代与软件哲学的根本性转变
吴恩达（Andrew Ng）回顾了 AI 辅助编码工具的快速演进：从两年前的 GitHub Copilot 代码自动补全，到 AI 增强的 IDE（如 Cursor、Windsurf），再到面向原型的平台（如 Replit、v0），以及近期高度自主的智能编码助手（如 Claude Code、Gemini CLI）。他强调，这个领域的工具迭代速度极快，以至于落后半个或一个世代都会产生实质性的效率差距。这与相对成熟的大语言模型（LLM）应用不同，许多业务场景下，使用六个月前的 LLM 或许仍可接受，但在编码辅助领域，前沿工具的优势非常明显。
工具的进化正引发软件工程哲学的深刻变化。代码本身作为一种「制品」的价值正在降低，因为 AI 可以为你编写。甚至选择架构也变得更像一扇「双向门」（two-way door，借用亚马逊创始人杰夫·贝索斯的术语）——做出决策后，如果不喜欢，可以相对轻松地更改。吴恩达举例说，以前设定数据库架构后几乎不想再改动，但现在如果架构不合适，可以让 AI 协助迁移，痛苦感大大减轻。他本人有时会在一天内探索三种完全不同的架构，下周甚至可能决定抛弃整个代码库从头重写。
新瓶颈浮现：当产品管理跟不上开发速度
开发变得异常容易后，一个新的、更严峻的瓶颈出现了：决定要构建什么。吴恩达（Andrew Ng）称之为「产品管理瓶颈」。
他描绘了 AI Fund 和 DeepLearning.AI 采用的快速迭代循环：编写软件构建原型（通常是快速而粗糙的）→ 进行产品管理工作（获取用户反馈）→ 根据反馈更新产品构想 → 再次快速迭代。AI 编码辅助使得构建软件的速度空前加快。「以前，我花三周建一个原型，然后花一周获取反馈，这没问题。但现在，如果软件一天就能写完，再花一整周获取用户反馈就显得像永恒一样漫长。」
因此，他观察到团队越来越多地依赖「直觉」（gut feeling）来做决策，因为这是最快的决策过程。作为一位推崇数据的 AI 专家，吴恩达（Andrew Ng）澄清了他对数据使用的理解。他分享了一个案例：他与团队在产品功能选择上意见不一，用户调查数据支持了团队的选择，而非他个人的直觉。
然而，他认为，简单地遵从数据（「数据显示用户喜欢功能三，那就做功能三」）是一种初级的数据驱动方式。他更推崇的做法是：利用数据来「训练」和「校准」自己的直觉。他会花数小时深入审视数据，反思「我为什么搞错了？我为什么认为用户想要功能一？」通过这种方式，他不仅对当前决策有了更深理解，更提升了自己未来一系列决策的质量，以便更好地服务用户。
为了锤炼对用户的直觉，团队会采用一系列组合策略：自己试用产品（如果你足够了解用户，直觉可能很准）、咨询朋友和同事、进行走廊可用性测试、在咖啡馆或酒店大堂礼貌地邀请陌生人试用原型，直至最高阶但也最慢的 A/B 测试。吴恩达指出，尽管硅谷崇尚 A/B 测试，但在他眼中，这恰恰是工具箱里最慢的策略之一，使用频率很低。
「我应该学编程吗？」—— 在 AI 时代重新思考这项技能
针对外界「AI 将自动化编程，不必再学」的论调，吴恩达（Andrew Ng）态度鲜明地予以驳斥，并预言这将是「有史以来最糟糕的职业建议之一」。他回顾历史：从打孔卡到键盘终端，从汇编语言到高级语言，从文本编辑器到 IDE，再到如今的 AI 编码辅助，每一步都让编程变得更容易，从而让更多人参与进来。
他强调，在 AI 时代，学习编程的核心价值在于获得「精准告诉计算机你想要它做什么」的能力。他以自己与合作者 Tommy Nelson 在制作课程插图时的差异为例：Tommy 懂艺术史，能用艺术的语言（调色板、流派灵感）精准提示 Midjourney，生成精美的图片；而他自己只能笼统地提示「请给我画漂亮的机器人图片」，效果天差地别。对计算机语言的深入理解，能让你更精细地控制它。
「在可预见的未来，懂编码将使你拥有对计算机的更深入理解，从而能更精细地控制它。并不是说人们需要用十根手指写那么多代码，你可以让 AI 去做，但那种更深层次的理解对于告诉计算机为你做什么至关重要。」他认为，这不仅对软件工程师，对几乎所有知识工作者都至关重要。懂得如何借助 AI 完成工作的人，将变得更高效、更强大。
「AI 工程师」短缺：新兴角色与必备技能
针对近期计算机科学毕业生失业率上升的担忧，吴恩达（Andrew Ng）指出一个矛盾现象：一方面 CS 毕业生就业面临挑战，另一方面，市场却严重缺乏「AI 工程师」。他认为，问题在于许多大学课程未能及时更新，以致于有些毕业生甚至从未调用过一次 LLM API 或尝试过 AI 编码助手。
他勾勒出这个新兴角色所需的关键技能组合：
熟悉 AI 辅助编码工具：掌握这些工具能极大提升生产力，并且学习曲线并不漫长。
熟悉 AI 构建模块：包括提示工程、检索增强生成（RAG）、智能体工作流、评估方法等。尤其重要的是驱动严谨的错误分析过程的能力，以及学会使用相关工具链。
快速原型开发技能：包括基础的全栈知识（前端、后端）。AI 辅助编码目前更易于发现和解决前端漏洞，而复杂的后端调试仍需深厚功力。此外，由于产品管理瓶颈的存在，开发者具备基础的产品管理技能和用户直觉也变得极其宝贵，这能让团队在获得松散的产品指导后，自主做出一些基本的产品和设计决策，从而加速整体流程。
吴恩达（Andrew Ng）呼吁，拥有这些技能的人机会众多，他本人也愿意为求职者引荐。他相信，解决 AI 工程师的供需失衡，是释放 AI 潜力的关键之一。
结语：站在前沿，引领变革
吴恩达（Andrew Ng）最后总结道，硅谷及全球科技前沿的开发者们正站在「快速工程」革命的最前沿。他倾向于使用「快速工程」而非「氛围编码」（vibe coding）这个词，因为后者可能让人误解这项工作只需凭感觉接受 AI 的建议即可，而实际上，这依然是一项深度消耗智力的艰苦工作。
他组织此次 Buildathon 的目的，正是为了聚集这批先行者，分享最佳实践，共同探索由加速开发带来的新工作流和挑战（如产品管理瓶颈）。更重要的是，他希望参与者能将这股变革的力量传播出去，让世界了解到软件开发的范式已经发生巨变。
最后，吴恩达（Andrew Ng）展望道，软件领域因 AI 投资集中而率先经历的这些加速变化，将成为其他专业领域的先兆。目前，LLM 主要创造价值的两大领域是「回答问题」和「编写代码」。但软件工程中正在发生的效率革命、工具演进和工作流重构，最终也将在法律、医疗、教育等其他知识工作领域上演。因此，2025 年 8 月的探索不仅是为了软件本身，也是为所有知识工作者迎接即将到来的 AI 赋能未来，提前绘制路线图。链上代理基金 bAI Fund 获 Morph 和 Foresight Ventures 100 万美元投资Techub News 消息，链上代理基金 bAI Fund 已获得由 Morph 和 Foresight Ventures 共同投资的 100 万美元资金。bAI Fund 是一个在可信执行环境（TEE）中确保量化、投资和营销的链上代理基金。撰文：Techub News 整理 导语 在最新一期 No Priors 播客中，AI 领域的旗帜性人物 Andrew Ng（吴恩达）与主持人进行了长达 42 分钟的深度对话。作为 Google Brain 联合创始人、Coursera 联合创始人以及 AI 风险工作室 AI Fund 的管理合伙人，吴恩达不仅在学术与产业界成就斐然，2025 年 8 月更因提出「智能体 AI」（Agentic AI）概念并加入亚马逊董事会而备受关注。在这场对话中，他系统性地阐述了对 AI 能力增长路径、当前落地瓶颈、技术变革对创业生态影响等一系列关键议题的看法，为从业者提供了极具前瞻性的行业洞见。 摘要 AI 模型能力增长不再单一依赖算力规模，而是转向「智能体工作流」、多模态模型构建与应用开发等多元路径。 当前「智能体 AI」应用落地的最大瓶颈并非底层技术，而是缺乏掌握系统性错误分析与评估流程的工程人才。 AI 辅助编程已大幅提升工程效率，使得创业公司核心迭代循环的瓶颈从「工程实现」转向「产品决策」。 在 AI 技术快速迭代的当下，创始人的技术直觉与学习能力比过往经验更为重要，技术型产品领导者更易成功。 小型、高效、且深度掌握 AI 工具的团队，其生产力可能远超规模更大但协调成本高的传统团队。 AI 能力增长：从单一「规模」到多元「向量」 当被问及 AI 模型能力未来的增长来源时，Andrew Ng（吴恩达）明确表示，社会对 AI 的认知曾被少数拥有强大公关能力的公司所塑造，它们推动了「规模即一切」的叙事。但他认为，算力规模这枚「柠檬」中可挤压的「汁水」已越来越少，进步将来自多个向量。 吴恩达指出，除了算力，「智能体工作流」（Agentic Workflows）、多模态模型的构建方式，以及具体应用的开发，都将成为重要的进步源泉。同时，像扩散模型这类最初用于图像生成的全新技术，未来是否也能用于文本生成，也存在令人兴奋的未知可能性。他总结道，AI 的进步不会是单一路径，众多聪明人正在从不同方向推动前沿。 「智能体 AI」：从概念提出到落地瓶颈 作为「智能体 AI」术语的提出者，吴恩达解释了初衷：几年前，业界花费大量时间争论「某物是不是智能体」，而他观察到存在一个从高自主性到低自主性的「智能体谱系」。为了让大家停止争论、专注建设，他推动了这一术语的普及。但他也坦言，没想到几个月后，市场营销人员就将这个标签贴得到处都是，导致营销炒作的速度远超实际的业务进展。 那么，真正阻碍智能体 AI 应用落地的因素是什么？吴恩达认为，在技术组件层面（如计算机使用、护栏评估等）确有改进空间，但当前最大的瓶颈是「人才」。他观察到，市场上团队表现差异的关键，在于是否掌握一套基于评估的系统性错误分析流程。有经验的团队能持续分析什么在起作用、什么没有，并针对性改进；而经验不足的团队则更像在随机尝试，效率低下。 吴恩达以自动化文档处理、合规检查、数据库查询等多步骤工作流为例，指出构建此类流程时，大量外部情境知识（例如，搞错发票日期是否要紧、是否过多打扰了 CEO）通常仍依赖于人类产品经理或工程师的思考和决策。这些知识是专有的，并未存在于互联网的预训练数据集中，因此目前仍需人类深度参与。 AI 辅助编程：改变创业的核心循环 谈及最具经济价值的智能体 AI 应用，吴恩达指出了两大明确领域：一是回答问题的聊天机器人（如 ChatGPT），二是编码智能体。他个人偏爱 Cline，认为它在规划多步骤任务、执行计划方面展现了高度的自主性和实用性。相比之下，一些计算机使用场景（如自动在线购物）则仍停留在演示阶段。 为什么编码智能体能如此有效？吴恩达认为，这并非因为基础研究挑战更小，而是因为编码的经济价值明确且巨大，吸引了大量资源投入，且开发者自身就是用户，拥有出色的产品直觉。他甚至提到，一些领先的基础模型公司已公开表示使用 AI 编写大量代码。更令人兴奋的是，AI 模型正通过智能体工作流为下一代模型生成训练数据（如 Llama 研究论文中描述的方法）。 吴恩达特别反对「氛围编程」（Vibe Coding）这个词，更倾向于「AI 辅助编程」。他强调，这并非轻松的氛围式工作，而依然是高强度、高密度的智力活动，可将其视为「快速工程」—— AI 让我们能以远超从前的速度构建严肃系统，但本质仍是工程。 这种效率提升正在改变创业公司的形态。过去需要六人团队三个月完成的工作，现在可能两人一个周末就能搭建出原型。这使得创业的核心迭代循环——构建软件、获取用户反馈、决定如何改进产品——发生了根本性变化。编码速度和成本不再是瓶颈，产品决策（决定「做什么」）成了新的瓶颈。因此，团队越来越多地依赖直觉和深厚的客户同理心来进行快速决策。 创始人画像：技术直觉与学习能力至上 面对技术的快速迭代，吴恩达认为，2022 年的许多做法在 2025 年可能已完全失效。他经常自问，当前是否有任何做法与 2022 年相同，并审视其是否仍有意义。在这种背景下，创始人的画像发生了显著变化。 他观察到，如今更可能成功的创始人是那些紧跟尖端技术、以技术为导向的产品领导者，而非仅仅具备商业头脑但缺乏技术感知的人。除非你对技术的能力边界有良好感觉，否则很难思考公司战略。他回顾了硅谷早期先驱（如比尔·盖茨、史蒂夫·乔布斯）都是技术专家的历史，并认为在 AI 颠覆性时刻，这种对技术的深刻理解再次成为关键差异化因素。 吴恩达以移动互联网时代对比：如今每个人都大致了解手机应用能做什么，因此无需非常技术化也能创业。但 AI 的能力边界日新月异，拥有这项「前沿知识」本身就是巨大的优势。他甚至分享了一个招聘案例：一位有十年经验但较少使用 AI 工具的工程师，与一位刚毕业但精通 AI 的本科生相比，他选择了后者，并且结果证明这是一个出色的决定。当然，最好的工程师是那些拥有十多年经验同时又深度掌握 AI 工具的人。 团队规模与效率：AI 赋能下的新平衡 随着 AI 工具提升个人效能，团队规模与效率的关系也值得重新审视。吴恩达看到，一些最具生产力的团队正是那些规模小、成员优秀、AI 赋能充分且协调成本极低的团队。他预测，未来许多团队可能会比过去更小。 但他也警告了「过度追求小规模」的陷阱。在 2010 年代，一些公司以保持小团队和盈利为荣，但可能因此增长乏力，错过了市场机会。关键在于分析市场动态：如果是赢家通吃的市场，就必须快速行动、抢占市场，而不能满足于「小而美」。Slack 对阵 Teams、Sketch 对阵 Figma 都是历史教训。 吴恩达分享了一个有趣的洞察：AI 不仅提升了效率，还可能改变资本配置。他曾在一周内收到两份请求：一份是申请增加人力预算，他拒绝了；另一份是申请预算购买 AI 服务来完成类似工作，他批准了。这背后的逻辑是：在 AI 时代，你应该考虑的是「雇佣 AI」，而非「雇佣更多人」。但这种决策依赖对技术潜力的敏锐直觉。 AI 投资的未来：自动化与人类判断的边界 作为 AI Fund 的管理合伙人，吴恩达也被问及投资机构中哪些工作可能被自动化。他认为，像深度的公司研究、竞争分析、初步市场调研以及 LP 报告等文书工作，很适合引入自动化工具辅助。他个人就经常使用各种 AI 研究工具。 然而，涉及人类判断与关系的环节则难以自动化。例如，评估一位创业者的领导力、沟通风格或个人品质，往往依赖于面对面交流中捕捉的细微信号和背景参考检查，这些信息很难被结构化并输入 AI 模型。此外，基于信任关系的说服工作（如招募关键人才）也高度依赖人与人之间的联结。 对于如何帮助首次创业的技术型创始人，吴恩达认为，风险投资机构或风险工作室的价值在于，他们经历了更多「重复次数」，能在融资、把握技术趋势、加速产品市场匹配等方面提供基于经验的直觉分享。同时，为创始人构建同行交流网络和互补型团队也至关重要。 未来五年：被 AI 赋能的新人类 展望未来五年 AI 的广泛影响，吴恩达坚信，拥抱 AI 的个体能力将远超大多数人目前的想象。两年前，谁曾料到软件工程师的生产力能在 AI 辅助下提升至此？未来，各行各业的人们以及处理个人事务的个体，都将借助 AI 变得无比强大和高效。这不仅是生产效率的提升，更是人类能力边界的一次巨大扩展。
