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。
