著名人工智能科学家吴恩达近期在 YC AI Startup School 的一次演讲中围绕AI领域的创业机遇、技术趋势与实践方法分享了诸多深刻见解------他断言AI最大的机会在应用层而非基础模型层,剖析了AI创业的核心要素,探讨了Agentic AI的崛起趋势,反驳了"AI将使编程过时"的论调并呼吁全员学编程。本文带大家回顾这场演讲的核心内容。
一、AI创业的关键前提:速度是成功的核心指标
吴恩达首先分享了自己创办初创公司时的核心经验------速度。在他看来,对于渴望投身AI创业浪潮的人而言,执行速度不仅是一种优秀品质,更是预测初创公司能否成功的关键性指标。
日新月异的人工智能技术,恰恰是赋予初创公司"速度优势"的最强催化剂。因此,吴恩达希望通过分享一系列不断迭代的最佳实践,帮助创业者掌握这种关键的速度优势,从而显著提高创业成功率。
二、AI技术栈的机遇分布:应用层是最大价值洼地
在探讨"如何加速"之前,吴恩达先梳理了他眼中的AI技术栈,其层级结构清晰明确:
- 最底层:半导体公司,是AI技术运行的硬件基础;
- 中间层:云服务或超大规模计算平台,为AI提供算力支撑;
- 中上层:众多AI基础模型公司,是当前技术讨论的热点领域。
尽管公众目光和市场热议大多聚焦于半导体、云服务和基础模型这些技术层面,但吴恩达明确指出:AI最大的机会必然存在于应用层。
原因很简单:应用层是创造收入的核心环节,只有通过应用层产生足够多的收入,才能支撑基础模型、云服务、半导体等技术层的成本开销。因此,他建议有志于AI创业的人,应将更多目光聚焦在应用层,挖掘场景化的价值需求。
三、当前最重要的技术趋势:Agentic AI的崛起与价值
过去一年,AI技术趋势发生巨大变化,其中最重要的便是Agentic AI(代理型AI)的兴起。吴恩达坦言,约一年半前他就开始四处演讲,试图让人们重视AI Agent的潜力,但这个概念后来被市场营销人员滥用,几乎失去了原本的技术意义。因此,他希望从纯粹的技术视角,重新阐释Agentic AI的重要性及其带来的创业机会。
1. 传统大语言模型的局限性
当前人们使用大语言模型的普遍方式是"输入提示-生成输出",这种模式好比让一个人"从头到尾一气呵成写文章,期间完全不能用退格键"。人类无法适应这种线性工作方式,AI同样如此------这种模式下的产出质量和灵活性都存在明显短板。
2. Agentic Workflow(代理型工作流)的突破
Agentic Workflow彻底打破了传统模式的限制,允许AI系统以"更复杂、更迭代、更接近人类专家思考"的方式完成任务。例如:
- 先让AI生成文章大纲;
- 根据大纲进行网络搜索,获取参考资料;
- 结合资料撰写初稿;
- 再让AI阅读、审视并修改初稿;
- 重复"思考-补充-修改"的循环,不断优化成果。
尽管这个过程比传统模式慢,但最终产出的质量会显著更高。吴恩达强调,这种工作流在AI Fund的实践中被反复验证是"成功的关键因素"------无论是填写复杂合规文件、进行医疗诊断,还是对法律文件做深度推理,Agentic Workflow都是决定方案可行性的核心。
3. Agentic AI带来的创业机会
吴恩达坚信,未来仍有大量工作需要围绕Agentic AI展开,许多有价值的商业模式也待挖掘------核心机会在于"将现有或全新的工作流程,转化为代理型模式"。
同时,过去一年已出现"新的代理型编排层",能帮助应用开发者更高效地"编排或协调对底层技术的大量调用"。这个编排层的出现,让AI应用开发变得前所未有的容易,也进一步印证了"应用层是AI技术栈中最具价值的一层"的观点。
四、AI创业如何实现"速度优势"?吴恩达的实践秘诀
既然AI创业的重点在应用层,那么如何在应用开发中实现"速度优势"?吴恩达分享了AI Fund的核心秘诀,涵盖"想法定义""团队执行""开发理念"等多个维度。
1. 核心秘诀一:聚焦"具体到可直接开发"的想法
吴恩达为"具体的想法"下了一个极具操作性的定义:必须具体到工程师可以直接上手开发的程度。
- 反面例子:"用AI优化医疗保健资产"------这个想法过于模糊,不同工程师会理解出不同方向,无法快速落地,自然没有速度可言;
- 正面例子:"开发一款软件,让医院病人在线预订核磁共振时段,从而优化设备使用率"------这个想法清晰明确,工程师能直接转化为开发任务,即使最终验证想法不可行,也能快速获得反馈,为后续调整节省时间。
吴恩达还指出一个创业者常见的认知陷阱:模糊的想法更容易获得他人认同(因为模糊的描述"几乎总是对的"),而具体的想法可能"对或错"。但对初创公司而言,"快速验证对错"远比"获得模糊的认同"更重要------只有快速验证,才能及时调整方向,避免资源浪费。
2. 核心秘诀二:高质量具体想法的来源------长期深入的思考与专家直觉
如何获得"高质量的具体想法"?吴恩达认为,这需要对特定问题进行"长期、深入的思考"。他以创办Coursera为例:在正式启动前,他花了数年时间思考在线教育、与用户交流,不断打磨对"优秀教育科技平台"的直觉------这种长期思考积累的直觉,对初创公司的快速决策至关重要。
他特别强调,对早期初创公司而言,专家的直觉在决策速度上往往优于数据分析。原因是:初创公司获取数据的成本高、周期长,而长期深耕某领域的专家,能凭借经验快速判断"该做A功能还是B功能",这种瞬间判断是更高效的决策依据。
基于此,他给团队的执行建议是:任何时间点都只追求一个清晰的假设,集中所有资源验证或证伪它。初创公司没有资源"分散下注"(比如同时尝试10件事),必须"聚焦一个目标,全力以赴"。
3. 核心秘诀三:开发理念的革新------降低原型验证成本,快速试错
吴恩达探讨了"构建与反馈的循环",并指出AI编程助理正深刻改变软件构建方式。对应用型公司而言,"最大的风险不是技术实现不了,而是造出来的东西没人要"。
他将软件工作分为两类,并分析了AI对两者的效率提升:
软件类型 | 定义 | AI效率提升幅度 |
---|---|---|
简易快速的原型 | 用于验证想法的早期版本 | 至少10倍,甚至远超10倍 |
生产级的软件 | 用于正式发布、规模化使用的版本 | 30%-50% |
因此,吴恩达会给团队一个看似"出格"的指令:鼓励写"不安全的代码"------如果软件只在自己的笔记本上运行(用于自测或原型验证),代码安全性不是核心问题;但发布前必须确保代码安全、可扩展。
这种理念让AI Fund的团队能"系统性创新",比如"一次性构建20个原型,看哪个能成功"。吴恩达认为,只要能把"概念验证的成本降得足够低",即使大量原型最终无法投入生产,也是完全可接受的。
他还对"快速行动,打破常规"的口号提出修正:"快速行动,同时也要负责任"------速度重要,但不能以牺牲核心安全(如用户数据安全)为代价。
4. 核心秘诀四:对"代码价值"的新认知
过去,代码被视为"非常宝贵的资产",因为编写成本高;但随着AI降低了软件工程门槛,代码的价值已远不如从前。吴恩达举例:他的某个团队在上个月"将代码库完全重构了三次"------因为重构代码的难度和成本大幅降低。
他引用杰夫·贝佐斯的"双向门与单向门"理论:过去"技术架构选择"是"单向门"(一旦选择就难反悔),如今却越来越像"双向门"(可以轻松调整)。他观察到,自己的团队会更频繁地调整技术方向------比如基于某技术栈开发一周后,发现不合适就"丢弃整个代码库,在新技术栈上从零开始"。
五、反驳"AI使编程过时":呼吁"每个岗位的人都学编程"
基于"软件工程门槛急剧降低"的现状,吴恩达坚决反驳了"因为AI会自动编程,所以人们不用再学编程"的论调------他认为这"可能是有史以来最糟糕的职业建议之一"。
1. 技术发展的历史规律:工具进步让更多人掌握技能
吴恩达的逻辑根植于技术史:每一次工具革新,都是"降低门槛,让更多人掌握技能",而非"替代人"。例如:
- 几十年前,从"打孔卡"转向"键盘和终端",编程变得更容易,而非不需要程序员;
- 从"汇编语言"转向COBOL等高级语言时,有人断言"有了COBOL就不需要程序员",但事实是编程门槛降低,更多人进入这个领域。
因此,他认为:随着AI让编程变得更简单,应该有更多人去学习编程,而非放弃。
2. "全员学编程"的真正意义:学会"指挥AI为自己编程"
吴恩达抛出一个略带争议的呼吁:现在是时候让每个岗位的人都去学习编程了。这并非空想------他已在自己的团队中实践:首席财务官、人才主管、招聘专员甚至前台,都具备编程能力,且编程让他们在各自岗位上表现更出色。
他强调,"学习编程"并非指"亲自写每一行代码",而是学会"如何引导AI为自己编程"------未来最重要的技能之一,是"清晰准确地告诉计算机你想要什么,并让它执行"。
他分享了一个亲身经历:为Coursera课程制作背景图时,懂艺术史的团队成员Tommy,能运用专业知识编写精准的Midjourney提示词,生成高质量图片;而吴恩达因缺乏艺术史知识,只能写出宽泛的提示词,产出效果远逊于前者。这个例子印证了:"掌握与机器沟通的能力",能让不同岗位的人更好地结合自身专业,借助AI创造更大价值。
六、AI时代的新瓶颈:产品管理成为流程短板
工程速度的飞跃(AI让开发效率大幅提升),带来了一个始料未及的连锁反应------产品管理正日益成为整个流程的瓶颈。
吴恩达分享道,过去一年中,越来越多团队抱怨"瓶颈在产品端"------因为工程师的开发速度太快,产品管理(如获取用户反馈、决策功能优先级等)跟不上节奏。甚至有团队在做人力规划时,首次提出"将产品经理与工程师的比例设定为1:0.5"(即1位工程师配2位产品经理)------这是他职业生涯中第一次见到这样的建议。尽管目前无法确定这是否是最优解,但无疑揭示了"产品管理能力需跟上AI开发速度"的趋势。
应对产品管理瓶颈的策略
为应对这一挑战,吴恩达强调"建立快速反馈机制"的重要性,并分享了自己常用的三大策略:
- 依靠自身的产品直觉;
- 找三五个朋友同时试用产品,获取初步反馈;
- 找三到十个陌生人测试,收集更客观的意见------他特别强调,这是"最重要的产品技能之一"。
对于广受推崇的A/B测试,吴恩达也给出了更深层的理解:A/B测试的目的不仅是"在A和B之间选一个方案",更重要的是"通过数据打磨和校准自身直觉"。比如反思"为什么原以为A方案更好,数据却显示B方案胜出",通过这种方式不断更新自己的"心智模型",从而提升"凭直觉快速做出高质量决策"的能力。
七、AI创业的另一个关键:深刻理解AI,掌握技术判断力
吴恩达认为,深刻理解AI本身,是获得速度优势的另一个关键因素。
1. AI与成熟技术/岗位的差异
- 对于手机应用、销售、市场、人力等成熟技术或职能岗位,人们对其"能做什么、不能做什么"有清晰认知,也容易找到领域专家;
- 但AI是新兴技术,"如何高效利用AI"的知识远未普及------因此,"懂AI的团队"比其他团队拥有显著优势。
2. 技术判断力对速度的影响
面对AI相关的决策时,正确选择能大幅节省时间,错误选择则会严重拖慢进度。例如:
- 客服聊天机器人的准确率上限是多少?
- 应该用提示词工程、模型微调,还是AI Agent工作流?
- 如何实现低延迟的语音输出?
吴恩达指出:"一个正确的选择可能让你几天内解决问题,一旦选错方向,速度可能不是慢两倍,而是慢十倍。"因此,正确的技术判断力对初创公司至关重要。
3. AI"构建模块"的价值:像搭乐高一样快速创新
过去两年,涌现出海量优秀的生成式AI工具和"构建模块",如提示词工程、AI Agent工作流、评估体系、护栏(Guardrails)、RAG(检索增强生成)、语音优先、异步编程、微调、图数据库等。这些模块就像乐高积木,通过快速组合,能创造出"一年前任何人都无法构建的软件"------这为初创企业开辟了前所未有的创新机遇。
八、问答环节:戳破AI炒作,分享AI Agent与知识普及的思考
演讲结束后的问答环节,吴恩达就AI领域的热点问题与观众深度交流,分享了诸多犀利观点。
1. 如何看待AGI与人类的核心价值?
当被问到"AI进步下,开发工具与学习使用工具哪个更重要""个人如何保持核心价值"时,吴恩达指出:
- AGI(通用人工智能)的概念被过度炒作,未来很长一段时间内,仍有大量工作是人类能做而AI做不了的;
- 未来最强大的人,是"能驱使计算机精准执行自己意图的人",因此"掌握并善用AI工具至关重要";
- 他不担心人类"无事可做",但确信"善用AI的人会比不使用AI的人强大得多"。
2. 如何辨别AI领域的炒作?
当被问到"算力未来发展方向""如何辨别行业炒作"时,吴恩达分享了自己的判断框架:警惕那些"让某些企业显得比实际上更强大"的炒作叙事。
他直接戳破了几类常见的AI炒作:
- "AI末日论":无稽之谈,本质是服务于企业融资和公关的炒作;
- "AI导致失业论":不是事实,同样是夸大企业影响力的谣言;
- "大模型会扼杀初创公司论":不符合实际,虽然少数初创公司被淘汰,但"消灭成千上万初创公司"远没有那么容易。
他还提到,媒体有时会炒作极端个案、用耸人听闻的方式报道,导致炒作叙事被放大------这些都是对未来真实图景的歪曲。他再次强调:"当前AGI被过度炒作,未来很长一段时间,人类的价值依然不可替代。"
3. 对"AI Agent累积效应"的技术看法
当被问到如何看待"AI Agent的累积效应"时,吴恩达给开发者提出了三点建议:
- 初期不必担心Token成本:只有极少数公司能达到"用户量巨大导致成本成问题"的阶段,且即便如此,也能通过工程方案控制成本;
- 重视AI Agent工作流的整合能力:当前大量AI Agent工作流已整合了提示工程、RAG、评估体系等步骤,这本身就是能力的累积;
- 设计灵活的软件架构:让"在不同基础模块提供商之间切换"变得更容易,避免被单一供应商绑定。
4. AI知识普及的机遇与风险
在"如何向大众普及AI知识"的问题上,吴恩达肯定地表示:"知识终将普及,这也是DeepLearning AI正在努力的方向。"但他也指出了两个主要风险:
风险一:知识普及速度跟不上技术发展
"我们没能足够快地让所有人跟上AI发展的步伐"------如果大量人因缺乏AI知识被淘汰,会造成社会资源的浪费。
风险二:出现"扼杀创新的守门人"
一些公司正利用被夸大的"AI风险"游说监管机构,试图打压开源社区,目的是成为"基础模型的守门人"(例如加州的1047号提案)。吴恩达警告: "一旦这些监管提案成功,形成扼杀创新的法规,最终只会剩下少数几个'守门人'。到那时,任何人都需要得到这几家公司的许可,才能微调模型或按特定方式使用它------这将彻底扼杀创新,阻碍信息传播。"
因此,他最后呼吁:"只要我们能阻止对开源和开放权重模型的攻击,知识最终能普及,我们也才有希望让每个人都跟上AI的步伐。但这场保护开源的战斗远未结束,我们必须继续努力。"
以上就是吴恩达在 YC AI Startup School 演讲的核心内容。他的分享不仅为AI创业者指明了"聚焦应用层、抓住Agentic AI机遇、以速度制胜"的方向,也为普通人理解AI趋势、提升自身竞争力提供了重要参考。希望这些见解能为你在AI时代的探索提供帮助。