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。