吴恩达最新判断：AI 创业速度要快想法要实，Agent 是最大机会，产品经理反成新瓶颈，所有人都得学编程

「创业能否成功的最好预测指标，就是执行速度。」

在 YC 举办的 AI 创业者学校上，吴恩达老师带来了一场干货满满的演讲。

作为 Coursera、deeplearning.ai 和 AI Fund 的创始人，Andrew 亲自下场，以平均每月创立一家公司的惊人频率，积累了海量的实战经验。他早已不只是观察者，而是深入一线的「码农、产品经理和销售」。

这一次，他毫无保留地分享了许多来自一线的最新洞见：

• • AI 时代，速度就是一切。
• • 最重要的技术趋势就是 Agentic AI，将会颠覆产品开发。
• • 当工程师效率提升 10 倍，产品经理竟成了新瓶颈，团队配比惊现「1 个 PM 对 0.5 个工程师」。
• • 从 CFO 到前台，每个人都应该学编程。

更重要的是，Andrew 毫不客气地戳破了当下 AI 圈的种种浮夸风和危险叙事——从「AI 导致人类灭绝」到「AI 需要核电站」，以及对开源社区的围剿。

这里既有给创业者的生存指南，也有对当下 AI 技术浪潮最前沿趋势的精准洞察。

AI 淘金热，最大的机会在这里

演讲一开始，吴恩达就给出了他对 AI 创业机会的判断。

他展示了一张 AI 技术栈图：底层是半导体公司，其上是云服务巨头，再往上是基础模型公司。

吴恩达指出，尽管大部分的公关宣传和炒作都集中在这些技术层，但几乎从定义上来说，最大的机会必然在应用层。

他解释道，我们需要应用层产生足够多的收入，才能反过来支付给基础模型、云和半导体这些技术层。媒体和社会舆论往往忽略了应用层，但对于创业者而言，那里才是最广阔的淘金地。

All in Agentic AI

如果只选一个当下最重要的 AI 技术趋势，吴恩达的答案是：Agentic AI 的崛起。

他坦言，一年半前他开始宣扬 AI Agent 概念时，并未预料到营销人员会如此迅速地将这个词贴在所有东西上，以至于这个词本身几乎失去了意义。

但他从技术角度深刻阐释了为什么 Agentic AI 如此重要。

我们过去使用 LLM 的方式，就像要求一个人从第一个字写到最后一个字，中间不许用退格键，一次性写完一篇文章。人类不这样工作，AI 也不擅长。

而 Agentic Workflows (智能体工作流) 则完全不同。

我们可以让一个 AI 系统，首先写一个大纲，然后如果需要，可以上网研究，获取一些网页内容作为参考，接着写出初稿，然后阅读并批判自己的初稿，进行修改……

这是一个迭代循环的过程：思考 -> 研究 -> 修改 -> 再思考。

这个过程虽然更慢，但最终交付的工作成果质量要高得多。吴恩达透露，在 AI Fund 的许多项目中——从解析复杂的合规文件到医疗诊断，再到推理复杂的法律文档——Agentic Workflows 都是项目成败的关键。

许多有价值的业务，都将围绕着如何将现有或全新的工作流，设计并实现为 Agentic Workflow。

因此，他在 AI 技术栈图中，特别在应用层和基础模型层之间，增加了一个新的层次：Agentic Orchestration Layer (智能体编排层)。这一层的出现，让构建强大的 AI 应用变得更加容易。

如何快人一步？吴恩达的「加速」四大秘籍

全场演讲的灵魂，在于「速度」。吴恩达分享了四条让创业公司快起来的核心秘诀。

秘籍一：想法要「具体」，拒绝「空话」

吴恩达强调，在 AI 领域，我们需要具体的想法 (Concrete Ideas)。

什么是具体的想法？就是能够让工程师直接上手构建的、足够详细的描述。

他举了两个例子：

• • 空泛的想法：「让我们用 AI 优化医疗资产。」—— 这不是一个具体的想法，因为不同的工程师会做出完全不同的东西，团队无法快速行动。
• • 具体的想法：「让我们写一个软件，让医院的病人可以在线预订 MRI 设备的使用时段，以优化使用率。」—— 这就很具体。不管这个想法是好是坏，工程师可以立刻动手构建，快速验证。

吴恩达说，具体性为你赢得速度。当你空泛时，你几乎总是对的。但当你具体时，你可能是对的，也可能是错的。无论哪种结果都好，只要我们能迅速发现就行。

而如何获得高质量的具体想法？通常需要有人——可能是创始人自己，也可能是行业专家——对一个问题进行长时间的深入思考。吴恩达以创办 Coursera 为例，他花了数年时间思考在线教育，才形成了关于什么才是一个好的教育科技平台的直觉。

这种长期思考形成的直觉，在做决策时快得惊人，而且出奇地准确。

我知道我研究 AI，你可能觉得我会说我们需要数据。我当然爱数据。但事实证明，对于很多初创公司来说，获取数据是一个缓慢的决策机制，而一个拥有良好直觉的领域专家的判断，通常是实现快速决策的更好机制。

秘籍二：颠覆式工程，代码随时可扔

在具体的想法之上，执行的速度正在被 AI 彻底改变。

吴恩达提出了一个核心循环：工程构建 -> 用户反馈 -> 调整想法 -> 再次构建。

过去，这个循环的瓶颈在「工程构建」。但现在，情况变了。

AI 编程助手，尤其是像 Claude 3 这样新一代的 Agentic 编程工具，正在让软件工程的速度急剧提升。

吴恩达分享了一个惊人的观察：

• • 在编写生产级代码时，AI 能提速 30% 到 50%。
• • 但在构建快速原型 时，速度不是提升 50%，而是至少 10 倍！

为什么差距如此之大？因为原型开发不需要考虑与遗留系统的集成，对可靠性、可扩展性甚至安全性的要求都低得多。

我知道我不该叫大家写不安全的代码，这听起来不对。但我经常对我的团队说，去吧，写不安全的代码。

吴恩达解释说，如果软件只在你的笔记本上运行，而且你也不打算恶意攻击自己的电脑，那么代码不安全是没问题的。当然，在交付给别人之前，必须把它变得安全。这种理念，极大地降低了创新和试错的成本。

代码的价值也因此被重塑。过去，代码是宝贵的资产，因为创造它很困难。现在，代码变得「廉价」了。

我有些团队在过去一个月里，把代码库完全重构了三次，因为从头再来已经不是什么难事了。

这直接导致了决策模式的改变。亚马逊创始人贝索斯曾提出单向门 和「双向门 」 的概念。单向门是做了就很难反悔的决策，而双向门则可以轻松撤销。

过去，选择技术栈、设计数据库 schema 是典型的「单向门」。而现在，吴恩达发现，这正在变成「双向门」。他的团队会选择一个技术栈，一周后发现不合适，就把代码库扔掉，用新的技术栈从零开始。

秘籍三：未来，人人都得会编程

既然 AI 编程如此强大，我们还需要学编程吗？

吴恩达的观点十分鲜明：有人建议别人不要学编程，理由是 AI 会自动化这项工作。我认为，这会是历史上最糟糕的职业建议之一。

他的逻辑很简单：当工具让某件事变得更容易时，应该有更多人去做，而不是更少。就像从汇编语言到高级语言，再到 IDE，每一次编程门槛的降低，都带来了程序员数量的激增。

我有一个可能引起争议的观点：我认为是时候让每个岗位上的每个人都学习编程了。

他透露，在 AI Fund，他的 CFO、人才主管、招聘专员，甚至前台，所有人都会编程，并且这让他们在各自的岗位上表现得更出色。

他用一个生动的例子来说明：在为 Coursera 课程用 Midjourney 生成艺术图片时，一位懂艺术史的同事可以给出精准的 prompt，比如流派、色板、艺术灵感，从而生成质量极高的图片。

而吴恩达自己不懂艺术史，只能说「请给我画一些漂亮的机器人图片」，完全无法企及同事的控制力和效果。

未来最重要的技能之一，就是能够精确地告诉计算机你想要什么。而那些对计算机有更深理解的人，将能更好地指挥计算机，获得他们想要的结果。

学习编程，正是培养这种「指挥能力」的最佳方式。

秘籍四：闪电战式获取产品反馈

当工程速度提升 10 倍，瓶颈就转移了。吴恩达指出，新的瓶颈是产品管理——获取用户反馈，决定下一步做什么。

这带来了一个让整个硅谷都感到惊讶的转变。过去，一个产品经理 (PM) 对 6、7 个工程师是常态。但现在，工程师的速度太快了，PM 渐渐跟不上了。

就在昨天，我的一个团队向我提议一个项目时，第一次，他们提出的不是 1 个 PM 对 4 个工程师，而是 1 个 PM 对 0.5 个工程师。这是我这辈子第一次看到管理者提议让 PM 的数量是工程师的两倍。

吴恩达坦言，他也不知道这个提议是否明智，但这无疑是一个信号。

为了加速反馈，他列出了一套从快到慢的策略：

1. 1. 最快：凭你自己的直觉（如果你是领域专家）。
2. 2. 次之：问朋友和同事。
3. 3. 再慢一点：在咖啡馆里找 10 个陌生人聊。吴恩达称这是他学到的最重要技能之一，他自己就经常在酒店大堂和咖啡馆抓陌生人看产品原型。
4. 4. 更慢：给 100 个测试者发送原型。
5. 5. 最慢：进行 A/B 测试。

他特别提醒，收集数据的目的，不只是为了在 A 和 B 之间做选择，更是为了磨练你的直觉。通过复盘数据，理解用户为什么做出那样的选择，从而提升自己用「直觉」快速做出高质量决策的能力。

掌握AI「积木」：用组合式创新甩开对手

要实现快速创新，仅仅理解 AI 的重要性还不够，更要懂得如何使用它。Andrew 用了一个绝妙的比喻：AI 的各种工具，就像是乐高积木 (LEGO bricks)。

在过去两年里，大量强大的 GenAI 构建模块涌现出来，比如：Prompting、Agentic Workflows、Guardrails、RAG、Voice API、Fine-tuning、向量数据库等等。

当你只拥有一种积木，比如一块白色的乐高，你能搭出一些东西。但当你获得了第二种（黑色的）、第三种（蓝色的），你的创造力就被极大地释放了。

Andrew 强调，掌握的「积木」种类越多，你能构建的应用就越丰富、越强大。这种可能性的增长不是线性的，而是组合式甚至指数级的。

「了解所有这些奇妙的构建模块，能让你以更丰富的组合方式，构建出一年前地球上任何人都无法构建的软件。」

Andrew 甚至坦言，他自己也会去上 deeplearning.ai 的课程，就是为了收集这些「积木」，扩充自己的武器库。

这正是创业公司拉开差距的关键：通过对 AI 工具的组合式创新，快速实现他人无法企及的功能和产品。

戳破 AI 泡沫，回击「危险叙事」

在问答环节，吴恩达也火力全开，对当前 AI 领域的一些流行炒作和错误叙事进行了犀利的回击。

他认为，有一系列为了融资、公关或影响力而被夸大的「炒作叙事」，包括：

• • AI 导致人类灭绝：「这太荒谬了。」
• • AI 让所有人失业：「根本不是真的。」
• • 我们强大到训练一个新模型就能随手消灭几千家创业公司：「也不是真的。」
• • AI 需要的电力太多，只有核电才够用：「这同样不是真的。」

对于甚嚣尘上的「AI 安全」论，吴恩达也表达了不同的看法。他更倾向于使用负责任的 AI (Responsible AI)。

他打了个比方：电动机本身是安全还是危险？这取决于你用它来做什么。你可以用它来造透析机，也可以用它来造智能炸弹。安全与否，不在于技术本身，而在于如何应用它。

AI 既不安全也不危险，是你应用它的方式，决定了它的安全与否。

他尤其担忧的是，这些被夸大的危险性，正在成为打压开源的武器。

他透露，一些大型科技公司试图扮演 AI 守门员的角色，他们利用这些虚假的危险叙事，游说监管机构通过类似加州 SB 1047 这样的法案（该法案最终被成功阻止），对开源模型施加沉重的、不必要的负担。

吴恩达警告说，这会扼杀创新，最终让我们只剩下少数几个守门员，到那时，每个人想微调模型或用某种方式 prompt，都需要得到少数几家公司的许可。这对创新将是毁灭性的。

他呼吁，保护开源的战斗仍在继续，这是确保 AI 技术能够广泛传播、惠及所有人的关键。

小结

总结这场演讲，吴恩-达为所有 AI 时代的建设者提供了一份清晰的行动纲领：

1. 1. 坚持具体想法：拒绝空谈，让团队可以快速执行。
2. 2. 拥抱极致速度：利用 AI 工具颠覆工程范式，将代码视为可随时抛弃的消耗品。
3. 3. 重新定义瓶颈：当工程不再是问题，产品和反馈的速度成为新的决胜点。
4. 4. 未来人人编程：学会与机器精确沟通，是未来每个人的核心竞争力。
5. 5. 警惕炒作，保护开源：在喧嚣中保持清醒，为创新的火种留存空间。

在一个技术日新月异的时代，吴恩达的这番话，无疑为我们指明了方向：抛弃犹豫，拒绝空想，以最快的速度去构建、去试错、去迭代。

因为在 AI 的浪潮之巅，速度，决定一切。

参考来源

Andrew Ng: Building Faster with AI | https://www.youtube.com/watch?v=RNJCfif1dPY