吳恩達是少數敢于重新定義行業話語的人。他提出“Agentic AI”這一說法，不是為了制造新標簽，而是為了打破關于“智能體”的二元爭論。他把自主性拉成一個光譜：能多步規劃、獨立執行的是高自治，受提示牽引的是低自治，但它們都屬于 Agentic 的范疇。這種重新定位既是工程實踐的需要，也是一種對行業語境的校正。

他對“規模至上”的主流敘事持批評態度。在他看來，幾家巨頭用強勢公關制造了“模型越大越好”的集體幻覺。但現實遠比這復雜：智能體工作流的工程化、多模態模型的重構方式、擴散式技術在跨領域的遷移，以及企業內部的專有數據沉淀，才是決定性突破口。他甚至指出，資本不只是推動商業化，反而正在“解決基礎研究”，因為資金和人才集中在最具經濟價值的方向。

吳恩達認為，當下的最大瓶頸不在算力，而在“人”。計算機控制仍高故障率，安全與評估體系尚未成熟，但更嚴重的問題是缺乏能用系統化方法定位和修正錯誤的團隊。很多企業明明有可自動化的場景，卻因為沒有工程化能力和工具，只能靠隨機試錯。他直言，真正接近高自主度的落地案例，是能分解任務、逐步執行的編程助手，而不是那些演示效果炫酷卻不穩定的“電腦操作型”應用。

他把爭議延伸到產品側：當開發從數周縮短到一天，瓶頸從寫代碼轉移到決策本身。如何在極短時間內捕捉用戶需求、做出快速判斷，成為新的稀缺能力。吳恩達認為優秀的產品經理往往不是靠數據堆砌，而是具備深刻的共情與直覺。與此同時，他提出“雇傭 AI 而非人”的組織哲學：用小而精的團隊疊加智能體工具，效率和產出遠超傳統的大編制。

他也談到自我迭代的前景：模型已經開始用智能體工作流生成下一代訓練數據，通過舊模型的長思考喂養新模型，從而形成自舉式進化。他強調，未來的關鍵并非互聯網里的公共知識，而是如何把企業的專有流程、合規約束和隱性規則轉化為“可學習的組織記憶”。誰能先做到這一點，誰就能在競爭中率先突圍。

在吳恩達看來，“Agentic AI”不是營銷熱詞，而是未來組織運行方式的底層邏輯。他留下的警告帶著冷鋒：還在用 2022 年工作流的人，會最先被節奏淘汰。未來幾年，擁抱 AI 的個人和團隊會拉開難以追趕的代差，而這場差距并不會靠宣傳敘事，而是靠具體的工程與實踐一步步拉開。

一、Andrew對Agentic AI的定義

Sarah Guo:? 我一時不確定該從哪里開始，因為你對這些話題的視野非常廣闊。但我覺得我們應該從最核心的問題入手：展望未來的能力提升，其增長源泉究竟是什么？是來自更大的模型規模？還是來自數據工作的突破？

Andrew Ng： 進步是多維度的。我認為模型的可擴展性方面仍存在一定的提升空間，我們有望在這方面繼續取得進展——盡管難度已經變得極其巨大。當前社會對AI的認知已被少數幾家擁有頂級公關能力的公司嚴重帶偏。正是這些公司主導了關于“規模擴展”的敘事，導致人們將規模視為最首要的發展路徑。

但在我看來，智能體工作流、多模態模型的構建方式、以及我們為開發具體應用所做的大量實踐，都是重要的進步維度。此外還存在一些未知變量，例如以生成圖像為主的擴散模型——這類全新技術的突破同樣關鍵。 它們未來能否應用于文本生成？我認為這非常值得期待。總而言之，AI的發展必將通過多種路徑實現突破。

Sarah Guo： 實際上"Agentic AI"這個術語是你首創的。你當時是如何定義這個概念的？

Andrew Ng： 當我決定開始使用“Agentic AI”這個說法時——要知道當時根本沒人這么稱呼——我的團隊其實有點無奈。有位不愿透露姓名的成員甚至對我說：“Andrew，這個世界不需要你再創造新詞了。”但我還是堅持推廣了這個概念，不知為何最終這個詞就被廣泛接受了。

我之所以提出這個術語，是因為幾年前看到業界花費大量時間爭論“這是否算智能體”“智能體的定義是什么”。我認為當時已經存在大量優秀工作，這些成果本質上體現的是不同層級的自主性：既有能自主規劃、進行多步推理、獨立完成復雜任務的高自主度智能體，也存在需要通過提示工程來影響輸出的低自主度系統。

我覺得與其爭論“是不是智能體”，不如用“自主程度”來量化，承認這些都是Agentic的范疇，這樣我們才能把時間真正投入到技術建設上。于是我開始推動“Agentic AI”這個術語。但沒想到幾個月后，大批市場營銷人員就開始濫用這個概念，把它當作標簽貼得到處都是。雖然這個詞確實迅速走紅，但我覺得營銷熱度的增速遠超實際業務進展——當然實際業務發展也很快，只是可能比不上營銷炒作的速度。

Elad Gil： 你認為目前實現真正智能體應用的最大障礙是什么？如你所說，雖然相關討論已持續一段時間，早期缺失的某些要素現在已逐步完善。在你看來，哪些關鍵能力仍然缺失？哪些環節需要重點突破才能推動實質性進展？

Andrew Ng： 從技術組件層面看，確實存在需要改進的環節。例如計算機控制能力——目前只能說部分場景能運行，但故障率仍然很高。安全護欄設計和評估體系是個巨大挑戰，如何快速驗證系統可靠性并推動評估流程優化至關重要。這些技術組件都還有提升空間。但在我看來， 實施智能體工作流的首要障礙其實是人才問題 。觀察市場上各類團隊構建智能體的方式， 最大的差異化因素在于：團隊是否掌握通過系統化評估驅動錯誤分析的能力？優秀團隊會持續分析系統運行狀態，精準定位故障點并實施改進 ；而經驗不足的團隊往往采用隨機試錯的方式，導致開發周期漫長。

當前各類企業 （無論規模大小） 都存在大量可通過智能體工作流實現自動化的場景，但現實是——既缺乏具備這種工程化思維的人才，也缺少相應的軟件工具支撐。這種規范化工程流程的缺失，才是制約落地的根本原因。

Sarah Guo： 你認為這個工程化流程中有多少環節可能被AI自動化？

Andrew Ng： 實際上構建智能體工作流的過程中，大量需要吸收外部知識——這些知識往往只存在于從業人員的頭腦中。除非我們能開發出能訪談員工、并通過視覺AI觀察計算機屏幕操作的AI數字分身，否則短期內難以實現全面自動化。或許最終能達到這個目標， 但至少未來一兩年內，仍然需要人類工程師投入大量工作來構建更先進的智能體工作流 。

Elad Gil： 所以這更多是針對人工操作環節的數據收集與反饋循環。我比較好奇的是，除了這方面之外，是否還存在其他實質性障礙？具體會體現在哪些方面？

Andrew Ng： 確實如此。舉個例子：常見的工作流可能是客戶通過郵件發送文檔，需要將文檔轉換為文本，出于合規要求進行網絡搜索 （例如確認是否與受限供應商合作） ，接著查詢數據庫記錄核對價格，最后將結果保存至其他系統等。這類多階段智能體工作流本質上屬于下一代機器人流程自動化。

當我們實施這類系統時，首次運行幾乎總會出現問題。比如發票日期識別錯誤是否影響業務流程，將驗證消息誤發給錯誤人員會產生什么后果，這些都需要根據具體業務場景判斷重要性等級。再比如：頻繁打擾CEO進行驗證是否可接受？或許某些公司的CEO并不介意親自核對發票。所有這些外部情境知識，目前仍然需要人類產品經理或工程師進行周密思考并做出決策。未來AI智能體能否勝任這類工作，目前看來仍然相當困難，或許某天能實現，但現階段仍需人類深度參與。

Sarah Guo： 但這些信息既不存在于互聯網預訓練數據集中，也無法從現成手冊中自動提取。

Andrew Ng： 我認為構建智能體工作流所需的大量數據都具有專有性。這些知識并非互聯網上的通用信息——雖然處理起來很棘手，但這恰恰是令人興奮的工作方向。

Sarah Guo： 如果從智能體能力的頻譜來看，你見過最具自主性的案例是什么？

Andrew Ng： 就智能體技術的前沿發展而言，某些AI編程助手令我印象深刻。從經濟價值角度看， 我認為存在兩個非常明確的領域：其一是問答系統——OpenAI的ChatGPT在這方面顯然處于領先地位，實現了真正的爆發式增長；其二是編程助手領域，例如我個人目前最常用的Cursor （當然未來可能變化） 。

這類工具在軟件構建過程中展現出了高度自主性：能規劃開發任務、創建檢查清單并逐步執行。這種多步驟規劃與執行能力，使其成為當前實際可用的最高自主度智能體之一。當然也存在尚未成熟的應用，例如計算機操作類功能——像代購或在線瀏覽等演示效果雖好，但尚未達到生產就緒狀態。

Elad Gil： 你認為這種差異是由于任務標準的明確性和操作可變性導致的，還是因為編程領域存在更優質的訓練數據集和輸出規范？我很好奇為何編程助手能如此高效，而其他應用場景卻至今仍面臨巨大挑戰？

Andrew Ng： 我認為關鍵在于 工程師群體本身就擅長解決各類技術難題，而編程領域的經濟價值既明確又巨大。 大量資源集中投入這個領域，使得眾多聰明人 （他們自己就是用戶） 能夠憑借對產品的敏銳直覺，構建出非常出色的編程助手。除此之外——或許還有其他因素，但我認為這確實是核心原因。

Sarah Guo： 所以你不認為這是基礎研究層面的挑戰，而更像是資本運作與領域專業知識結合的產物？

Andrew Ng： 我認為資本主義恰恰擅長解決基礎研究問題。

Elad Gil： 你認為何時能實現模型的自舉進化——比如99%的模型代碼都由智能編程助手完成？

Sarah Guo： 或者連錯誤分析也能自動化。

Andrew Ng： 我認為我們正在逐步接近這個目標。一些領先的基礎模型公司已公開表示正在使用AI編寫大量代碼。更令人興奮的是，AI模型開始通過智能體工作流為下一代模型生成訓練數據——例如Llama研究論文就提到，用舊版本模型進行長時間思考來生成復雜謎題，進而訓練新一代模型快速解決這些問題。這種自我迭代的范式同樣令人振奮。進步始終來自多維度的突破。 AI領域的發展從來不是單一路徑，正是無數聰明人通過不同方向的探索共同推動著技術前沿。

二、項目管理的加速演進

Sarah Guo： 我記得你拒絕使用“vibe coding”這個說法，而堅持用“AI輔助編程”。這兩者有什么區別？我猜你踐行的是后者——畢竟編程不能只靠感覺。

Andrew Ng： 確實。“vibe coding”容易讓人產生誤解，以為只需憑感覺接受AI建議的所有修改。雖然有時這種方式確實能奏效，但現實遠非如此簡單。當我進行編程時——無論是持續一天還是整個下午——這從來不是憑感覺的過程，而是深度智力活動。“vibe coding”這個術語低估了實際工作的復雜性。說實話，使用AI輔助編程一整天后，我的精神會極度疲憊。我更傾向于將其視為“快速工程”——AI確實讓我們能以前所未有的速度構建嚴肅系統和產品，但這本質上仍然是工程實踐，只是執行速度大幅提升。

Elad Gil： 你認為這是否正在改變創業的本質，包括團隊規模、產品構建方式以及方法論？還是說核心模式并未改變，只是人們借助這些工具獲得了更強的杠桿效應？

Andrew Ng： 確實如此。我發現在創業過程中，最令人興奮的是看到快速工程和AI輔助編程如何改變初創企業的構建方式。過去需要六人工程師團隊耗時三個月完成的工作，如今我和朋友利用周末就能實現。我觀察到的一個深刻變化是：當我們審視創業的核心閉環時——也就是打造用戶喜愛的產品這個核心迭代循環——原本需要軟件工程師編寫代碼，產品經理再進行用戶測試、憑直覺判斷如何改進產品。

但現在編程速度正在急劇提升，成本持續下降，真正的瓶頸反而轉移到了產品管理層面。如今我們能快速實現產品構想，難點卻在于如何確定真正應該構建什么。 以前如果用三周制作原型，花一周獲取用戶反饋還算合理；但現在一天就能完成產品開發，如果還要等待一周用戶反饋就會非常痛苦。坦白說，我發現團隊越來越依賴直覺決策，因為我們通過收集大量數據來完善人類心智模型——即我們大腦中對用戶需求的理解。這就要求我們必須具備深刻的客戶共情能力，從而能夠極其快速地做出產品決策來推動進展。

Elad Gil： 你是否見過能真正實現這方面自動化的技術？我知道目前存在一些嘗試，例如通過讓多個AI機器人實時交互來生成市場調研數據，這種模擬用戶群體的環境幾乎能形成一個虛擬市場或用戶基礎。你是否見過這類工具真正發揮作用或得到推廣？你認為這類技術已經成熟，還是說目前實現難度過高？

Andrew Ng： 確實如此。目前已有不少試圖加速產品管理流程的工具。我認為最近的Figma IPO就是設計領域一個很好的范例——AI Heidi和Dylan團隊做得非常出色。此外還有一些工具試圖利用AI來協助訪談潛在用戶。正如你所說，我們研究過一些關于使用AI智能體集群模擬用戶群體及其校準方式的科學論文。所有這些技術都展現出早期潛力，未來前景令人振奮。但我認為這些工具對產品經理的效率提升程度，遠不及編程工具對軟件工程師的加速作用，因此產品管理端確實會形成更明顯的瓶頸。

Sarah Guo： 我合伙人Mike提出的觀點讓我覺得很有啟發性——他認為計算機現在能夠大規模地對人類進行問詢，這個想法在多個領域都具有適用性。例如Lucent Labs這類公司正致力于消費者研究類任務，但同樣也能將其應用于培訓任務理解或數據收集環節，正如你剛才描述的。當你審視處于這種迭代循環中的團隊時，是否發現適合的創始人畫像也隨著時間發生了變化？

Andrew Ng： 在我看來，現在有太多2022年的工作方式在2025年已經完全失效。我經常反思：當前仍在沿用的工作流程中，有哪些是2022年就存在的？如果存在這種情況，就需要重新評估其合理性——因為2020年的許多工作流程如今已不再適用。當前技術迭代速度極快，相比更偏向商業思維、對AI技術趨勢感知較弱的創始人，那些精通生成式AI技術、以技術為導向的產品領導者更可能獲得成功。我認為， 除非能準確把握技術的邊界與可能性，否則很難制定有效的戰略方向來引領公司發展。

Sarah Guo： 我們同樣堅信這一點。

Elad Gil： 我認為這甚至是硅谷的傳統模式。回顧Gates、Stephen Gary Wozniak以及半導體計算機和早期互聯網時代的眾多先驅，他們無一例外都具備深厚的技術背景。感覺我們曾一度偏離這種模式，但現在情況非常明確：科技公司必須由技術型領導者掌舵。

Andrew Ng： 過去我們常認為，只要創始人有過一次甚至兩次成功退出經歷，就值得再次投資。但如果這位創始人能持續跟進AI技術發展，那確實非常理想。在技術顛覆時期——比如AI正在快速變革的階段——對技術的實時認知才是真正的核心知識壁壘。以移動技術為例：現在所有人都清楚手機能做什么不能做什么，理解移動應用的概念，知道GPS等功能的存在。

這種普及度使得即使非技術背景的人也能憑直覺判斷“能否開發某個移動應用”。但AI的發展速度截然不同：語音應用能實現什么？工作流自動化能達到什么程度？基礎模型的迭代速度如何？各種模型的原理是什么？這些技術認知正成為關鍵差異化因素，而當年判斷移動應用可行性的門檻則低得多。

Elad Gil： 這個觀點很有趣。當我審視最成功的移動應用時，發現它們都是由工程師創建的。WhatsApp由工程師創立，Instagram的創始人也是工程師背景。我認為Uber的Travis具備技術相關能力，屬于技術領域人才。Instacart的Corvo曾是亞馬遜的工程師。確實如此。

Andrew Ng： Travis的關鍵洞察在于意識到GPS技術將催生全新業態。但前提是必須提前預見到移動設備搭載GPS的趨勢，才能抓住這樣的機遇。

Elad Gil： 你認為還有哪些共同特征？比如之前有段時間人們似乎貶低勤奮的價值——你認為創始人是否需要努力工作？根據你的觀察，成功者是否需要具備進取精神、長時間工作等其他特質？這些因素是否存在相關性？

Andrew Ng： 我本人工作非常努力。在職業生涯中，我始終鼓勵追求卓越的人全力以赴。但即便現在，我表達這個觀點時仍有些顧慮，因為 在某些社會語境中，公開主張“努力工作與個人成功存在正相關”可能顯得不夠政治正確，但這就是客觀現實。 需要承認的是，雖然并非所有人都處于能努力工作的階段，但事實就是努力工作的人往往能取得更大成就。當然，我們必須尊重那些暫時無法投入工作的人。

Sarah Guo： 我可能要說些不太符合政治正確的話。曾有個階段人們鼓吹“創業適合所有人”，但我認為這并不屬實。創業本質上是試圖完成非常規任務——快速創造巨大價值并影響社會。當你嘗試做違反常規的事時，必然需要付出超常努力。我認為這種能快速推動變革的工作倫理在某種程度上已經逐漸消失。

Andrew Ng： 有句名言說得很好： 能夠改變世界的，往往是那些足夠瘋狂并相信自己能做到的人。 這確實需要某種膽識和決斷力——敢于斷言“這就是我要改變的世界，我要付諸行動”。我認為只有具備這種信念的人才能真正做到。

Elad Gil： 這在我看來適用于任何領域。我曾從事生物學研究，這個規律在生物界成立，在科技界成立，在我所見過的幾乎所有領域都成立——努力工作的人往往能取得卓越成就。在創業領域，我過去曾忽略的是競爭意識的重要性：那些真正渴望競爭并獲勝的人所具有的特質。有些人表面低調，但內心仍充滿這種驅動力和求勝欲。我認為這很關鍵。某種程度上，這種特質曾被忽視——至少從社會層面來看，相對于企業而言。

Andrew Ng： 我觀察到兩種典型類型：一種是強烈渴望企業獲勝，這類創業者有些能做得很好；另一種是極度希望客戶成功，他們癡迷于服務用戶從而獲得成功。在Coursera早期階段，我雖然意識到競爭存在，但真正驅動我行為的是對學習者即客戶的極致關注。

Elad Gil： 這個框架很有啟發性。我說的競爭未必指與其他公司的對抗，而是針對你為自己設定的任何指標——無論你想在哪個領域獲勝或做到極致。

Andrew Ng： 在軟件環境中，我們每天都需要做出大量決策。很多時候不得不依靠直覺判斷——創立初創企業更像打網球而非解微積分題，根本沒有深思熟慮的時間，必須快速決斷。這就是為什么需要那些日夜沉浸于客戶需求、企業愿景的人，他們通過深度思考形成的認知框架，能在被問及“該上線A功能還是B功能”時迅速作出判斷。

實際上正如Jeff Bezos所說，初創企業充滿“雙向門”決策——因為試錯成本很低。即使決策錯誤，一周后調整即可。但要實現快速決斷且保持較高正確率，通常需要對客戶或技術保持癡迷，從而積累足夠的認知儲備來支撐高速決策。

三、尋找優秀產品人才

Elad Gil： 你如何看待之前提到的產品管理瓶頸問題？我曾與某位知名科技上市公司CEO交流，他認為整個硅谷乃至全球科技界，真正出色的產品人才最多只有數百人。你認同這個觀點嗎？還是認為實際上存在更多具備這種能力的人群？此外如何發掘這類人才？在我看來，這種能力確實非常稀缺，就像存在10倍效能的工程師一樣，產品洞察力似乎也存在數量級的差異。

Andrew Ng： 這個問題很有深度。我認為優秀產品人才的數量肯定不止數百——就像優秀的AI人才也遠不止這個數量。但我發現 用戶共情能力確實非常難得 ：要構建用戶模型需要整合多種數據源，包括問卷調查、用戶訪談、市場報告、競品行為分析等。

但關鍵是要跳出自我認知框架，基于這些數據形成理想用戶畫像的心理模型，從而快速做出服務用戶的決策。這種人類共情能力正是我早期職業生涯的教訓——我曾錯誤地讓一批工程師轉型產品經理，雖然提供了專業培訓，結果卻讓這些優秀工程師因無法勝任而受挫。現在我發現，優秀產品直覺往往與極高的人類共情能力相關：這種能力能讓人綜合各種信號真正站在用戶立場思考，從而快速做出產品決策來更好地服務用戶。

Sarah Guo： 現在我想回到編碼助手，這個話題確實很有意思。據我所知，Cursor團隊的產品決策更多依靠直覺判斷而非大量用戶調研——當你自身就是目標用戶，且你的心智模型能代表廣大用戶需求時，這種方式是成立的。同樣值得注意的是，盡管Cloud Code擁有大規模用戶，但據我觀察其目前仍未將用戶反饋數據納入訓練閉環。這似乎令人驚訝，因為現階段他們的產品策略本質上仍是基于團隊對產品形態的自主判斷。

Andrew Ng： 實際上初創企業有個優勢：早期可以專注于單一用戶畫像。像Google這樣需要服務多元化用戶群體的公司，就不得不考慮眾多用戶角色，這大大增加了產品迭代的復雜性。但初創企業要打開市場時，只要選擇一個能代表廣泛用戶的典型個體，針對這個具體用戶或理想客戶畫像進行產品開發，就能取得顯著進展。我認為無論是Crest、Cloud Code還是其他產品，只要團隊內部構建的用戶心智模型能準確反映大規模用戶特征，采用這種方式就能走得很遠。

Sarah Guo： 我觀察到的另一個現象是技術能力的基礎時刻在變化。在那些明顯重要且存在多個競爭者的領域，競爭尤為激烈。因此，上一代企業中非常高效的領導者被招聘到這些快速擴張的公司后，未必能保持同樣效能，因為運營速度和變革節奏已完全不同。你提出的審視方法很有意思：對比當前與2022年的工作方式并質疑其合理性。但對于工程領導或市場拓展領導而言，他們職業生涯中積累的成功經驗可能已不再適用。

Andrew Ng： 這對許多人確實構成挑戰。我認識眾多不同職能的優秀領導者，他們仍沿用2022年的工作方式。但這種模式必須改變。當新技術出現時——就像曾經不存在網絡搜索的時代——現在你會雇傭任何不懂網絡搜索的員工嗎？顯然不會。我認為現在早已過了那個階段：對于多數職位，如果無法有效使用AI工具，其效率將遠低于能熟練使用的人。

在我的AI5團隊中，所有成員都具備編碼能力且擁有高級AI賬戶。我發現當助理法律顧問、CFO甚至前臺接待人員學習編程后 （他們并非成為軟件工程師） ，都能通過掌握計算機語言更精準地向計算機下達指令，從而提升本職工作效能。 這種快速變革確實令許多人不安，但當世界以這種速度前進時，我們必須以同等速度適應變化。

Elad Gil： 根據你的觀點，我確實在招聘中觀察到這種現象，尤其是在產品和設計領域。某家我參與的后期AI公司在招募產品負責人和設計負責人時，最終選擇的都是真正掌握AI輔助編程工具的人才。正如你所說，現在能如此快速地進行原型設計，如果連快速制作演示模型都做不到，還在通過撰寫產品需求文檔等方式耗費時間，效率就太低了。我認為這正在改變產品開發和提案的整個流程：比如在討論產品時應該帶什么去開會。在某些情況下，你就應該帶著可運行的原型。

Andrew Ng： 舉例說明：我們面試一名研究工程師崗位時，同時考察了一位擁有十年全棧經驗的資深工程師和一名應屆畢業生。雖然資深工程師簡歷出色，但幾乎未使用過AI工具，而畢業生卻熟練掌握。我的評估是應屆畢業生在AI輔助下將更具生產力，最終聘用他的決定被證明非常正確。不過值得注意的是，目前與我合作最出色的工程師并非應屆生，而是那些具有10-15年經驗且精通AI工具的資深人士，他們確實形成了獨特的優勢階層。 我認為軟件工程領域正在預示其他學科的發展趨勢，因為AI工具在這里最為先進。

四、即將發生的行業變革

Elad Gil： 有意思的是，我們共同參與的Harvey公司就是個典型案例。當我調研其客戶時發現——法律行業素以難以接受新技術著稱，市場上甚至沒有多少優秀的法律軟件公司。但那些已深度采用Harvey的大型律所客戶都堅信這是未來趨勢，認為AI將徹底改變他們的垂直領域。他們提出的核心問題是：當AI普及后，原本需要雇傭100名助理律師的事務所可能只需10人，那么未來合伙人的選拔機制和晉升路徑將如何重構？這種思維轉變非常有趣。

正如你所說，這種變革正在滲透所有市場和行業，雖然進程緩慢，但每個行業都開始以深刻的方式重新思考業務模式。這種轉型可能需要十年甚至二十年才能完成，但觀察最早采納的垂直領域和深度思考者的實踐確實令人振奮。

Andrew Ng： 這個趨勢確實很有意思。我始終關注法律科技初創企業，比如AI基金參與孵化的Catalyst就發展得非常出色。未來的工作模式將會很有趣：過去很多團隊因成本問題選擇外包，但有了AI助手后，我在思考——配備大量AI工具的精銳小團隊，是否會比規模更大但成本更低的團隊更具優勢？實際上，我現在參與的最高效團隊正是那些規模最小、由優秀工程師組成、具備全面AI支持且協調成本極低的團隊。雖然現在下定論為時過早，但或許能看出未來可能的發展方向。

Sarah Guo： 我現在合作的多個團隊中，Open Evidence就是一個典型例子——其產品已覆蓋美國50%的醫生群體。這家公司的明確目標是在擴大影響力的同時，盡可能保持最小團隊規模。雖然企業長期發展必然需要擴展職能范圍，但這種“小而精”的定位在五年前是完全不可想象的。最終這些企業將如何平衡規模與效率，值得我們持續觀察。

Elad Gil： 這個目標在2010年代我就經常聽到。但我認為不少企業因此出現嚴重的人力不足——雖然它們保持盈利并以此自豪，但實際業務增長并未達到應有水平。我覺得這其實是個陷阱。

Sarah Guo： 那你認為應該如何校準這種策略？

Elad Gil： 這本質上是在問：你是否對現有進展過于自滿？雖然公司發展順利，但本可以取得更大成就。當人們陶醉于“保持小團隊、極致精益、零支出、高盈利”時，資本效率確實很高，但往往錯失了發展機遇。

初創企業早期與其他創業公司競爭時，領先優勢令人陶醉。 但當行業巨頭入場后——如果你沒有快速占領市場并向高端移動，就會留給對手反應時間。 通常創業五到七年后，你會突然發現需要與擁有分銷渠道等優勢的巨頭競爭。

Slack對陣Teams就是典型案例 （還有幾家不便具名的公司曾為盈利能力自豪卻最終失敗） 。設計領域的Sketch也是如此：Bohemian Coding團隊在荷蘭過得很好，盈利可觀，但Figma的浪潮來襲時，小團隊策略就顯露出局限性。你認為企業真能永遠保持小規模嗎？

Andrew Ng： 我認為現在團隊規模確實可以比過去更小。但關鍵是要判斷投資是否過度或不足。另外正如你所說，需要分析市場動態：如果是贏家通吃的市場，就必須全力投入。

Elad Gil： 確實需要動態看待。比如Minecraft被微軟收購時團隊只有5人左右，卻創造了數十億美元價值并擁有海量用戶。人們總是忽略這些案例——其實精益運作始終是可行的。真正關鍵問題在于：人員規模帶來多少杠桿效應？如何分配資源？哪些領域真正需要資金投入？我認為小團隊借助AI提升效率的根本原因在于小團隊本身就更高效。你不會雇傭30個冗余人員來增加管理負擔，而現實中很多企業恰恰犯了這種錯誤。縱觀當前大型科技公司 （并非全部但多數） ，其實人員規模縮減70%反而可能提升效能。

人們往往忽略兩個關鍵因素：一是AI帶來的效率提升，二是高價值資本正在向傳統領域溢出 ——法律科技就是典型例證：過去優秀工程師不愿進入法律領域，而因為Harvey這類公司的出現，現在他們愿意投身于此；醫療健康領域同樣如此，突然吸引了大量優秀人才。但更根本的是，小團隊本就具備更高效能，而AI技術進一步強化了保持小規模高績效團隊的優勢，這一點目前尚未得到充分討論。

Andrew Ng： 這再次證明了AI直覺的重要性。我記得某周先后與兩位團隊成員對話：第一位請求增加人力編制來完成某項工作，我拒絕了；后來另一位獨立提出用AI預算來完成類似任務，我立即批準了。 這種“雇傭AI而非人力”的決策意識非常重要，必須具備這種本能判斷。

Sarah Guo： 如果將軟件工程領域的變化視為行業變革的前兆，你認為下一個變革方向是什么？或者說你希望下一個突破點出現在哪里？

Andrew Ng： 這個問題確實很有意思。有網絡經濟學家正在深入研究哪些職業最容易受AI沖擊。雖然你可能持懷疑態度，但我有時會從中尋找項目靈感。我的朋友Eric Brennelson創辦的Workhelix公司 （我們也有參與） 在這方面就很有洞察力。

不過我從中學到的教訓是：雖然自上而下的市場分析有用，但AI領域現在就像目標豐富的獵場——由于技術太新，有大量創意尚未被開發。AI基金團隊對速度有著極致追求，而我個人始終崇尚快速行動，現在有了這些工具，我們能以更快的速度實現目標。

我們獲得的經驗是特別青睞具體化的創意。如果有人只說“AI將變革醫療行業”，這雖然正確但缺乏可操作性。但如果是領域專家或工程師提出“針對醫療運營中某個具體環節，我們可以通過AI實現這些改進”，這就是具象化的方案。無論方案優劣，至少我們能快速驗證市場需求和技術可行性。因此AI基金在篩選項目時，會列出一長列創意清單從中精選，我們從不考慮那些缺乏具體實施路徑的抽象想法。

Sarah Guo： 你認為像你們這樣的投資機構或孵化工作室，兩年后哪些工作將不再需要人工操作？

Andrew Ng： 雖然很多環節可以實現自動化，但關鍵在于應該自動化哪些任務。例如跟投決策——我們投資組合只有幾十家公司，這類低頻決策可能不需要完全自動化，但深度企業調研和競品分析就非常適合自動化。我個人經常使用OpenAI Researcher等工具進行初步市場研究，還有LP報告這類大量文書工作，確實存在簡化空間。

Sarah Guo： 我采取的是總體規避策略 （除基本合規要求外） 。我的合伙人Bella曾在Bridgewater工作，該公司曾投入資金嘗試用AI顛覆自身的宏觀投資模式。雖然投資風格不同，但這種嘗試揭示了人類判斷在我們業務中的不可替代性。

比如評估創業者特質時，應屆畢業生的紙質簡歷、GitHub記錄或有限的工作經歷，其實很難真實反映我們關注的品質。此外還有人嘗試其他方法——比如我知道有投資者通過分析會議錄像，試圖從創業者的溝通風格中提取信號。但這部分確實非常困難。我認為在材料審查方面可以實現程序化操作，例如對團隊整體質量進行系統化評級。

Andrew Ng： 實際上，雖然AI模型越來越智能，但在某些領域人類仍具有巨大優勢，特別是當人類擁有AI難以獲取的額外背景信息時。例如通過面對面接觸創始人，評估其個人特質、領導力或溝通能力等無形品質。雖然未來或許能通過視頻分析讓AI獲取這些信息，但目前人類仍具有獨特優勢。例如在進行背景調查時，對方無意間的一句評論可能影響決策，但AI模型難以捕獲這類信息，因為人們愿意與我交談卻不愿對AI模型敞開心扉。因此在許多任務中，人類仍享有信息優勢，因為我們尚未建立將這類信息輸送給AI模型的管道系統。

Sarah Guo： 另一種難以被替代的是關系優勢。比如當我勸說某人加入投資組合公司時，如果對方曾在我投資的前公司工作并建立信任，那么即便有全世界的數據證明這是個好機會，也比不上我說"Sally，這個機會你必須把握，一定會成功"的效果。雖然公司建設與投資回報的關聯性尚待驗證，但這種基于人際關系的環節確實難以完全自動化。

Andrew Ng： 信任確實關鍵，人們因為你的過往言行建立信任 （比如我就信任你） ，但這種信任也很容易喪失。我好奇的是：隨著越來越多技術背景人才首次創業，如何幫助他們建立成功所需的流程體系？雖然他們已具備80%的核心能力，但仍需要引導他們掌握創始人必須經歷的艱難課程和非常規思維。我長期思考如何為這類創業者搭建成功框架，在我們能提供輔助的領域給予關鍵支持。

Elad Gil： 我對此并不擔心。我的方法是雙管齊下：一是組建純導師群體，讓創業者與處于相同或稍領先階段的人交流；二是進行互補性招聘。我的一大心得是：職業早期人們總想補足短板，而資深者會專注長處并雇傭他人彌補其余。如果公司運轉良好，完全可以像Bill Gates那樣操作。他常說自己從COO身上學到最多，每到特定發展階段就會聘請新COO。我認為也應該用這種視角來看待創始人的成長。Elad Gil：學習的最佳方式就是實踐。因此盡管去嘗試——搞砸了也沒關系。只要不危及企業存續，有什么可擔心的？所以我通常采取非常寬松的態度。

Sarah Guo： 我可能把太多事情都視為關乎企業存亡的問題了。

Elad Gil： 關鍵在于兩點：是否擁有客戶，以及是否在持續打造產品。

Andrew Ng： 最關鍵的是：你打造的產品是否真正獲得用戶喜愛。當然市場推廣等其他環節也很重要，但必須優先解決產品問題，其余環節通常都能隨之找到解決方案。

Elad Gil： 大多數情況下我認同這個觀點，但并非絕對。確實存在反例，不過總體上我同意你的看法。

Andrew Ng： 有時即使產品不夠好，也能通過銷售渠道強行推廣，但這不是我的首選方案，盡管這種方式確實可行。

Elad Gil： 目前很多大型企業使用的技術其實非常落后。

Sarah Guo： 如果你們支持的核心群體是首次創業的技術型創始人，他們存在某些知識或技能缺口——你們會通過什么方式增強其能力？在起步階段哪些支持最為關鍵？

Andrew Ng： 我認為關鍵點在于：風險投資機構和孵化工作室經歷大量案例實踐，即便連續創業者一生也只創業過一兩次。因此當我們與創始人并肩作戰時，會分享我們的本能判斷——如何更快獲取客戶驗證？是否緊跟最新技術趨勢？如何加速進程？以及融資策略等，這些經驗傳遞非常重要。

絕大多數人一生中融資經歷有限，多數創始人只進行過少數幾次。正因為我們的專業屬性，積累了更多實操經驗，即便最優秀的創始人也需要在這些方面獲得幫助。此外還包括組建核心團隊、構建同行交流網絡等——這些正是你們在實踐的。事實上，最頂尖的創業者同樣需要支持。希望風險投資機構和孵化工作室能為優秀創始人提供這些價值。

Sarah Guo： 你在這方面更有智慧。我雖然總忍不住想針對性地提升創始人的某些能力 （比如招聘技巧） ，但完全同意更高杠桿的路徑是讓創始人通過組建團隊在實踐中學習。最后請教：你對未來五年AI的廣泛影響有何預判？你認為多數人尚未意識到的是什么？

Andrew Ng： 我認為未來幾年，擁抱AI的個體能力提升將遠超大多數人預期。兩年前誰能預見軟件工程師的生產力能達到今日水平？ 未來各行各業從業者以及處理個人事務時，那些善用AI的人將獲得超乎想象的能力增強。

原視頻：No Priors Ep. 128 | With DeepLearning.AI Founder Andrew Ng

https://www.youtube.com/watch?v=SYisFbhR7xs

本文來自微信公眾號： Z Finance ，編譯：Xinyue Wan