吴恩达谈AI时代：验证速度是企业竞争力，应用层仍存在大量机会

tayun

2025年6月17日，吴恩达（Andrew Ng）在硅谷的 “人工智能初创企业学校” 发表演讲。作为 AI 领域的权威学者与实践者，吴恩达深耕 AI 技术落地与创业孵化领域，凭借丰富的经验形成了一套兼具理论深度与实践指导性的思想体系。

他在此次演讲中，主要围绕 AI 技术栈的价值分布、创业决策的逻辑、组织能力的进化以及对 AI 发展本质的洞察等内容展开。以下是其核心观点：

1.AI 技术栈：应用层是商业核心，智能体工作流成关键桥梁

吴恩达将 AI 技术栈划分为几个清晰层级：最底层的半导体公司、之上的超大规模云服务商、再往上的 AI 基础模型公司。尽管媒体的聚光灯多聚焦于底层技术，但他从商业角度来看，明确指出“AI 商业真正的风口在应用层”。这一判断源于一个简单却深刻的逻辑：只有应用层产生足够收益，才能进一步支持底层的基础模型、云计算和半导体技术的发展。吴恩达强调：“各个技术层级都有机会，但应用层是连接技术与市场的枢纽，其价值密度最高。”

他特别强调智能体工作流的革命性意义：“在AI Fund参与的医疗诊断、法律文书等项目中，是否采用智能体工作流往往决定项目成败。”传统线性AI交互模式（输入提示词→获得结果）正在被颠覆，智能体通过“提纲-调研-撰写-评估-修改”的循环，虽稍慢于线性输出，却大幅提升结果质量。这种工作流创新，正催生技术栈的新层级——智能体编排层（Agentic Orchestration Layer），成为模型与应用间的关键桥梁。

2.聚焦具体产品创意，高效验证与快速迭代，是AI时代创业成功的关键路径，避免过早优化和资源浪费。

只专注于具体的产品创意。这里所说的“具体”，是指工程师能够根据明确的需求描述，立即开始开发的程度。这是吴恩达在 AI Fund 始终坚持的原则。他以两个案例对比说明：“用 AI 优化医疗资源” 属于模糊想法，工程师可能开发出完全不同的产品；而 “开发让患者在线预约 MRI 设备的软件” 则是具体方案，工程师可立即编程，快速推进开发。

具体创意的价值体现在三个维度：一是明确的方向能让团队全速推进开发工作；二是无论验证结果是成功还是失败，都能迅速得出结论；三优秀的具体创意通常源自于领域专家对某个问题的长期思考和深入理解。

吴恩达以 Coursera 的创立为例，他在在线教育领域研究好几年，反复推敲如何构建一个能够真正解决问题的教育科技平台。经过长时间思考意识到，某个领域多年的专家，往往能够凭借直觉快速做出高质量的决策，他提醒创业者：“如果每次用户交流后都改变方向，说明还没有形成高质量的具体创意，这时需要引入领域专家指引方向。”

成功的初创公司应专注于验证明确假设，资源有限时需聚焦单一方向，若不可行则快速转向。开发的最大风险在于市场接受度，而 AI 编程辅助工具正改变传统反馈循环。

软件开发分为快速构建原型和维护成熟代码库，前者用于验证创意，AI 可提升效率10倍以上，对代码可靠性等要求低，后者可容忍不完美维护成熟代码库，AI提升效率30-50%。

如今初创公司可通过构建大量原型筛选方向，因验证成本低，失败原型可接受。同时，AI编程工具，如GitHub Copilot、Cursor、OpenAI o3等，持续提升开发效率，工具代际差距影响显著，代码价值属性发生变化，软件工程成本降低，重构代码库变得容易。

3.技术决策与编程能力：从“单向门” 到全员编程的必要性

贝索斯的“单向门决策”（难以逆转）与 “双向门决策”（可轻易改变）理论中，过去技术栈和软件架构选择属单向门，改变困难，而现在因 AI 等因素，虽非完全双向门，但技术栈和代码库的改变已变得容易，甚至可重写。

同时，即便AI能写代码，懂编程依然重要。历史上编程工具简化反而扩大开发者群体，如今更应让每个岗位都学习编程，团队全员具备编程能力能提升表现，如团队成员可通过精准提示词控制AI生成图像，核心在于学会向计算机清晰表达需求。引导AI编写代码在未来很长一段时间是最有效的工具。

4.组织能力升级：产品管理转型与高效反馈机制

工程效率的飞跃正在倒逼组织能力升级。吴恩达观察到一个显著趋势：产品管理逐渐成为瓶颈—— 过去 “1个产品经理对接6-7个工程师”的模式被颠覆，部分团队甚至出现 “2个产品经理对接1个工程师”的配置。这并非资源错配，而是因为AI工具让工程师效率提升后，产品设计和工程管理的速度跟不上技术实现的节奏。

在工程开发速度加快的环境下，懂编程的产品经理或有产品思维的工程师更出色。初创公司领导者需建立快速获取反馈的机制。

吴达恩总结了一套从快到慢、从粗略到精确的产品反馈战术体系：最快是领域专家亲自体验后凭直觉判断；稍慢是请三五个朋友或同事试用反馈；再慢是邀请三到十个陌生人试用收集意见；较慢的是向 100 名测试用户发送原型；最慢但最精确的是 A/B 测试。同时，除第一种方法外，不能仅依据表面数据做决定，尤其 A/B 测试需深入分析功能表现不佳的原因，通过深入分析数据完善产品直觉。通过这样的深度反思，能够利用所有的数据来更新心智模型，以提升快速决策质量。

5.团队竞争力与加速法则：效率、反馈与技术敏感度

理解 AI 技术对提升工作效率至关重要，由于 AI 作为新兴技术，掌握其精髓的人较少，理解 AI 的团队具有竞争优势。在技术决策上，如构建客服聊天机器人时的技术选择，选错可能导致10倍效率损失，正确判断对初创公司很关键；。续关注 AI 最新进展有益，众多生成 AI 工具和模块的组合能创造新应用，如同乐高积木般带来丰富创意。

创业成功与团队执行速度强相关，加速法则包括专注具体可行的创意、提高决策速度、利用 AI 编程辅助工具、建立高效用户反馈机制、持续追踪技术动态。

6.AI 发展的理性认知：价值、风险与社会责任

吴恩达针对 AI 发展中的诸多关键问题给出了明确观点。在人类与 AI 的关系上，他认为通用人工智能（AGI）被过度炒作，未来很长一段时间人类仍拥有 AI 无法替代的独特价值，掌握 AI 工具、精通与 AI 协作的人将更具竞争力，无需担心被取代。

同时，他批判了 AI 领域的诸多夸大宣传，如 “AI 导致人类灭绝”“取代所有工作”“需核能数据中心或太空 GPU” 等说法均缺乏技术依据，实际上 AI 正在创造新岗位并改变现有岗位性质，地面计算设施仍有巨大优化空间。

对于 AI 的本质与创业逻辑，吴恩达强调 AI 是类似电力的工具，其安全性取决于使用方式，更应关注 “负责任的 AI”，反对将实验室极端案例渲染成耸人听闻的故事，尤其反对借此攻击开源软件，同时警惕以“安全”为名的技术垄断行为，共同维护自由开放的创新生态。

对创业者而言，核心是打造用户真正喜爱的产品，先解决 “产品与市场匹配” 问题，当前应用层存在大量空白领域和未被开发的机会，无需过度担忧模式或功能被快速复制。

在 AI 工具与具体领域应用上，吴恩达指出智能体工作流已能整合多种技术模块，如提示工程、检索增强生成等，开发者初期不必过度担心token成本。他建议在架构设计时考虑技术模块的可替换性，保持技术选择的灵活性，可以确保在叠加更多功能时，仍然能够快速迭代。

教育领域中，未来教育将向高度个性化发展，但这是渐进过程。“AGI 彻底改变教育” 的说法被夸大，需持续探索教育工作流与 AI 智能体工作流的结合。

关于社会影响与知识普及，吴恩达提出开发者需秉持“确保产品让大众生活更好” 的原则，AI Fund已叫停多个可能产生负面影响的项目，同时要让 AI 红利惠及所有人。

他认为让普通大众了解深度学习至关重要，知识普及应跟上技术发展，同时需警惕部分企业通过夸大 AI 风险建立技术垄断（如加州 SB-1047 法案），保护开源软件以避免技术不平等。


来源：36kr