文：Web3天空之城| 未经许可不得转载

在这个最新放出的YC创业学院现场演讲和问答中，吴恩达分享了他在人工智能基金（AI Fund）中总结的创业加速经验。他指出，执行速度是创业成功的关键预测指标，而AI技术正在赋能前所未有的发展速度。他强调了具体想法对于快速执行的重要性，探讨了AI编码辅助工具如何彻底改变工程效率，并指出产品管理和用户反馈已成为新的瓶颈。吴恩达认为，深入理解并组合运用AI的各项构建模块是创造新价值和建立竞争优势的核心。访谈最后通过问答环节，进一步探讨了AI的未来、行业炒作、伦理责任以及开源生态的重要性。

核心观点

• 创业成功的关键预测指标是执行速度，而新兴AI技术正在赋能这种速度。

• 相较于模糊的概念，能够被快速验证或否定的“具体想法”是加速执行的核心。

• AI编码辅助工具将原型开发速度提升10倍以上，使得产品管理和用户反馈环节成为新的瓶颈。

• 深入理解和掌握AI的各种“构建模块”（如代理工作流、RAG）是创造新价值和建立竞争优势的关键。

• 警惕被夸大的AI危险叙事，保护开源生态是维持创新活力的重要保障。

导言：速度是成功的关键

吴恩达: 很高兴见到大家。今天我想做的，既然这是“以创业公司方式构建”学校，就是和大家分享我在人工智能基金（AI Fund）构建创业公司时学到的一些经验教训。人工智能基金是一家风险工作室，我们平均每月构建大约一家创业公司。因为我们共同创立这些创业公司，所以我们参与编写代码、与客户交流、设计我们的功能、确定定价。因此，我们做了很多次迭代，不仅仅是观察别人构建创业公司，而是真正深入其中，与企业家一起构建创业公司。

今天我想做的是，向大家介绍我构建创业公司时学到的一些经验教训，特别是围绕这种不断变化的人工智能技术以及它所带来的。我们关注的是速度这个主题。事实证明，对于那些想创办公司的人来说，我认为创业公司成功的几率，一个强有力的预测指标是执行速度。我非常尊重那些能快速完成事情的企业家和高管。新的人工智能技术正在使创业公司能够更快地发展。所以我希望做的是与你们分享一些最佳实践，坦率地说，这些实践仍然每两到三个月都在变化，以便让你们获得那种速度，从而有望提高成功的几率。

机会所在：应用层与代理式AI

吴恩达: 在深入探讨速度之前，很多人问我，嗨，安德鲁，创业公司的机会在哪里？所以这就是我所认为的AI堆栈，在最底层是半导体公司，然后是建立在其之上的云超大规模厂商。许多AI基础模型公司都建立在此之上。

尽管大量的公关宣传和炒作都集中在这些技术层面上，但事实证明，几乎根据定义，最大的机会必须在应用层，因为我们实际上需要应用程序产生更多的收入，以便它们能够负担得起支付给基础模型、云和半导体技术层。因此，无论出于何种原因，媒体和社交媒体往往不太关注应用层。但对于那些考虑创办初创公司的人来说，几乎根据定义，最大的机会必须在那里。当然，机会存在于堆栈的各个层面上。

过去一年中变化很大的一件事，以及在AI技术趋势方面，如果你问我AI领域最重要的技术趋势是什么，我会说是代理式AI的兴起。大约一年半以前，当我开始四处演讲，试图说服人们人工智能代理可能成为现实时，我没有意识到，大概在去年夏天，一群营销人员会抓住这个概念，把它当成标签一样，贴在所有能看到的东西上，这几乎让它失去了一些意义。但我想从技术角度和大家分享，为什么我认为代理型人工智能令人兴奋且重要，而且也开启了更多的创业机会。

事实证明，我们很多人使用大型语言模型的方式是提示它，让它生成一个输出。我们让大型语言模型输出东西的方式，就像你去找一个人，或者在这种情况下找一个人工智能，要求它帮你写一篇文章，从第一个字到最后一个字，一口气写完，中间永远不要用退格键。而人类，我们不会被迫以这种线性顺序输入的方式来完成我们最好的写作。事实证明，人工智能也是如此。尽管被迫以这种线性方式写作很困难，但我们的大型语言模型却出人意料地做得很好。

通过代理型工作流程，我们可以让人工智能系统先写一个文章大纲，然后进行一些网络研究（如果需要的话），并获取一些网页放到大型语言模型的上下文中，然后撰写初稿，然后阅读初稿并进行评论和修改等等。因此，我们最终得到了这种迭代的工作流程，你的模型进行一些思考和一些研究，进行一些修改，然后返回进行更多的思考。通过多次循环这个过程，速度会变慢，但可以交付更好的工作成果。因此，对于人工智能基金（AI Fund）参与的许多项目，从提取复杂的合规性文件到医学诊断，再到推理复杂的法律文件，我们发现这些基于代理的工作流程确实是工作与不工作之间的巨大差异。但是，许多需要完成的工作，许多有价值的业务需要构建，仍然需要采用工作流程，无论是现有的还是新的，并弄清楚如何将它们实施到这些类型的基于代理的工作流程中。

因此，为了更新人工智能堆栈的图景，过去一年出现了一个新的代理编排层，它帮助应用程序构建者编排或协调对底层技术层的许多调用。好消息是，编排层使得构建应用程序变得更加容易。但我认为，应用程序层必须是堆栈中最有价值的一层的基本结论仍然成立。

加速第一步：从具体的想法开始

吴恩达: 带着对应用层的偏好或关注，现在让我深入探讨我所学到的一些关于创业公司如何能够更快行动的最佳实践。事实证明，在人工智能基金（AI Fund），我们只专注于处理具体的想法。因此，对我来说，一个具体的想法，一个具体的产品创意，是指能够详细说明到工程师可以去构建它的程度。

举个例子，如果你说，让我们用人工智能来优化医疗保健资产，你知道，这实际上不是一个具体的想法。它太模糊了。如果你让我编写软件，利用人工智能来优化医疗保健资产，不同的工程师会做完全不同的事情。而且因为它不具体，你无法快速构建它，你没有速度。相比之下，如果你有一个具体的想法，比如让我们编写软件，让医院，让病人在线预订核磁共振成像仪的时段来优化使用率，我不知道这是一个好还是坏的具体想法。实际上已经有企业在做这个了，你知道，但它是具体的。这意味着工程师可以快速构建它。如果这是一个好主意，或者你发现这不是一个好主意，你都会发现。但是拥有具体的想法会为你赢得速度。

或者有人说，让我们用人工智能来提高电子邮件的个人效率。对此有太多的解读。那不够具体。但是如果有人说，你能开发一个应用程序吗？Gmail集成了自动化功能来使用，让我们用它来编写提示，自动过滤和标记电子邮件，这才是具体的。我可以，你知道，我今天下午就能去开发它。所以具体性可以提高速度。

而对于很多创业者来说，具有欺骗性的是，模糊的想法往往会获得很多赞誉。如果你告诉你的朋友们，我们应该使用人工智能来优化医疗保健资产的使用，每个人都会说那是个好主意。但实际上这并不是一个好主意，至少从你可以构建它的意义上来说。事实证明，当你含糊其辞时，你几乎总是正确的。但当你具体化时，你可能是对的，也可能是错的。

哪种方式都可以。我们可以更快地发现更多，这对一家初创公司来说才是重要的。在执行具体想法方面，我发现在AI基金，我要求我的团队专注于具体想法，因为具体想法能给出明确的方向，团队可以非常快速地构建它，要么验证它，证明它，要么否定它，并得出它行不通的结论。哪种方式都可以。所以我们赶紧去这样做吧。

事实证明，找到好的具体想法通常需要某个人，可能是你，也可能是某个主题专家，长时间地思考一个问题。例如，实际上在创办Coursera之前，我花了数年时间思考在线教育，与用户交谈，坚持自己关于什么能成为一个好的教育科技平台的直觉。然后经过那个漫长的过程，我认为YC有时称之为在想法迷宫中徘徊。但在长时间思考之后，你会发现那些长时间思考过这个问题的人，在快速做出决策方面可能非常出色。就像是，在你思考过这个问题，与客户交谈了很久之后，如果你问这位专家，我应该构建这个功能还是那个功能？他们的直觉，这是一个瞬间的决定，实际上可能是一个出奇的好代理，可能是一个出奇的好决策机制。我知道我从事人工智能工作。你可能会认为我会说，哦，我们需要数据。当然，我喜欢数据。但事实证明，对于许多初创公司来说，获取数据是做出决策的一种缓慢机制。而一位具有良好直觉的领域专家通常是做出快速决策的更好机制。

还有一件事，许多成功的初创公司，在任何时刻，你都在追求一个非常明确的假设，你正在构建并试图销售，试图验证或证伪。初创公司没有资源来对冲风险，同时尝试10件事。所以选择一个，全力以赴。如果数据告诉你对那个想法失去信心，那实际上完全没问题。迅速转变方向，去追求一个完全不同的具体想法。所以这通常感觉像是一个人工智能基金。我们坚定而顽强地追求一件事，直到世界告诉我们错了，然后改变并以同样的决心和顽强追求完全不同的事情。我观察到的一个模式是，如果每一条新的数据都要求你转变方向，那可能意味着你最初的基础知识太薄弱，对吧？如果每次你与客户交谈，你的想法都完全改变，那可能意味着你对那个领域了解得还不够，无法产生一个真正高质量的具体想法。找到一个思考某个主题更长时间的人可能会让你走上更好的道路。

加速第二步：AI驱动的工程革命

为了更快地前进，我经常考虑的另一件事是构建反馈循环，它随着我们使用人工智能编码辅助进行构建的方式而迅速变化。所以当你构建大量应用程序时，最大的风险之一是客户接受度，对吧？许多初创公司都在挣扎，不是因为我们无法构建我们想构建的任何东西，而是因为我们构建了一些东西，结果却发现没有人关心。所以在构建初创公司的大部分过程中，尤其是在应用程序方面，深度科技方面较少，技术初创公司也较少，但绝对是应用程序初创公司，我们经常构建软件。所以这是一项工程任务。然后我们会从用户那里获得反馈。这是一项产品管理任务。然后我们会回去，你知道，基本上是用户反馈，我们会调整我们对构建内容的看法，回去编写更多的软件。我们多次循环这个过程，迭代以达到产品市场契合。

事实证明，借助AI编码辅助（Andrej也谈到了这一点），快速工程正在以一种过去不可能的方式成为可能。它变得更加可行。因此，工程速度正在迅速提高，而工程成本也在迅速下降。这改变了我们驱动初创公司围绕这个循环运行的机制。

当我思考我所做的软件时，我可能会把它分为两大类。有时我会构建快速而粗糙的原型来测试一个想法。比如，构建一个新的客户服务聊天机器人。让我们构建一个人工智能来处理法律文件或其他的。构建一个快速而粗糙的原型，看看我们是否认为它可行。我所做的另一种软件是，维护生产软件，维护遗留软件，这些都具有大规模的、可用于生产的代码库。根据你信任哪个分析师报告，很难找到关于此的非常严谨的数据。在编写生产质量代码时，借助人工智能的帮助，我们可能会快30%到50%。很难找到一个严谨的数字。或许吧。对我来说，你可以被随意抛弃。但在构建快速且粗糙的原型方面，我们不仅仅是快50%。我认为我们至少快10倍，甚至可能远不止10倍。

这有几个原因。当你构建独立原型时，与遗留软件基础设施、遗留数据的集成较少。此外，对可靠性、甚至可扩展性、甚至安全性的要求也低得多。我知道我不应该告诉别人编写不安全的代码，对吧？感觉说这话不太对。但我经常对我的团队说，放手去写不安全的代码。因为如果这个软件只会在你的笔记本电脑上运行，并且你不打算恶意黑掉你自己的笔记本电脑，那么拥有不安全的代码是可以的。当然，在它似乎可以工作之后，请务必在将其交付给其他人之前确保其安全。并且泄露PII（个人身份信息），泄露敏感数据，这是非常有害的。所以在交付之前，使其安全且可扩展。但如果你只是在测试它，那就没关系。

因此，我越来越发现，初创公司将通过构建20个原型来系统地追求创新，以了解什么有效。因为我知道人工智能领域存在一些焦虑。许多概念验证都无法投入生产。但我认为，通过将概念验证的成本降到足够低，即使许多概念验证没有成功，实际上也没有关系。我知道“快速行动，打破常规”的口号名声不好。因为，你知道，它打破了常规。有些团队从中得出结论，认为你不应该行动过快。但我认为这是个错误。我倾向于告诉我的团队要行动迅速且负责任。而且我认为实际上有很多方法可以快速行动，同时保持负责任。

就人工智能辅助编码领域而言，我认为，那是三、四年前，代码自动补全，由GitHub Copilot推广开来。然后出现了cursor windserve一代的AI赋能的集成开发环境。我们做得很好，经常使用windserve和cursor。然后从，我不知道，六、七个月前开始，出现了新一代高度自主的编码辅助工具，包括实际上大量使用O3进行编码。Claude Code太棒了。自Claude 4发布以来，它已经变得……三个月后再问我，我可能会使用不同的东西。但这些工具的演变速度非常快。但我认为云代码法典（Claude Code Codex）是新一代高度自主的编码辅助工具，它正在不断提高开发者的生产力。有趣的是，即使你落后半代或一代，与使用最新工具相比，也会产生很大的差异。我发现我的团队现在采用的软件工程方法与三到六个月前相比，已经大相径庭。

令人惊讶的是，我们过去常常认为代码是一种非常有价值的产物，因为它很难创造。但由于软件工程的成本正在下降，代码作为一种有价值的产物的价值远不如以前。所以我在一些团队中，你知道，我们在过去一个月里已经完全重建了三次代码库，对吧？因为现在完全重建代码库、选择新的数据模式已经不再那么困难了，没关系。因为这样做的成本已经直线下降。你们中的一些人可能听说过杰夫·贝佐斯关于双向门和单向门的术语。双向门是指，如果你改变主意，可以退回来，你知道，相对廉价地撤销的决定。而单向门是指，你做了一个决定，如果你改变主意，代价非常高昂，很难逆转。因此，选择你的技术栈的软件架构曾经是一个单向门。一旦你在某种技术栈之上构建，你知道，设置一个数据库模式，就很难改变它。所以那曾经是一个单向门。我不想说它完全是一个双向门，但我发现我的团队更经常在某个技术栈上构建，一周后，改变主意，让我们扔掉代码库，在新技术栈上从头开始重做。我不想过度炒作它。我们不是一直都这样做。重做它仍然有成本。我发现我的团队经常重新思考什么是单向门，什么现在是双向门，因为软件工程的成本现在已经降低了很多。

也许稍微超出软件工程的范围，我感觉现在是授权每个人构建人工智能的好时机。在过去的一年里，很多人建议其他人不要学习编码，理由是人工智能将会自动化它。我认为我们回头来看，这将会是有史以来最糟糕的职业建议之一。因为当更好的工具使软件工程更容易时，应该有更多的人去做，而不是更少。所以，当几十年前，世界从穿孔卡片转向键盘和终端时，这使得编码更容易。当我们从汇编语言转向高级语言，比如COBOL时，实际上当时有人争论说，现在我们有了COBOL，我们不再需要程序员了。实际上有人为此撰写了论文。但当然，那是错误的。编程语言使编码更容易，更多的人学习编码。文本编辑器、集成开发环境、人工智能编程助手。并且随着编程变得更容易，应该有更多的人学习编程。

我有一个有争议的观点，我认为现在是每个职位上的每个人都应该学习编程的时候了。事实上，在我的团队里，我的首席财务官、我的人才主管、我的招聘人员、我的前台，他们都懂得如何编程。我应该看到他们所有人在他们的所有工作职能上表现得更好，因为他们会编程。我认为我可能稍微领先于时代，可能大多数企业还没有达到这种程度。但在未来，我认为我们将授权每个人去编程。很多人可以变得更有效率。

我想和你们分享我学到的一个教训，关于为什么我们应该让人们学习做这件事，那就是当我在Coursera上教授“面向所有人的生成式人工智能”时，我们需要使用MidJourney生成像这样的背景艺术。而我的一个团队成员懂艺术史。因此，他可以用流派、调色板、艺术灵感来提示 MidJourney，从而很好地控制他生成的图像。所以我们最终使用了 Tommy 生成的所有图像。相比之下，我不懂艺术史。所以当我提示图像生成时，我可以写下这些漂亮的机器人图片。我永远无法像我的合作者那样进行控制。所以我无法生成像他一样好的图像。

我认为对于计算机来说，未来最重要的技能之一是能够准确地告诉计算机你想要什么，这样它们就会为你做到。并且，对计算机有更深入了解的人将能够指挥计算机来获得你想要的结果。学习编码，不一定需要自己编写代码，引导人工智能为你编码，似乎在很长一段时间内仍然是最好的方法。

新的瓶颈：加速产品反馈循环

随着软件工程变得越来越快，我看到的另一个有趣的动态是，产品管理工作、获取用户反馈、决定构建哪些功能，正日益成为瓶颈。所以我看到了多个团队中非常有趣的动态。在过去的一年中，我的很多团队开始抱怨产品工程和设计的瓶颈，因为工程师的速度已经快了很多。我看到了一些有趣的趋势。大概四五年前，硅谷过去有一些略带可疑的经验法则，但无论如何也算是经验法则。我们会有1个产品经理对应4个工程师，或者1个产品经理对应7个工程师。这就像产品经理与工程的比例，对吧？我认为我们正在摆脱1个产品经理对应6、7个工程师的典型情况。随着工程师变得越来越快，我没有看到产品管理工作，即设计要构建的东西，能够以与工程相同的速度变得更快。我看到了这种比例的变化。所以就在昨天，我的一个团队来找我，并且第一次，当我们在计划头部舒适度项目时，这个团队向我建议，不要让1个产品经理对应4个工程师，而是让1个产品经理对应0.5个工程师。所以团队实际上向我提出了方案。我仍然不知道这是否是个好主意。这是我人生中第一次看到管理者向我提议拥有两倍于工程师数量的项目经理。这是一种非常有趣的动态。我仍然不知道我昨天听到的这个提议是否是个好主意，但我认为这是世界发展方向的一个信号。我发现，作为第二代码的项目经理，我们一些具有产品直觉的工程师往往做得更好。

我发现对于创业公司的领导者来说，另一件重要的事情是，由于工程技术发展如此之快，如果你有很好的策略来获得快速反馈，从而更快地塑造你对构建内容的看法，这也有助于你更快地发展。因此，我将介绍一系列获得产品反馈的策略，以不断塑造你将决定构建的内容。我们将介绍一份清单，列出更快、可能不太准确的，以及更慢、更准确的策略。

因此，获得反馈最快的策略是自己查看产品，然后凭直觉判断。如果你是一位主题 matter 专家，如果你知道自己在做什么，这实际上出奇地好。稍微慢一点的方法是请三位朋友或队友获得反馈，玩你的产品并获得反馈。稍微慢一点的方法是向三到十个陌生人寻求反馈。事实证明，当我构建产品时，我认为我学到的最重要的技能之一是如何坐在咖啡店里，如何坐在那里。当我旅行时，我经常坐在酒店大堂。事实证明，学会发现人流量大的地方，并非常恭敬地，你知道，抓住陌生人，让他们就我正在构建的任何东西提供反馈。当我不太出名的时候，这曾经更容易，当人们认出你时，会有点尴尬。但我发现我实际上和团队一起坐在酒店大堂里，人流量非常大，而且，你知道，非常恭敬地问陌生人，嘿，我们正在构建这个东西，你介意看一看吗？哦，我实际上在咖啡店里了解到很多人都在工作。很多人不想工作，所以我们给他们一个分心的借口。他们也很乐意这么做。但实际上，我已经和合作者在酒店大堂或咖啡馆里做了很多产品决策，就像这样。

将原型发送给100名测试人员。如果你可以接触到更大的用户群体，那就把原型发送给更多的用户。而这些会变成越来越慢的策略。我知道在硅谷，我们喜欢谈论A/B测试。当然，我也做了大量的A/B测试。但与许多人认为的相反，A/B测试现在是我清单上最慢的策略之一，因为它发布速度太慢了。这取决于你拥有多少用户，对吧？

所以，还有另一件事是，当您使用第一种策略之外的任何策略时，有些团队会查看数据，然后做出决定。但缺失的部分是，当我进行A-B测试时，我不仅仅使用A-B测试的结果来选择产品A或产品B。我的团队经常坐下来仔细研究数据，以磨练我们的直觉，加快速度，提高我们使用第一种策略做出高质量决策的比率。我们经常坐下来思考，哎呀，我以为，你知道，这个产品名称会比他们的产品名称更好。显然，我对用户的心理模型是错误的。因此，我们坐下来思考，利用所有这些数据来更新我们的心理模型，以提高我们快速做出产品决策的直曲质量。结果证明这非常重要。

核心优势：真正理解AI的力量

好的，我们谈到了具体的想法，加速工程，加速产品反馈。

这是我想谈的最后一件事，那就是我发现理解人工智能实际上能让你走得更快。原因如下。作为一个人工智能从业者，也许我倾向于支持人工智能，但我希望与你分享原因。事实证明，当涉及到像移动设备这样成熟的技术时，你知道，很多人已经使用智能手机很长时间了。我们大概知道一个移动应用能做什么，对吧？很多人，包括非技术人员，对移动应用能做什么都有很好的直觉。如果你看看成熟的职位，比如销售、市场营销、人力资源、法律，它们都非常重要，也都非常困难。但是，你知道，有足够多的市场营销人员从事市场营销足够长的时间，而且在过去一年里，市场营销策略并没有发生太大的变化。所以有很多人非常擅长市场营销。而且这非常重要，非常困难，但这些知识相对分散，因为，你知道，如何做人力资源的知识，在过去六个月里并没有发生显著的变化。

但是人工智能是一项新兴技术。因此，如何真正做好人工智能的知识并不普及。所以真正掌握人工智能并理解它的团队，相对于不掌握人工智能的团队来说，确实具有优势。然而，如果你遇到一个人力资源问题，你可能会找到一个知道如何做好它的人。但是如果你有个人工智能问题，知道如何实际解决它可能会让你领先于其他公司。比如，客户服务聊天机器人的准确率能达到多少？你知道，你应该使用HMD工作流来提示微调吗？如何将语音输出到低延迟？很多这样的决策，如果你做出正确的技术决策，你可以在几天内解决问题。如果他们做出错误的技术决策，你可能会在死胡同里追逐三个月，对吧？

我感到惊讶的一件事是，如果你有两个可能的架构决策，那就是1比特的信息。

感觉好像如果你不知道正确的答案，最多你只会慢两倍，对吧？1比特，你知道，两种都试试。感觉1比特的信息最多可以让你提速两周。而且我认为在某种理论意义上，这是正确的。

但我在实践中看到的是，如果你翻转了错误的位，你不会慢两倍。你会花10倍的时间追逐一条死胡同，这就是为什么我认为拥有正确的技术判断力真的能让初创公司发展得更快。

我发现掌握人工智能对初创公司真正有希望的另一个原因是，在过去的两年里，我们拥有了大量出色的生成式人工智能工具，或者说是生成式人工智能构建模块，对吧？部分列表，包括提示工程、代理工作流、评估（evals）、防护栏（guardrails）、快速应用开发（RAD）、Voisak、异步编程、大量ETL、嵌入（embeddings）、微调（fine-tuning）、图数据库（GraphDB）、计算机使用、MCPVC模型。有一个很长而且很棒的构建模块列表，你可以快速组合这些模块来构建软件，而地球上没有人能在哪怕一年前构建出来。这为初创公司创造了许多构建新事物的机会。

所以当我了解这些构建模块时，这实际上是我脑海中的一幅图景。如果你拥有一个构建模块，比如你有一个基本的白色构建模块，那么你可以构建一些很酷的东西。也许你知道如何进行提示工程。所以你有一个构建模块，你知道，你可以构建一些令人惊叹的东西。但是如果你得到第二个构建模块，比如你也知道如何构建聊天机器人，所以你有一个白色的乐高积木和一个黑色的乐高积木，你可以构建更有趣的东西。如果你再获得一个蓝色的构建积木，你可以构建一些更加有趣的东西。获得一些红色的构建积木，也许再来一个黄色的小积木，会更有趣。获得更多的构建积木，获得更多的构建积木，而且很快，你可以将它们组合成的物件数量就会增长，有点像组合式增长或指数式增长。因此，了解所有这些出色的构建模块，可以让你以更丰富的组合方式将它们组合起来。

DeepLearning.ai所做的事情之一是，我自己实际上也参加了很多DeepLearning.ai的短期课程，你知道，为了与我认为世界上所有领先的AI公司合作，并尝试分发构建模块。但是当我查看DeepLearning.ai的课程目录时，这实际上就是我所看到的。每当我参加这些课程并学习这些构建模块时，我都感觉自己获得了新的东西，这些东西可以组合起来，形成组合式或指数式增长的软件应用程序，而这些应用程序在一两年前是不可能实现的。

总结一下，这是我的最后一张幻灯片，如果大家有什么问题，接下来我们将进行提问环节。我发现对于初创公司而言，有很多事情很重要，不仅仅是速度。但是当我观察人工智能基金正在建立的初创公司时，我发现管理团队以速度执行的能力与其成功的几率高度相关。我们学到的一些能让你提速的方法是，你知道，致力于具体的想法。它必须是好的具体想法。我发现作为一名管理者，我的工作表现是由我决策的速度和质量来衡量的。两者都很重要，但速度绝对重要。借助人工智能编码辅助快速进入状态可以让你更快，但这会将瓶颈转移到获取用户反馈和产品决策上。因此，拥有一系列策略来快速获取反馈非常重要。如果你还没有学会去咖啡馆和陌生人交谈，这并不容易，但要保持尊重，对吧？并且要尊重他人。我认为，这实际上是企业家应该具备的一项非常有价值的技能。而且我认为，掌握人工智能技术也能为你赢得速度。

问答环节：洞见与前瞻

吴恩达: 有什么问题吗？

观众1: 随着人工智能的发展，你认为人类更重要的是开发工具，还是学习如何更好地使用工具？比如，我们如何定位自己，才能在一个智能变得普及的世界中保持不可或缺？

吴恩达: 我觉得通用人工智能（AGI）被过度炒作了。因此，在很长一段时间内，人类可以做很多人工智能做不到的事情。而且我认为，在未来，最强大的人是那些能够让电脑完全按照你的意愿行事的人。所以我认为要掌握工具，我们中的一些人有时会构建工具，但还有很多其他的工具会由其他人构建，我们可以直接使用。但是，那些知道如何使用人工智能来让计算机按照你的意愿行事的人将会更加强大。不用担心人们没事可做，而是能使用人工智能的人会比不能使用人工智能的人强大得多。

观众2: 那么，首先，非常感谢你。我非常尊重你，我认为你对我们很多人来说是真正的灵感来源。我的问题是关于计算的未来。因此，随着我们朝着更强大的人工智能迈进，你认为计算的发展方向是什么？我的意思是，我们看到有人说，让我们把GPU运送到太空。有些人在谈论核动力数据中心。你对此有什么看法？

吴恩达: 有一件事我正在考虑，我们是否可以回答上一个关于通用人工智能的问题，也许我会回答这个问题以及上一个问题的一部分。所以事实证明，你可以使用一种框架来判断什么是炒作，什么不是炒作。我认为在过去两年里，有一些公司为了宣传、公关、筹款、影响力等目的而炒作某些东西。由于人工智能是如此的新，少数公司得以逃脱，几乎可以随意说任何事情而没有人核实，因为这项技术未被理解。所以我的一个心理过滤器是，某些炒作叙事让这些企业看起来更强大，并且被放大了。

例如，这种人工智能非常强大，我们可能会意外地导致人类灭绝的想法。这太荒谬了，但这是一种炒作叙事，让某些企业看起来更强大，并且被夸大，实际上帮助了某些企业的筹款目标。人工智能非常强大，很快就没有人再有工作了。这不是真的，对吧？但同样，这让这些企业看起来更强大，并被炒作。或者我们是如此强大，所以当炒作叙事出现时，我们是如此强大，以至于通过训练一个新的模型，我们将随意消灭数千家初创公司。那根本不是真的。是的，Jasper遇到了麻烦，少数公司倒闭了，但要随意抹杀数千家初创公司并非易事。人工智能需要大量电力，只有核能才足够满足需求。那些风能、太阳能之类的东西，根本不是真的。所以我认为在太空部署大量GPU，我不知道，就像，放手去做吧。我认为在地面GPU方面我们还有很大的发展空间。但我认为其中一些炒作叙事被放大了，我认为这扭曲了实际将要发生的事情。

观众3: 人工智能领域存在大量炒作，而且没有人真正确定我们将如何利用它来构建未来。但是，在人们谈论或受到毒害后最终深陷其中的、我们应该尽量避免或更加注意的、以及能够让我们在构建未来时拥有更现实的视角的最危险的偏见或过度炒作的叙事有哪些？

吴恩达: 所以我认为危险的人工智能叙事被过度炒作了。人工智能是一个很棒的工具，但就像任何其他强大的工具一样，比如电力，有很多方法可以将其用于有益的目的，也有一些方法可以将其用于有害的方面。我发现自己不太使用“人工智能安全”这个术语，不是因为我认为我们应该制造危险的东西，而是因为我认为安全不是技术的功能，而是我们如何应用它的功能。就像电动机一样，电动机的制造商无法保证没有人会将其用于不安全的下游任务，比如可以使用电动机来制造达拉斯机器，电动汽车可以用来制造智能炸弹，但电动机制造商无法控制它在下游的使用方式。因此，安全不是电动机的功能，而是您如何应用它的功能。我认为人工智能也是如此。人工智能既不安全也不不安全，它取决于你如何应用它，这决定了它是安全的还是不安全的。因此，我经常考虑负责任的人工智能，而不是考虑人工智能安全，因为正是我们负责任地（希望如此）或不负责任地使用它，决定了我们用人工智能技术构建的东西最终是有害的还是有益的。

而且我觉得有时候新闻中会炒作一些非常奇怪的极端情况。我认为就在一两天前，《华尔街日报》发表了一篇文章，内容是关于人工智能失控或类似的事情，我觉得那篇文章把在实验室里进行的极端案例实验加以渲染，其程度与所进行的实验室实验相比，我认为是完全不成比例的。不幸的是，技术很难理解，以至于很多人都不了解情况。因此，这些炒作性的叙事不断被放大。我觉得这也被用作攻击开源软件的武器，这真的很不幸。

观众4: 感谢你们的工作。我认为你们的影响非常显著。我的问题是，作为有抱负的创始人，我们应该如何在这样一个世界中思考商业，在这个世界里，任何事物都可能在一夜之间被颠覆？无论你拥有多么出色的护城河、产品或功能，都可以通过氛围代码（vibe code）在几个小时内被竞争对手复制。

吴恩达: 事实证明，当你创办一家企业时，有很多事情需要担心。我最担心的事情是，你是否在构建一款用户喜欢的产品？事实证明，当你建立一家企业时，有很多事情需要考虑。有商品市场、渠道、竞争对手、技术、模式。所有这些都很重要。但如果我只能专注于一件事，那就是，你是否在打造用户真正想要的产品？在你解决这个问题之前，很难建立一家有价值的企业。在你解决这个问题之后，其他问题才会开始发挥作用。你是否有接触到客户的渠道？长期定价是什么？你的模式是什么？我发现，实际上，模式往往被过度炒作了。我发现更多的企业倾向于以产品起家，然后最终演变成一种模式。

观众5: 消费品的品牌在某种程度上更具防御性。

吴恩达: 如果你拥有很大的动量，就更难赶上你。但是对于企业产品，有时如果你有一个……也许模式更多地是考虑那些难以进入企业的渠道。所以我认为，不好意思，当人工智能基金考察企业时，我们实际上会对这些因素进行相当复杂的分析，并撰写一份，你知道的，6页的叙述性备忘录来分析它，然后才决定是否继续进行。我认为所有这些都很重要，但我觉得在目前这个时间点，机会的数量，意味着世界上尚未构建的东西的数量，似乎远远大于拥有构建它们技能的人数。所以绝对在应用层，感觉有很多空白区域可以构建新的东西，而似乎没有人正在做。我会说，专注于构建人们想要的产品，人们喜欢的产品，然后在前进的过程中解决剩下的问题。尽管在前进的过程中搞清楚也很重要。

观众6: 嗨，教授。感谢您精彩的演讲。我是斯坦福大学的一名安卓研究员，我认为您在演讲中使用的比喻非常有趣。您说目前的人工智能工具就像砖块，可以通过累积来构建。然而，到目前为止，很难看到人工智能工具集成后的累积功能扩展，因为它们通常基于意图分布对功能进行堆叠，并且伴随着令牌和时间开销的动态问题。那么这与静态工程有什么不同呢？那么您认为未来可能的智能体到累积效应的视角会是什么呢？

吴恩达: 但嘿，只是对此的一些快速评论，对吧？您提到了智能体令牌成本。我给开发者最常见的建议是，首先近似地估计，不要担心令牌成本是多少。只有少数创业公司足够幸运，用户会大量使用你的产品，以至于令牌成本成为一个问题。这可能会成为一个问题。我肯定曾在一些团队中遇到过这样的情况，即成本，你知道，用户喜欢我们的产品，然后我们开始查看我们的GenEI账单，它的确以一种真正成为问题的方式在攀升。实际上，达到你的令牌使用成本成为一个问题的程度非常困难。对于我所在的团队来说，我们很幸运用户让我们的令牌成本成为了一个问题，我们通常会有工程解决方案来弯曲曲线，并通过提示、微调、使用dspy优化或其他方式将其降下来。

然后我看到的是，我看到了很多集成了许多不同步骤的自主代理工作流程。例如，如果你构建一个客户服务聊天机器人，我们通常需要使用提示，可能使用dspy优化一些结果，构建评估，构建护栏。也许客户服务聊天机器人需要调用RAG才能获取信息并反馈给用户。所以我实际上确实看到这些东西在增长。但给你们很多人的一个建议是，我经常设计我的软件，使在不同的构建块提供商之间切换相对容易。所以举例来说，我有很多产品是基于OMs构建的，但有时他们会指向一个特定的产品并问我，我们正在使用哪个OM？老实说我不知道，因为我们会构建评估指标，当有新的模型发布时，我们会快速运行评估指标，看看新模型是否比旧模型更好。然后，你知道，如果新模型在评估指标上表现更好，就切换到新模型。所以我们每周使用的模型，你知道，有时我们的代理甚至会在没有告诉我一声的情况下就更换它，因为评估指标表明新模型效果更好。所以事实证明，基础模型的切换成本相对较低，我们经常设计我们的软件...哦，AI套件，我和我的朋友们致力于开源它，以使切换更容易。编排平台的切换成本稍微高一些，但我发现，在构建模块的选择中保留这种灵活性通常能让你更快地前进，即使你在彼此之上构建越来越多的东西。希望这有帮助。

观众7: 非常感谢。在教育领域的AI中，主要有两种范式。所以一种情况是，人工智能可以提高教师的生产力。自动化评分和自动化家庭作业。但另一种思想流派认为，每个学生都会有私人导师。因此，每个学生都可以拥有一个从人工智能那里获得反馈并获得个性化问题的导师。那么，您如何看待这两种模式的融合，以及未来五年内的教育会是什么样子？

吴恩达: 我认为每个人都觉得广告技术领域即将发生变革。认为颠覆尚未到来。我认为很多人都在尝试不同的事物。所以，你知道，Coursera有Coursera教练，实际上效果非常好。深度学习更专注于教授人工智能，也内置了一些聊天栏。很多团队都在尝试自动评分。哦，在深度学习人工智能网站上有一个我的头像，如果你愿意，可以和它交谈。然后我认为对于某些事情，比如语言学习，比如Speak、Duolingo，已经变得更加清晰，我将改变它的一些方式。对于更广阔的教育领域，人工智能改变它的具体方式，我看到了大量的实验。我认为Kyra Learning，我一直在和他们合作，对于K-12教育非常有前景。但我认为我所看到的是，坦率地说，大量的实验，但最终的最终状态仍不清楚。我确实认为教育将是高度个性化的，但工作流程是头像，是文本聊天机器人。工作流程是什么？我认为，我觉得几年前关于通用人工智能很快就会到来，一切都会变得如此容易的炒作，那只是炒作。

观众8: 现实是，工作是复杂的，对吧？

吴恩达: 教师、学生、人们都在做非常复杂的工作流程。在接下来的十年里，我们将关注需要完成的工作，并弄清楚如何将其映射到能动工作流程。教育是其中一个正在进行这种映射的领域，但它尚未成熟到足以清晰呈现最终状态的程度。所以我认为我们都应该继续努力。

观众7: 好的。好的。非常感谢你。

观众8: 嘿，我的问题是，我认为人工智能具有很大的向善潜力，但也有很多可能带来不良后果，例如加剧经济不平等以及诸如此类的问题。而且我认为我们这里的很多初创公司，虽然会做很多伟大的事情，但也会，你知道，仅仅因为他们的产品，就会对一些负面后果产生影响。所以我很好奇，你认为我们作为人工智能构建者，应该如何平衡我们的产品构建与某些人工智能产品可能带来的社会负面影响？本质上，正如你在演讲中提到的，我们如何才能既快速行动又负责任？

吴恩达: 扪心自问，如果你从根本上不认为你所构建的东西会让广大人民受益，那就别做，对吧？我知道这听起来很简单，但实际上在当下很难做到。但在人工智能基金，我们已经终止了多个项目，不是出于财务原因，而是出于伦理原因，其中有多个项目。我们研究了经济案例，非常可靠，但我们说，你知道吗？我们不希望这个东西存在于世。我们只是在此基础上终止了它。所以我希望更多的人会这样做。

然后我担心能否带领所有人一起前进。我看到的一件事是，各种非工程类岗位的人，如果他们懂人工智能，会比不懂的人更有生产力。所以，举例来说，在我的营销团队里，我的营销人员，他们知道如何编程。坦率地说，他们让那些不懂编程的人望尘莫及。所以后来每个人都学了编程，然后他们变得更好了。但我觉得，努力带领所有人一起前进，确保每个人都有能力使用人工智能进行构建。我认为，这将是我们所有人工作的一个重要组成部分。

观众9: 我是你的忠实粉丝之一，感谢你的在线课程。你的课程使深度学习对世界来说更容易理解。我的问题也是关于教育的。随着人工智能变得越来越强大和普及，人工智能实际能做什么和人们对它的认知之间似乎存在越来越大的差距。那么您认为向普通大众普及深度学习知识是否重要，而不仅仅是教育那些技术人员，让人们更多地了解人工智能真正能做什么以及它是如何运作的？

吴恩达: 我认为知识会传播开来。深度学习和人工智能，我们希望赋能所有人使用人工智能进行构建。所以我们正在努力。我们很多人都在努力。我只想告诉你我认为最主要的事情是什么。我认为可能存在两种危险。一种是，如果我们不能足够快地带领人们一起前进，我希望我们能够解决这个问题。还有另一种危险，那就是，如果你看看移动生态系统，手机，它实际上并没有那么有趣。其中一个原因是存在两个守门人，Android和iOS。除非他们允许你做某些事情，否则你不能在移动设备上尝试某些事情。我认为这会阻碍创新者。

某些企业试图关闭开源，利用了人工智能的这些危险，因为有很多企业希望成为大规模基础模型的守门人。因此，我认为为了让监管机构通过法律，而夸大人工智能的危险，即所谓的虚假危险，比如加州提议的SB1047法案，谢天谢地，我们阻止了它，该法案会制定非常繁琐的监管要求，这些要求不会让任何人更安全，但会使团队很难发布开源和开放权重软件。因此，其中一个危险，以及不平等，是如果这些监管，你知道的，糟糕的监管方法...我曾在现场，一些企业对监管机构说了一些不真实的事情。因此，我认为，如果这些监管提案成功，最终导致扼杀性监管，让我们只有少数守门人，每个人都需要少数公司的许可才能微调模型，以某种方式提示，那将扼杀创新，并阻止信息传播，从而让大量初创公司，你知道，负责任地构建他们想要的任何东西，但拥有创新的自由。所以我认为，只要我们阻止这种针对开源、开放权重模型的攻击路线成功，而我们已经取得了良好进展，但威胁仍然存在，那么我认为最终我们会实现知识的传播，并希望能把所有人都带上。但是这场保护开源的斗争，我们一直在赢，但战斗仍在继续，我们仍然必须继续努力保护开源。

非常感谢大家。很高兴见到我的团队。谢谢。